基于PSO-DBN神经网络的光伏短期发电出力预测

考虑到光伏输出功率的随机性和波动性,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化深度信念网络(Deep Belief Network,DBN)的光伏短期发电出力预测方法。首先利用改进粒子群算法确定DBN神经网络最优的初始权值,建立初始DBN网络。其次,确定预测日后,利用灰色关联度法选出与预测日气象特征相似度高的日期。将这些日期的气象数据和历史发电数据作为训练集对初始DBN网络进行训练,建立预测模型。最后仿真结果表明,所用模型相比于传统的DBN神经网络具有更高的预测精度。     

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难.为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法.首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF).然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测.最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果.采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度.     

基于深度条件概率密度函数的居民电力负荷预测

居民电力负荷预测主要用于电力调度工作的停电计划，以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多，对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值，导致负荷预测过程稳定性差、预测结果精度低。提出一种基于深度条件概率密度函数的居民电力负荷预测方法。引入四次方核函数，得出随时间变化下居民电力负荷数据的观测值与预测值间的变量关系；通过高斯回归方程使得预测向量值符合正态分布；利用交叉验证方法提取预测值的最优自由度，通过借自由度确定分位点，根据对比分析结果确定下一随机变量的预测数据分位点，实现居民电力负荷的预测。仿真实验证明，所提方法得出的电力负荷波动结果与实测结果相吻合，预测误差可控制在0.001~0.437 MW。说明该方法预测准确性高，可为电力决策提供有效帮助。     

基于PSO寻优与DBN神经网络的电晕损耗预测

特高压交流输电线路的电晕损耗与降雨量、比湿、温度、相对湿度、压强等天气条件有相关性,可通过部分天气条件对特高压交流输电线路电晕损耗进行预测,提出了一种特高压交流输电线路的电晕损耗预测方法。根据粒子群优化算法（particle swarm optimization,PSO）寻优机制与深度信念网络（deep belief network,DBN）预测原理,详细说明了该预测方法的智能算法机制,并提出了一套完整的基于PSO—DBN智能算法的预测方法。首先,通过斯皮尔曼相关系数的大小确定与电晕损耗有较强相关性的天气条件,并作为特征值;然后以所选特征值为指标体系构建DBN神经网络进行电晕损耗预测,再采用PSO寻优算法对DBN神经网络进行内部参数调整,提升DBN神经网络的预测准确性;最后利用所提算法对实际运行的闽浙特高压输电线路的电晕损耗进行算法预测,与该线路的运行统计电晕损耗值进行对比分析,验证了所提预测方法的可行性。该方法为特高压输电线路电晕损耗研究和工程设计提供参考。     

基于动态贝叶斯网络的电价区间预测

在高比例可再生能源参与市场竞争的背景下,电价波动更为剧烈.为了对电价区间进行预测,提出了动态贝叶斯网络(Dynamic Bayesian Network,DBN)的电价区间预测方法.该方法以风电发电量、总发电量和总用电量的预测值以及历史电价真实值为输入数据,以贪婪搜索算法确定DBN的网络结构,以最大似然估计法(Maxi...     

面向行业大数据特征挖掘的电力经理指数指标体系的建立与应用

从大量的电力数据和行业数据中选取所需指标数据,形成行业电力经理指数EMI(Electricity Managers Index)指标体系。利用统计检验-粗糙集分析法筛选出关键指标,优化行业电力经理指数指标体系,并提出基于行业电量经理指数指标体系进行行业用电趋势预测的方法。运用所提方法对福建省典型行业的用电趋势进行分析和预测,结果证实了方法的可行性和有效性。     

新型电力AMI系统中基于Neural Prophet模型的电力负荷预测与修补研究

针对新型电力系统高级量测体系（AMI）系统中电力负荷异常值与空值的修补问题,提出一种基于Neural Prophet模型的电力负荷预测方法,用预测值修补AMI系统中出现的负荷异常值与空值。通过Neural Prophet模型的趋势模块、季节性模块、自回归模块3个模块组合进行电力负荷精准预测,可解决AMI系统的负荷数据修补问题。在电力负荷数据集上进行实验,结果表明所提方法与负荷预测经典算法相比具有较优的准确性且具有参数可解释的优势。所提方法可对AMI系统中有问题的电力负荷异常数据进行有效修改,对缺失的电力负荷数据进行填补。     

基于改进SSA-DBN的质子交换膜燃料电池水故障智能分类方法

为了实现质子交换膜燃料电池(PEMFC)系统水故障的高效快速分类,提出了基于改进麻雀搜索算法(SSA)优化深度置信网络(DBN)的PEMFC故障分类方法。采用归一化处理消除故障数据参数之间量纲不同的影响,使用核主成分分析对数据进行故障特征提取,有效地缩减了原始数据维度,降低了运算复杂度,并避免低贡献度数据对故障分类造成干扰。引入柯西-高斯变异策略改进SSA,并利用SSA对DBN进行参数寻优,确定网络结构,通过优化后的DBN实现对PEMFC水故障的快速分类。对3 000组PEMFC水故障数据进行测试,结果表明：所提方法可以快速准确地识别PEMFC的正常状态、膜干故障、水淹故障3种健康状态;总体的分类准确率为98.67%,运算时间为0.89 s,相比支持向量机、概率神经网络方法,所提方法的故障分类精度分别提升了4 %、3.34 %,运算时间分别减少了15.35、0.35 s。     

基于自适应深度信念网络的变电站负荷预测

精确的变电站级负荷预测是电网精益化运行决策的重要基础,但存在不同站间负荷特性差异大、微观关联因素多样性强等传统预测方法难以处理的问题。基于变电站历史负荷数据与其所在区域的外部环境数据,通过深度信念网络算法(deep belief network,DBN)强大的学习能力,避免了相似日等特征选取问题,并采用Nadam动量优化算法训练深度信念网络,得到DBN最佳参数,构成针对变电站负荷预测的学习框架,并基于Keras深度学习框架自动调整DBN结构,达到最优预测结果。以20个具有典型负荷特性的220kV变电站实际负荷数据为样本集,在周、日和小时级3个预测时间尺度上,通过2种误差计算方式作实例对比证明,所提方法能够充分进行自适应深度学习,并进行高精度变电站级负荷预测。     

基于数据驱动理念的电力日负荷曲线预测方法研究

针对短期日负荷预测的精度问题,本文提出一种基于数据驱动理念的电力负荷预测方法。在建立预测模型前对所给数据采取一定的预处理:首先提取所收集的海量数据的负荷特征,对负荷特征进行分析,然后进行负荷数据与影响负荷值的因素之间的相关性分析,以此确定对负荷影响较密切的因素,随后建立分类器得到各主要影响因素与各负荷类别之间的关系为后续预测模型奠定基础。对预处理后得到的不同类型的负荷数据采用最小二乘支持向量机方法建立不同的负荷预测模型。以南方某发达城市2008年的负荷数据作为算例验证数据,将本文所提负荷预测方法所得结果与未经数据预处理的负荷预测方法所得结果进行比较,结果表明本文提出的方法得到的预测结果精度较传统方法提高约6%。     

考虑数据周期性及趋势性特征的长期电力负荷组合预测方法

为解决长期电力负荷预测精度不足及模型适用性不强等问题,考虑将区域经济发展、社会发展等多项宏观指标与区域用电负荷的时间序列数据进行因素耦合。利用BP神经网络与差分整合移动平均自回归方法(ARIMA)整合改进预测模型,提高年度负荷预测模型的趋势预测能力。采用函数型非参数方法预测月度负荷数据中周期性负荷数据,将年度负荷预测与月度负荷预测相结合以提高模型整体预测精度。最后通过灰色预测等模型数据比对及MAPE误差分析方法验证,考虑数据周期性与趋势性组合的模型方法预测精度显著提升,适用于区域电力负荷的长期性预测。     

上海市全社会月用电量预测模型

较为准确的中短期用电量预测是制定科学合理电网运行计划的前提。利用2004-2014年上海市各月全社会用电量、气温、历年GDP、人口和单位GDP能耗等数据,采用年际同比变率分析方法,分析了影响月用电量的主要因子,建立了上海市逐月用电量预测模型。结果表明:采用年际同比变率分析方法能有效剔除气温、用电量等年际变化趋势对相关关系分析结果的影响,所得结论物理意义更为清晰;上海市月用电量呈现冬季和夏季双峰型特征,受经济总量增加等因素的影响,各月用电量都呈现出增加趋势;冬季和夏季的月用电量同比变化率与气温变化相关最为密切,春季和秋季的用电量同比变化率主要与经济总量增长和产业结构调整相关;综合考虑各影响因子建立的预测模型能够实现对各月用电量较精确的预测,也可用来研判经济走势。     

基于相关性分析和长短时记忆网络的稳态电压质量指标预测

随着电力网络规模日益增大,多种负荷接入配电网带来诸多稳态电能质量问题。对配电台区电压质量监测数据进行预测,有助于掌握电能质量水平变化趋势,对电能质量预警和治理具有重要意义。为了有效分析稳态指标数据变化规律并提高电能质量水平,文章提出一种基于长短时记忆(long short-term memory,LSTM)网络的稳态电压质量指标预测方法,挖掘并利用不同时序数据的关联关系,优化稳态指标预测效果。首先,分析有功功率与电压质量指标的关联性,通过时序相关性匹配用户有功功率数据和实际稳态指标的时间序列特征;其次,用LSTM网络对筛选出的用户有功功率序列和稳态电压质量监测数据之间的关联关系进行建模;最后,利用LSTM模型对福建电网某个区域内稳态电压质量数据进行预测。通过实测数据验证,结合特定用户用电行为因素构建的预测模型,在用户日用电行为相对恒定和发生变化两种情况下,均能够提升稳态电压质量指标短期预测精度,且后者场景下长期预测效果更为显著。     

基于熵权-灰色关联分析的降低区域停电损失举措研究

停电损失是衡量电网经济性标准之一,合理估算停电损失,能够为提高配电网可靠性和社会应急电源分配、公共预防性预算分配等提供依据。采用产电比法计算停电损失,并使用熵权加权计算各影响因素的客观权重,以提高灰色关联分析方法评价结果的准确性。使用熵权加权–灰色关联分析方法,分别计算区域产电比与各行业、配电网可靠性与其影响因素之间的关联度。在实际案例分析中,对4个不同区域的停电损失与各行业的紧密程度和区域配网可靠性与各影响因素之间的关系进行分析,从而提出每个区域电网设备升级的重点方向和地域,集中供电企业资金投入,最大限度提高配电网可靠性,降低停电损失。     

高压开关柜热故障预警策略及其应用

依据高压开关柜热故障的时域多样性,对于长期故障和即时故障,分别提出了改进的组合权重相似日方法和改进的等效电阻模型。改进的组合权重相似日方法利用熵权法及序关系分析法完成相似日的求取及权重系数的分配,避免了相似日求取的不合理问题,有效地提高了预测精度。改进的等效电阻模型嵌入动态阈值算法及空间相关分析法处理奇异点数据和特征信号,使故障信号分析更加准确。实验结果表明,所提方法和模型能够准确有效地预测载流故障发展的整体趋势,精度较高。     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。     

适应配电网网格化规划的可靠性预测方法

网格化规划是在配电网规模日益扩大的背景下提出的一种规划新模式。根据网格划分原则将供电区域划分为多个供电网格,对每个网格分别进行规划。考虑网格化规划的特点和传统可靠性评估方法的局限性,提出了基于可靠性历史数据的预测模型,主要针对原始数据信息量相对不足的规划网架进行可靠性预测。采用灰色关联分析法选取影响供电可靠性的关键因素作为预测模型的输入;为了提高预测模型的准确性,采用三种科学常用的预测模型,包括回归预测法、灰色预测法、人工神经网络法,分别预测可靠性指标;对某网格化规划区域的实例分析表明,所提模型能够有效预测规划网架未来一定时间的可靠性水平。