非线性季节型电力负荷灰色组合预测研究

短期电力负荷同时具有增长性和季节被动性的二重趋势，这使得负荷的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的序列，使用某一种模型进行预测，结果往往不理想。为了提高短期电力负荷的预测精度，提出了具有季节型特点的电力负荷灰色组合预测模型。在此模型中，灰色模型处理非线性问题具有一定的优势，它可以很好地反映电力负荷的增长性特点。季节变动指数(SVI)用来拟合电力负荷的季节性趋势。最后对季节型灰色预测的残差建立时间序列的AR(p)模型。由于综合考虑了电力负荷的多种特征，此组合预测模型明显地提高了预测精度。     

基于ARMAX模型的电力负荷预测

在综合考虑电力负荷的特点和影响电力负荷各种因素的基础上 ,采用 ARMAX模型对电力负荷进行预测 ,该模型具有在线修正参数的功能。对兰溪供电局的电力负荷的预测结果表明 ,该模型具有比较高的预测精度。     

基于多分支门控残差卷积神经网络的短期电力负荷预测

短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residual gated convolutional neural network,RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取;其次为增加模型的非线性拟合能力,采用注意力机制对权重进一步合理分配;最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验,通过与4种常用模型对比,该模型预测结果的平均绝对百分误差（MAPE）评价指标下降了0.02%~0.70%,验证了该模型提高负荷预测精度的有效性。     

基于混合神经网络的多时间尺度负荷预测

精准的负荷预测对于电力系统保持经济、可靠运行有十分重要的意义,电力系统规划、运行、电力市场竞价系统的设计等都需要不同时间尺度的负荷预测结果,然而现有研究大多围绕一个时间尺度展开,单一模型难以满足实际工程需求。造成这一现象的原因在于模型预测结果的误差会随着预测时间尺度的延长而出现不同程度的增加,预测难度大,并且影响负荷的因素大多分布在不同时间尺度的数据上,难以充分利用。针对以上问题,本文在考虑负荷曲线的定积分与对应时间内用电量之间约束关系的前提下,提出融合多时间尺度数据的混合神经网络模型。该模型的损失函数同时考虑了点预测结果的误差以及负荷曲线定积分的物理意义,增强了负荷时间序列中各个元素之间的几何相关性。并且利用神经网络将短尺度数据提取为抽象的综合数据后,与长尺度数据拼接组成新的特征向量,用于预测不同时间尺度的负荷值。算例结果表明,本文提出的模型在实际的变压器负荷数据上能够实现多个时间尺度的预测并且有效提高预测精度。     

基于分区逐时气象信息的全网负荷预测研究

负荷与气象是密切相关的,尤其在夏冬两季.以省网负荷预报为例,在传统的电力负荷预测中,所采用的气象信息一般是全省、全天的气象信息,比如全省最高温度、最低温度等等.当前,气象预报技术已经可以做到分区、逐时预报.该文总体思路是将分区逐时气象预测数据应用于负荷预报,以进一步提高负荷预测精度.指出了按照行政区域和气候区域相结合来分区,定义了基于负荷的综合气象因素,提出了根据网供电与综合气象因素进行预测的策略,给出了将相似日方法与支持向量机相结合的负荷预测方法.最后给出在河南电网应用的实际结果,对比表明采用逐时气象信息的预测精度比采用全天性气象指标的预测精度更高.     

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。     

关键信息缺失下基于相空间重构及机器学习的电力负荷预测

随着碳交易系统的发展,准确预测电力能源消耗对于能源管理是至关重要的。为实现在缺失天气等多种关键信息下的电力负荷预测,首先采用混沌理论中的相空间重构技术对历史负荷时间序列进行处理,根据排列熵验证混沌特性。并利用8种机器学习模型进行预测与比较,其中包括4种以神经网络为基础的机器学习模型、3种以统计学习为基础的机器学习模型及1种基准模型。其次采用灰色关联度法对预测精度较高的极限学习机(ELM)和极端梯度提升(XGBoost)进行组合,构建了ELM-XGBoost模型。最后将ELM-XGBoost应用于一日至一周内不同时间尺度的负荷预测。结果表明,预测精度随预测时间尺度增加而呈现降低的趋势,且在日负荷预测中,所构建的ELM-XGBoost模型预测精度得到提升,应用效果良好。     

基于均衡KNN算法的电力负荷短期并行预测

为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,提出一种基于均衡KNN算法的短期电力负荷并行预测方法。针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用ApacheSpark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力。选取某小区居民用电数据进行算例分析,在30节点云计算集群上进行测试验证,结果表明基于该模型的负荷预测精度与执行时间均优于传统预测算法,且提出的算法具有优异的并行性能。     

基于LSTM网络的时间多尺度电采暖负荷预测

电采暖负荷的准确预测对配电网安全稳定运行具有重要作用。为提高电采暖负荷预测精度,提出基于长短期记忆网络的时间多尺度电采暖负荷预测方法。该方法首先确定负荷预测网络模型参数,通过分析不同时间尺度下的电采暖负荷数据特征,在不同训练步长下,建立基于长短期记忆网络的电采暖负荷预测模型,实现电采暖负荷的准确预测。采用北京某地的电采暖负荷实测数据进行验证,结果表明在不同的时间尺度下,长短期记忆网络均能够实现电采暖负荷的准确预测。     

基于子集自回归模型的短期负荷预测

介绍了自回归时间序列模型的一种特殊形式--子集自回归模型及其辨识方法,并研究该模型在电力负荷短期预报中的应用.由于子集自回归模型的自激响应可形成伪极限环,因此可复现电力负荷短期变化的主要特征--季节性趋势.实例分析结果表明,该模型用于负荷短期预测时具有较高的预测精度.     

中压配电网中长期负荷预测实践

负荷预测是电力网络规划的基础，预测方法的选择是否合理直接影响负荷预测结果以及电网规划水平。因此，对于具有不同特性的供电网络应采用相应的负荷预测方法，以上海市某10kV供电地区的3个典型地块作为配电网中长期负荷预测研究对象，通过详细分析待预测地块的特点选择合适的预测方法，并给出3个地块2001－2006年的负荷预测结果，从而为中压配电网中长期负荷预测工作提供有价值的参考。     

基于动态交通信息的电动汽车充电负荷时空分布预测

电动汽车充电负荷预测是研究电动汽车与电网互动的重要前提。针对交通路网信息对电动汽车行驶规律的影响,考虑电动汽车的交通工具特性和移动负荷特性,提出了一种基于动态交通信息的电动汽车充电负荷时空分布预测方法。该方法首先针对城市路网多交叉口特征,提出建立考虑路段阻抗和节点阻抗的动态路网模型。并根据路网规模确定了相应的交通网-配电网的交互模型。其次引入OD矩阵分析方法和实时Dijkstra动态路径搜索算法为电动汽车分配起止节点和规划行驶路径,模拟其动态行驶过程和充电行为。最后设计了电动汽车路径规划实验和典型区域实际路网充电负荷预测实验。结果表明,电动汽车充电负荷在不同功能区域分布存在差异且时间分布上不均匀,验证所提方法的有效性和可行性。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。     

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。     

适应供给侧结构性改革的中长期负荷预测拓展索洛模型研究

随着供给侧结构性改革的深入,电力需求的演变规律变得更难捕捉。传统的中长期负荷预测模型通常未考虑供给侧结构性改革因素,难以满足新形势下中长期负荷预测精度的要求。基于此,提出了一种适应供给侧结构性改革的中长期负荷拓展索洛预测模型(Supply-Side Reform-Extended Solow Regression Model, SSR-ESRM)。首先,通过对供给侧结构性改革内涵的解读,从规模、结构及效率三种效应出发,构建了量化指标体系。其次,在基本索洛模型的结构中,引入供给侧结构性改革因素对模型进行拓展,建立SSR-ESRM实现中长期负荷点预测。为反映供给侧结构性改革的不确定性,建立了系统动力学模型生成多种经济发展场景,进一步实现中长期负荷外推预测。算例分析表明,考虑供给侧结构性改革因素的SSR-ESRM预测精度较高,且对场景切换的灵敏度适中,有利于电网规划的灵活性,能够为实现电网规划提供有益的参考。     

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。     

电力系统中长期负荷的可变权综合预测模型

中长期电力负荷预测是电力系统安全调度、经济运行、优化规划和科学管理的基础与前提，预测的精度高低对国民经济各部门至关重要，因而对电力负荷中长期预测方法的研究既有理论价值又有实际意义。鉴于中长期负荷预测具有研究时间跨度长，影响预测的物理因素复杂且不确定性较大等特点，同时现有的综合预测模型中大都采用了固定不变的权重，本文提出了一种权重可变的电力负荷综合优化预测模型，以更好地反映电力负荷变化的规律。详细的算例分析充分说明了该预测方法的有效性。     

泛在电力物联网形势下的主动配电网规划技术综述

泛在电力物联网鼓励各种分布式电源、储能以及电动汽车等大量的新型电力设备接入配电网侧。传统的配电网结构在未来将会出现巨大变化,导致原有的规划技术将难以适用于配电网对于供电安全性与稳定性等指标的要求。基于以上现状,对适用于泛在电力物联网形势下的主动配电网规划技术进行综述。分别从主动配电网中负荷预测与发电预测、选址定容、规划方案多维度评估等方面,阐述了新形势下配电网规划技术可能遇见的难点与挑战,归纳评价了多种复杂理论与优化算法。最后给出了对于新形势下主动配电网规划技术的总结与未来展望。     

计及无功潮流影响的传输介数概念及其电网关键线路辨识研究

在潮流介数的基础上,考虑了线路在传输无功潮流方面的作用,提出线路传输介数并将其用于辨识电网关键线路。由于充足的无功支持是电压稳定性的基础,将无功传输的作用纳入到关键线路辨识方法中后,传输介数能准确地辨识出影响系统电压稳定性的重要线路。关键线路的连续故障会导致有功和无功传输通道的破坏,需要切除部分负荷以维持系统频率和电压稳定,故采用基于最优潮流的失负荷量作为故障线路重要性的评价指标,以验证具有高传输介数的线路在电网运行中承担关键作用。IEEE39和IEEE118节点系统算例表明,传输介数能够辨识出系统中影响节点电压稳定水平的重要线路,其辨识效果优于潮流介数,基于传输介数的电网关键线路辨识方法具有合理性和有效性。     

新能源发电上网关口计量用互感器二次负荷分析及选型建议

随着光伏、风电等新能源迅猛发展,新能源发电装机容量比重日益增大。作为关口电能计量装置的重要组成部分,互感器二次负荷的大小对其误差存在不可忽视的影响。对河南电网新能源发电上网关口计量用互感器二次负荷进行了全面统计。结果显示,大部分新能源互感器二次负荷额定容量配置过大,既不满足规程要求,也对计量误差造成了不利影响。实际试验表明,二次负荷选择不合理会造成计量误差偏移,甚至超差。最后,提出了新能源发电上网关口计量用互感器二次负荷的选型建议,供从事电能计量工作相关技术人员参考。