基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

基于双层XGBoost算法的台区用户超短期负荷预测

台区用户超短期负荷预测的影响因素较多,使得预测结果准确率有所下降,文中提出基于双层XGBoost算法的台区用户超短期负荷预测方法。利用双层XGBoost算法构建超短期负荷预测模型,使用双层协同校正方法校正模型的基准层与实时层。充分考虑超短期负荷预测的影响因素,选取相似负荷向量构成低秩矩阵,使用非线性插值方法填充缺失值,以此实现模型求解,得到台区用户超短期负荷预测结果。由实验结果可知,该方法的预测准确率最高值为99.15%,均方根误差最小值为0.02,预测结果更为精准。

基于LSTNet-Skip的综合能源系统多元负荷超短期预测

随着用户侧用能需求多元化的发展,多元负荷的超短期预测对于动态的大型综合能源系统的规划和优化至关重要。为此,该文提出一种基于长期和短期时间序列网络的多元负荷超短期预测模型。首先采用卷积神经网络来提取多元负荷之间的局部依赖关系,然后使用长短期记忆网络捕获负荷序列的长期依赖关系,使用具有循环跳过结构的长短期记忆网络充分学习负荷序列的超长期重复模式,最后采用自回归层和全连接层进行组合预测。使用平均绝对百分比误差和均方根误差作为评价指标,利用美国亚利桑那州立大学坦佩校区综合能源系统数据集进行验证,并与3种负荷预测方法比较。实验结果表明,提出的预测模型均优于其他方法且有较高的预测精度。

基于L-S-Seq2Seq的双通道超短期电力负荷预测

针对传统方法在电力负荷预测中的输入序列长度选择问题与特征提取能力弱的问题,文章提出了一种同时接受长序列和短序列输入的双通道L-S-Seq2Seq超短期负荷预测模型。该模型主要由处理长序列输入的L-Seq2Seq通道和处理短序列输入的S-Seq2Seq通道组成,2个通道的编码器均使用C-CNN-LSTM融合电力负荷的全局特征和局部特征,并生成相关的隐藏向量。通过引入注意力机制使解码器在预测不同时间负荷时关注不同时刻的隐藏向量,其中L-Seq2Seq解码器采用基于周期和时变的CC-B注意力机制,S-Seq2Seq解码器采用基于时变的C-B注意力机制,最后通过融合2种解码器的结果输出超短期电力负荷预测值。对该模型进行了公开数据集上的验证,实验结果表明,与其他对比模型相比,文章提出的模型在MAE、RMSE、MAPE指标上分别至少降低了14.58%、7.28%、16.64%,而且R2达到了0.994 5。

基于模糊分配因子的电池储能参与二次调频策略

针对电池储能参与区域电力系统二次调频,提出了一种基于模糊动态分配的储能调频控制策略,解决了系统调频需求与储能荷电状态(state of charge,SOC)重构之间的矛盾,并充分发挥了储能的快速调频特性。首先分析了灵敏度与频率偏差的关系,确定了最佳储能参与调频深度也即分配因子值与频率偏差的关系,并提出通过计算储能分配因子的灵敏度,动态调整分配因子的储能控制策略,解决了以往研究需要制定重构策略以维持储能SOC的问题。在此基础上,考虑负荷连续大扰动下储能持续出力可能会使SOC越限,提出了一种基于超短期负荷预测和模糊控制的储能分配因子二次修正策略,可提前感知负荷变化趋势,并对分配因子进行二次修正,使储能预留充足容量来应对负荷连续大扰动。基于含电池储能的两区域互联系统的仿真算例验证了所提策略的有效性。

基于BiLSTM网络与误差修正的超短期负荷预测

电力负荷预测对于电力系统电量供需平衡、经济运行具有重要意义,电力负荷具有随机性、波动性等不确定性特征且易受天气因素影响,负荷准确预测存在技术挑战。提出了一种基于双向长短期记忆(BiLSTM)神经网络与误差修正的超短期负荷预测模型,采用最大信息系数描述各影响因素与负荷的关系,并进一步对输入特征进行筛选;考虑负荷变量数值序列的时序性,利用BiLSTM网络建立负荷预测模型,针对预测结果误差,采用自适应噪声的完备集合经验模态分解(CEEMDAN)算法将误差结果序列分解为若干分量,每个误差分量分别再建立BiLSTM预测模型。以我国北方某地区配电网实际负荷数据为算例,采用不同神经网络模型进行对比测试,结果表明该模型具有更高的准确度。

基于LSTM组合模型的短期电力负荷预测

针对电力负荷时序难以进行精度预测的难题,提出了一种基于自适应白噪声的完备集合经验模态分解(CEEMDAN)的TCN-LSTM短期电力负荷组合预测方法.首先使用CEEMDAN分解方法将原始负荷序列进行分解,该方法与集合经验模态分解(EEMD)方法相比,能使序列分解更加完备,且具有更小的重构误差.然后为了降低非平稳序列对预测精度的影响,通过平稳性检验将分解后的序列按照平稳性质分类,将非平稳序列合并后输入LSTM网络预测,平稳序列则计算排列熵后重组成高排列熵的平稳序列和低排列熵的平稳序列,再分别输入到LSTM网络和TCN网络中进行预测,最后对预测结果进行叠加得到最终的预测结果.实证结果表明:通过按照平稳性分类和计算排列熵的方式来对CEEMDAN分解后的序列进行重新组合的方法,不仅提高了模型的运算效率,同时比其他预测方法具有更高的预测精度.

基于时段细分训练时序网络组的超短期负荷预测

为优化能源系统的能源供应调度方案,针对时序类神经网络难以提取与利用影响负荷变化的不固定成分信息的问题,结合相关影响特征在不同时段下重要性不同的特点,提出一种基于时段细分训练时序网络组的预测方法,通过与经典的预测模型长短期记忆网络(LSTM)、可控门循环网络(GRU)、双向长短值记忆网络(BiLSTM)、双向可控门循环网络(BiGRU)的多次对比可知,该方法能有效降低相应模型负荷预测时的RMSE、MSE、MAPE与MAE值。

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点,使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段,建立平均绝对百分比误差(MAPE)作为蝙蝠算法(BA)的目标函数,以优化变分模态分解(VMD)、最小二乘支持向量机(LSSVM)及输入数据点数。在测试阶段,应用设置最优参数的VMD分解负荷数据,并使用LSSVM处理各分量,以完成对电力负荷的高精度预测。数据分析结果表明,使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。

基于长短期记忆网络的超短期负荷预测

负荷预测的准确率会影响电力生产和经济发展,根据目前广东电力现货市场的出清机制,超短期负荷预测的准确度对未来电力现货市场出清电价有着重大影响。文章采用数据横向纵向修正法对历史负荷数据进行修正,通过长短期记忆网络(Long Short Term Memory Network,LSTM)的预测方法,同时考虑现货市场实际运行时间间隔,对未来15min的负荷进行预测。根据应用情况表明,该方法简单实用,能满足现货市场实际运行出清时的负荷预测要求。

基于相似时间序列检索的超短期负荷预测

针对目前超短期负荷预测算法存在的预测精度不稳定、实时性能不强等问题,从时序数据挖掘的重要方法——相似时间序列的检索出发,结合负荷自身的周期性变化规律,提出了一种新的超短期负荷预测方法。该方法具有简单实用的坏数据处理机制;通过扩展负荷序列相似的概念有效地增加了预测样本的数量,提高了预测样本的质量;对预测值的加权处理抵御了单样本预测带来的风险,使预测的精度稳定在一个较高水平。实际应用结果表明,该方法的预测精度高、稳定性强,能较好地满足电力系统各方面的需求。

改进的基于聚类分析的超短期负荷预测方法

分析了当前超短期负荷预测中存在的主要问题;在对大量历史负荷观测的基础上,提出并应 用聚类分析理论进行负荷变化趋势分析;通过分析,在固定分类预测算法的基础上,提出了动态分 类预测算法,该方法能够根据预测目标自动调整预测样本;大量的模拟测试表明,改进后的预测方 法能够在无需频繁维护样本的情况下,大幅提高超短期负荷预测精度,尤其是对节假日负荷预测, 效果更为明显。

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析,提出将负荷数据分层分区的处理方法,建立它们之间相互牵制和联系的表达,在由递推最小二乘支持向量机(RLS-SVM)算法实现顶层预测的基础上,建立输电系统多节点负荷动态行为特征的描述模型,构建了自适应动态模型的超短期负荷预测总体构架。以山东电网为例的现场测试效果验证了所述方法的可行性和有效性。

基于负荷预测及广义回归神经网络的短路电流超短期预测

针对智能电网中实时状态监测和告警需求,提出一种电网短路电流超短期智能预测的方法。通过节点超短期负荷预测进行电网态势外推,采用基于广义回归神经网络的短路电流辨识方法对短期内的全网母线短路电流水平进行扫描,实现短路电流的超短期智能辨识。该方法为智能电网中超短期智能预测提供了一种快速仿真建模(FSM)的新思路,为智能调度辅助决策提供有力的技术支持。通过IEEE30节点系统验证了该方法的可行性与有效性。

基于鲁棒Holt-Winter模型的超短期配变负荷预测方法

超短期配变负荷预测结果是配电网状态估计中伪量测的主要来源之一,其利用的历史数据主要来源于自动计量系统。伪量测的精度会显著影响状态估计的结果。给出了一种基于鲁棒Holt-Winter模型的超短期负荷预测方法。该方法综合考虑线性趋势、季节变动和随机波动的时间序列特性,并与指数平滑法相结合,具有良好的预测能力。此外,该方法可以自动识别和修正坏数据。以某配电网的实际数据进行了算例分析,结果表明该方法具有良好的预测精度,且具有自动压缩坏数据影响的特性。

云南电网水火电机组AGC协调优化控制策略

云南电网属于水火电资源比较均衡的电网,为水火电协调控制提供了有利的条件。针对云南电网不同时段负荷变化的特点,将水火电机组自动发电控制(AGC)按调节特性划分为多个组,每组机组在不同时段下采取不同的控制模式,有效地实现了云南电网水火电AGC机组之间的协调优化控制。试运行结果表明,该控制策略能较好地适应云南电网的特点,提高了AGC性能。

超短期负荷预测在发电市场中的应用

阐述了超短期负荷预测在实时发电市场中的重要性。在充分研究和比较多种超短期负荷预测方法的基础上 ,提出了适合发电市场的综合预测方法 ;解决了负荷伪数据处理的问题 ;

省级电网AGC控制策略研究

区域电网互联主要任务是:保持电网频率质量,改善机组调控性能,从而发挥大电网运行的优越性。立足于省级电网调度控制,介绍了国内AGC发展和控制现状。以重庆电网为例详细探讨了目前省级电网AGC控制方案中的不足,从三个方面提出改进策略。将全网机组分三大类:日前计划机组、超短期负荷预测机组和联络线AGC机组。在调度中应用15min超短期负荷预测技术,并在各种机组间采用协调控制方案。经现场运行验证,有效提高了重庆电网AGC调节品质。

基于自适应双向加权最小二乘支持向量机的超短期负荷预测

应用模糊加权最小二乘支持向量机对超短期负荷进行预测,为了体现离预测点越远的历史负荷数据对预测点负荷值的影响越不明显的特点,即'近大远小'的原则,在双向,即横向(输入样本)与纵向(训练样本集)引入时间域的隶属分布。并用快速留一法在线优化模型的参数,实现了相关参数的自适应选择,克服了应用固定系数进行预测的缺点。应用某地区的负荷数据进行了仿真预测,并应用不同的方法进行了对比。结果表明,所提出的方法与传统方法相比提高了超短期负荷的预测精度。

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。