主动配电网短期负荷预测研究

主动配电网通过市场机制来引导群体性的主动需求行为,电网负荷特性随之发生改变,降低了传统负荷预测技术的预测精度。考虑主动配电网在传统负荷的基础上引入响应负荷的计算分析,提出适用于主动配电网的组合预测方法。分析用户响应特性及规律,考虑影响用户响应度的因素并将其线性参数化,建立基于响应度评估模型的响应负荷预测方法;将传统负荷分解成季节性基荷和残差,基荷采用相似日负荷预测技术进行预测,残差利用集成神经网络模型进行预测,建立改进神经网络组合预测模型。利用时变响应模型模拟主动配电网负荷数据集来进行仿真验证,与其他负荷预测技术进行对比,实验结果证明了所提负荷预测方法的有效性。     

考虑主动需求的主动配电网负荷预测

主动配电网的主动需求管理技术(Active Demand,AD)通过市场引导机制来改变用户的典型用电行为,电网负荷特性随之发生改变,降低了传统负荷预测技术的预测精度。针对AD对主动配电网负荷预测的影响,考虑用户响应特性分析影响AD响应负荷的因素,作为负荷预测的外生输入量,然后利用粒子群优化的支持向量机技术在黑盒框架下建立含AD输入的完备负荷预测模型,提出了适用于考虑主动需求的主动配电网负荷预测新方法。基于用户响应行为的现实考虑,建立时变AD模型产生含AD效应的负荷数据集来测试所提出的负荷预测方法。实验结果表明,所提负荷预测模型与不含AD输入的负荷预测模型相比,预测精度更高。     

需求侧响应下基于负荷特性的改进短期负荷预测方法

为了提高需求侧电力负荷预测精度,针对需求侧自身特点,提出了基于负荷特性的改进短期负荷预测方法。依据需求侧负荷特性与属性聚类算法结合的方法完成两级需求侧负荷分类,并使用优化改进粒子群优化径向基神经网络(MPSO-RBF)和最小二乘支持向量机回归模型(LS-SVM)等算法建立短期预测模型进行负荷预测。利用该方法对某工业园区用电负荷进行预测,并与实际用电负荷数据和利用传统预测模型以及单一模型预测方法进行了比较分析。预测结果平均相对误差表明,基于负荷特性的改进短期负荷预测方法是有效和实用的,既能得到准确的负荷预测结果,方便需求侧用户就地进行各类负荷针对性调控,又方便管理者宏观掌控需求侧用户负荷情况,有效推动能源互联网的发展。     

计及广义需求侧资源的用户侧自动响应机理与关键问题

自动需求响应是智能电网的关键技术之一,在广义需求侧资源接入的情况下,对用户侧如何实施自动需求响应提出了更高要求。首先,介绍了用户侧的智能用电单元的基本形态,分析了负荷、分布式电源、储能与电动汽车等需求侧资源的适用性;提出了"独立用户+节点型智能用电单元"与"集体用户+聚合型智能用电单元"两种用户自动需求响应运行模式,并给出了相应的电气与信息架构。其次,从系统架构设计、用户负荷特征及负荷预测、负荷可调控性及控制模型、优化模型与方法等多个方面综述了用户侧自动需求响应的国内外研究现状及发展动态。最后,总结分析认为用户侧短期负荷预测、负荷可调控性与可计划性模型、面向自动需求响应的优化运行、综合效益评估等是需要进一步研究的关键问题。     

基于“分层-汇集”模型的短期电力负荷预测

针对目前短期电力负荷预测方法未充分利用电力用户用电特征,以及预测精度不高等问题,提出了"分层-汇集"模型。首先,对电力用户按用电特征"分层",得到表征不同类型电力用户用电特征的层负荷特性曲线,并将层负荷特性曲线作为构造总负荷曲线的属性因子;之后,"汇集"不同日的层负荷特性曲线,结合实时负荷训练模型;最后,进行回归预测。以某区域实际电力负荷数据为算例,基于所提出的预测方法进行负荷预测。结果显示,基于"分层-汇集"模型的短期电力负荷预测在平均百分误差(mean absolute percentage error,MAPE)、均方根误差(root-mean-square error,RM SE)以及Pearson(皮尔逊)相关系数3项评价指标上均优于一般的回归预测方法,验证了模型的有效性;在"分层"和"汇集"阶段采用不同算法组合,"分层-汇集"模型均具有较好的预测效果,验证了模型的鲁棒性。使用"分层-汇集"模型可以提高负荷预测的精度,为短期电力负荷预测提供了一种新思路。     

基于负荷预测的飞轮-火电系统自动发电控制响应性能优化

随着新能源发电占比的不断增加，电网频率的稳定性受到严峻挑战，传统火电机组参与电网调频的作用愈发突出，然而部分火电机组的调节速率和精度难以满足电网负荷变动需求。为此，提出一种基于负荷预测的飞轮-火电系统自动发电控制响应性能优化策略。首先对负荷进行预测，采用基于树的管道优化工具TPOT库自动机器学习搭配并训练负荷回归预测模型，在训练数据中引入自动发电控制日前计划值以减少预测误差；然后根据负荷预测值以及飞轮系统的当前荷电状态，以火电机组调节速率最小化为优化目标，在负荷分配中优先动作飞轮储能系统，并调整飞轮荷电状态；最后基于湖北某火电厂实际运行数据进行仿真实验，实验结果证明了所提方法能够有效改善火电机组的调频性能。     

能源互联环境下考虑需求响应的区域电网短期负荷预测

在区域能源互联系统中,需求响应改变了电力用户的常规用电习惯,增加了预测环境的不确定因素。针对这种特定的环境,提出一种考虑需求响应的区域电网短期负荷预测方法来满足企业对预测精度的需求,该方法通过依次构建数据处理模型、负荷预测模型和误差预测模型实现了预测精度的提升。更具体地,针对历史数据样本集,采用灰色关联分析法处理气象数据以获取输入预测模型的相似日特征变量;针对电力负荷预测,建立了长短期记忆网络模型,利用其特殊的门结构选择性地控制输入变量对模型参数的影响,从而改善了模型的预测性能;针对误差数据样本集,采用了动态模式分解技术来挖掘误差数据的潜在价值,并利用其数据驱动特性刻画了误差时间序列的趋势变化特征,实现了良好的误差预测。最后,结合实际的电网数据,对比验证了所提方法的有效性和优越性。     

基于负荷特性分析平台的用户负荷特性及用电行为研究

量化分析用户负荷特性及用电行为时,海量负荷数据会造成庞大工作量,亟需研发出考虑负荷特性的用户用电行为分析平台,为售电主体分析用户用电行为及负荷预测提供借鉴。基于负荷特性指标和用电行为指标,该平台分别研究用户负荷特性和用户用电行为。运用实例结果表明,该平台快速展示了用户负荷特性分析结果及在电价发生变化时对电价的响应,具有简化操作、数据分析等优势。     

基于时空规律的电动汽车负荷建模及其自动需求响应

目前关于电动汽车负荷预测的研究大都未针对实际区域进行预测研究。本文提出将数据驱动与模型驱动相结合进行电动汽车负荷预测,在此基础上,提出了一种自动需求响应策略。首先,通过对滴滴数据进行采集,挖掘获得该区域功能区划分、电动汽车出行时间、空间转移矩阵等再生信息,考虑多日一充,构建了负荷预测模型。其次,以平抑净负荷波动为目标,协同考虑供需两侧效益制定自动需求响应策略,结合价格型、激励型需求响应机制为用户带来的收益,引入logistic函数刻画了用户参与的不确定性。最后以海口某片区为例,仿真结果验证了预测模型能有效针对实际区域进行负荷预测,所提策略能实现供需两侧的双赢,就地消纳新能源,平抑负荷波动。     

居民用电负荷超短期预测研究

负荷预测是电力系统安全运行的基础，而由于居民用电负荷的随机性和波动性，可能会影响电力系统的正常运行与维护，因此准确预测居民用电负荷为电网的实时调度提供了有利指导。提出了一种基于长短时记忆型循环神经网络的居民用电负荷超短期预测方法，利用该方法的“记忆”特性挖掘负荷数据间的关联特性，建立了基于基于长短时记忆网络的居民用电负荷超短期预测模型，并和双层前馈神经网络模型仿真结果相对比，其基于长短时记忆网络的预测结果精度更高，验证了模型的有效性。     

基于即时学习算法的短期负荷预测方法

针对电力系统短期负荷数据存在非线性和时变性等问题,提出了一种变量相关性局部即时学习算法和最小二乘支持向量机(LSSVM)的电力系统短期负荷预测模型。利用互信息计算气象数据、各气象因素等变量的相关度,并引入到即时学习算法训练集中,用以选择当前电力系统负荷的建模邻域,提高系统短期负荷模型预测的精度。利用相似度阈值对局部模型进行自适应更新,增强系统负荷模型实时性。利用Matlab对某市宛城区的负荷量进行预测,结果表明,基于即时学习算法的电力系统短期负荷预测模型误差更小,系统预测精度更高。     

一种基于多参量隐马尔可夫模型的负荷辨识方法

由于电力需求侧负荷形态各异、特性多变,种类繁多,采用传统方法进行负荷辨识时存在识别率不高、模型建立困难、难以推广应用等问题。为此,基于智能负荷控制器(SRLC)的用电参数检测功能和非侵入式负荷监测(NILM)原理,提出一种基于多参量隐马尔可夫模型(MPHMM)的负荷辨识方法。该方法采用4个负载特性参数(电流、有功功率、无功功率、功率因素)作为模型的观测向量,通过模型学习和多次迭代计算,求得与MPHMM模型隐藏状态相匹配的观测序列的最大输出概率和最优状态序列,再采用辅助判别算法对结果进行修正,完成对负荷的最终辨识。通过搭建实验平台对所提方法进行验证。结果表明,该方法辨识准确率可达95%以上,特别是对小功率负荷具有较好的识别效果。     

基于广义需求侧资源聚合的电力系统短期负荷预测模型

需求响应计划的广泛实施对电力系统短期负荷预测将产生一定的影响。为了获得理想的预测精度,需要准确计及需求响应因素的实时变化,并将其融入短期负荷预测模型的构建中。首先提出了一种能够通过电价合同实现的需求响应调度方式,该方式借助负荷聚合商机构实现了广义需求侧资源的最优调度,并能够以需求响应信号的形式提供给系统调度员利用。以此为基础,构建了基于广义需求侧资源聚合的电力系统短期负荷预测模型,将需求响应因素融入到短期负荷预测模型的构建中。仿真结果表明,构建的短期负荷预测模型能够有效弥补传统负荷预测模型的不足,有利于提升模型的预测精度。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。     

含有历史不良数据的电力负荷预测研究

传统负荷预测算法在历史负荷序列无不良数据的条件下已能对短期负荷做出较为理想的预测。由于实际负荷数据在监测、集抄、存储过程中难免会产生错误或有所误差,此时仍依靠传统预测算法进行负荷预测,可能在某些时间节点会引起较大误差。为了解决此问题,提出含有历史负荷序列不良数据辨识与修正能力且能对负荷进行相似度预测及负荷偏差纠正的预测模型。通过运用实际电力负荷数据进行验证,该模型能较好地避免了不良数据的干扰,有效地提高了含有不良数据的历史负荷序列的预测精度。     

计及需求响应的含风电电力系统旋转备用优化配置策略

风电大规模并网影响了电力系统的稳定运行,且存在消纳困难。为保证含风电电力系统的可靠性,提出了一种计及需求响应的旋转备用优化配置策略。该策略在分析风电出力及负荷预测误差的前提下,考虑可控负荷需求响应能力,以系统发电总成本最小为目标建立电源优化组合模型。采用GUROBI求解器对模型优化求解。经仿真验证,该策略在保证电网稳定运行的前提下,可提高电力系统运行的经济性,增强常规机组提供旋转备用的能力,促进风电消纳,具有较高的工程应用性。     

基于智能相似日识别及偏差校正的短期负荷预测方法

在传统负荷预测理论的基础上,提出了基于智能相似日识别及偏差校正的新型短期负荷预测方法。首先构建地市—相关因素特征矩阵,通过判断矩阵相关性智能选取负荷相似日,从而实现负荷曲线的一次预测。在此基础上,建立了实时气象偏差校正策略,采用XGBoost算法进行负荷曲线的二次偏差校正,达到短期负荷预测的目标。算例研究表明,该策略能够有效提升短期负荷预测精度,而且具有较好的自适应特性,可以应用于电力系统短期负荷预测实践。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

负荷预测对新能源电网多目标优化调度的影响规律研究

当前负荷预测的主要目标是提高算法精度,无法实现不同预测精度对新能源电网调度影响的量化分析,因此研究了不同负荷预测精度对新能源电网成本和二氧化碳排放量的影响。首先,确立了包含火-水-光-风电机组新能源电网的多目标函数和约束条件。其次,探讨了粒子群算法在新能源电网调度中的优化思路。再次,利用灰色算法对负荷进行预测并给出了预测结果。最后,求解了粒子束优化调度时不同负荷预测精度下新能源电网运行成本和二氧化碳排放量的数值结果,并进行了拟合规律分析。结果表明负荷预测精度和新能源电网的成本和二氧化碳排放满足二次函数关系,可为新能源电网的规划和调度提供借鉴。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。