基于超短期负荷预测的智能配电网状态估计

状态估计作为智能配电网自愈控制的数据出口和态势感知工具的核心板块,需要在1个数据采集周期内对全网进行1次状态估计计算,传统的配电网状态估计算法不能满足以上要求,需要研究高效的配电网状态估计算法。提出了一种基于超短期负荷预测的智能配电网的状态估计方法,为自愈控制状态评估模块和潮流计算模块提供所需数据。该算法将预测速度快、预测精度高的超短期负荷预测技术引入智能配电网状态估计,实时预测节点负荷,实现了配电系统节点负荷的实时跟踪;采用指数函数抑制不良数据的影响,提高了状态估计的精度;利用配电网潮流计算的前推回代算法计算状态变量的初始幅值和相角,提高了算法的收敛性;考虑了分布式电源接入,体现了智能电网透明开放的特点。基于IEEE36节点标准算例的计算分析,验证了算法的有效性。     

基于负荷预测和无迹粒子滤波的配电网动态状态估计

随着汽车充电成为新型重要负荷,为确保此时配电网运行与控制安全,对其进行实时准确的态势感知,提出一种基于卷积神经网络和门控循环单元的短期负荷预测与无迹粒子滤波算法自适应混合的配电网动态状态估计方法。结合使用卷积神经网络和门控循环单元进行短期负荷预测,将预测得到的有功与无功功率进行潮流计算,再与无迹粒子滤波量测估计值自适应加权得到电压幅值和相角状态估计结果。以IEEE33节点配电网为例,验证了所提状态估计方法的准确性与面对不良数据时的鲁棒性。     

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。     

基于超短期负荷预测的电力系统动态状态估计

在常规动态状态估计的基础上,引入高精度的超短期负荷预测数据,将预测的节点注入功率作为滤波步的输入,实现了系统状态的实时跟踪预测。仿真表明,基于超短期负荷预测的电力系统动态状态估计算法提高了动态状态估计的计算精度．具有一定的现实意义和理论价值。     

基于大数据分析的智能电网降损效果估计模型仿真

针对智能电网降损效果动态估计结果误差较大的问题。提出基于大数据分析的智能电网降损效果估计模型,其采用Map/Reduce模型处理智能电网中的大数据,依据大数据统计和分析结果,将智能电网划分成不同的子网,采用不同负荷预测模型预测各子网负荷。融合子网的预测结果修正总体智能电网的负荷预测值。将负荷预测值输入智能电网降损概率评估模型,实现单一因素和组合因素约束下的智能电网降损分析,对智能电网降损效果进行动态评估。实验结果表明,所设计模型对智能电网工作日和休息日的负荷预测效果较好。     

基于相似日的超短期母线负荷概率性区间预测

为了满足电网调度的实时控制需要,较为准确地预测配电网中低压侧35kV和10kV母线的超短期负荷,结合超短期负荷预测和母线负荷预测的特点,提出了一种基于相似日的超短期母线负荷概率性区间预测方法。利用模式聚类和模式识别的方法分析了历史负荷数据,选取了相似日,并以负荷求导法为基础,得出历史负荷的预测值,计算历史负荷的预测误差,通过统计历史预测误差分布进行概率性区间预测,得到一定置信水平下的预测区间。实例计算结果表明,基于相似日的超短期母线负荷概率性区间预测的准确率为97.36%,该方法提高了母线负荷预测的准确度和计算速度,适合工程实际应用。     

基于灰色模型和Kalman平滑器的多母线短期负荷预测

提出一种基于灰色模型和Kalman平滑器的多母线短期负荷预测方法。首先利用频域分解消去母线负荷序列的周周期分量,建立序列的灰色模型;利用系统负荷预测方法得到系统负荷预测值。然后基于灰色模型,将各母线负荷的累加序列作为状态,系统负荷的累加序列作为观测,建立线性离散随机系统模型,利用Kalman平滑器计算各母线负荷累加序列的最优估计值,最后经过累减还原并加上周周期分量得到母线负荷的预测值。Kalman平滑器利用高准确率的系统负荷预测结果对母线负荷预测进行调整,降低预测误差。在实际系统中进行了仿真验证,证明了该方法的有效性。     

基于短期相关性和负荷增长的中长期负荷预测

现有中长期负荷预测非线性模型存在预测困难及精度偏低且不稳定的问题。文中提出了一种基于短期相关性和年度负荷增长的预测方法，将非线性问题转化为线性问题来解决。该方法首先根据上一年相邻点和相邻周负荷之间的短期相关性构建线性回归模型;然后采用递归的方法计算出下一年各周所有负荷点的预测值;最后考虑年度负荷增长，对预测值进行修正得到最终预测结果。结合实际电网数据验证了该方法的有效性和实用性，为中长期负荷预测提供了一条可行的新思路。     

基于改进数据流在线分割的超短期负荷预测

为同时提高超短期负荷预测的实时性和准确性,应对现代电力系统对实时负荷预测的更高要求,提出一种基于改进数据流在线分割的超短期负荷预测方法。该方法根据负荷发展的时间趋势,利用数据流实时处理技术进行超短期预测,然后结合蕴含天气因素和负荷周期特性作用的短期负荷预测结果,对分割点的实时预测结果进行修正;其快速分段预测能力,避免了重复建模,提高了预测速度;对分割点的实时修正处理有效地增加了历史信息利用率,降低了分割点误差,使预测精度稳定在一个较高的水平。采用实际负荷数据检验该预测模型的有效性,结果表明,基于该模型的预测精度和速度均优于几种常规超短期预测算法,同时降低了拐点预测误差,在天气突变时也具有稳定的适应性。     

应用Kalman滤波方法的超短期负荷预报

几分钟到一小时的超短期负荷预报在电网在线控制中占有重要地位。本文将Ｋａｌｍａｎ滤波方法应用于超短期负荷预测，并在预报过程中引入极大似然估计进行模型未知参数辨识，达到了参数估计过程与预报过程的统一。并给出本算法在几个电网中的实际应用情况及算例分析。     

油田电网的短期负荷预测研究

短期负荷预测是油田电力部门的一项重要工作,其预测精度的高低直接影响到油田电网运行的安全性和经济性。在分析油田电力负荷的基础上,建立了一种基于支持向量机的短期负荷预测模型,并根据短期负荷的周期性特点,对支持向量机模型的预测值进行合理修正,以获取最终预测值。实例研究结果验证了该方法的有效性和实用性。     

基于区域负荷预测值综合评价的大电网短期负荷预测

为提高省级大电网短期负荷预测准确度,提出一种基于区域负荷预测值综合评价的短期负荷预测的新算法。该算法分成三个阶段:第一阶段,构建区域负荷预测值的多指标评价体系,运用变异系数法对各个指标进行评价;第二阶段,根据综合评价结果选择部分区域负荷预测值预测大电网负荷,并将预测结果进行最优组合;第三阶段,为防止极端误差的出现,定义不同的区域个数为不同的预测方案,再对各个预测方案的预测结果最优组合预测以获取大电网的最终负荷预测结果。目前,该方法已应用于某省的短期负荷预测中,并取得了良好的预测效果。     

深度神经网络在配电网公变短期负荷预测中的应用研究

精准的负荷预测关系着电力系统安全、经济和可靠运行,短期负荷预测一直是电力系统的重要研究方向之一。结合深度学习理论,基于MXNet深度学习框架,采用深度神经网络算法预测配电网公变短期负荷,考虑负荷自身历史运行状态、气象因素、变压器属性、电力用户特征等多重因素影响,对传统电力负荷预测进行了创新和探索,并通过在某省的实际应用效果表明,基于MXNet框架的深度神经网络模型训练效率良好。基于深度神经网络的短期负荷预测模型有很强的泛化能力与通用性,为不同地区、不同类型的公变建立个性化的预测模型提供了可行方法。模型部署于阿里云大数据平台,基于阿里云大数据实现了配电网公变日负荷的实时预测。     

基于改进人体舒适指数的微电网超短期负荷预测

为解决微电网大规模超短期负荷预测的计算速度和准确度问题,建立最优局部形相似超短期负荷预测模型,引入表征气象综合影响因素的人体舒适度指数,并对人体舒适度指数公式进行改进。根据最优局部形相似数列与实时数据给出了一种基于加权平均的最优局部形相似超短期负荷预测方法,以获取超短期负荷预测初始值,利用改进人体舒适度指数对该初始值进行一次修正;再根据实时数据与预测数据的偏差并运用超稳定自适应控制理论对一次修正值进行二次修正,最终获得超短期负荷预测值。实例验证了所提方法的可行性,同时证明该方法在大规模超短期负荷预测中对计算速度和计算准确性都有较好的适应性。     

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.     

基于多时间尺度状态估计的配电网实时态势预测

为有效提升泛在电力物联网建设过程中的配电网运行安全感知能力,提出了一种基于多时间尺度状态估计的配电网实时态势预测方法,该方法可实现对配电网安全态势的快速、准确预测。首先,基于多元混合量测提出了多时间尺度递归动态状态估计方法,通过状态预测与伪量测递归变换改进了已有的量测线性等效变换方法,缩短了状态更新周期,在递归变换算法中添加了校正算法以消除伪量测波动误差,提高了状态估计算法的计算速度。然后基于状态估计得到历史估计状态,采用分区多元时间序列分析方法建立了实时状态预测模型,实现了配电网的实时安全性态势预测。最后在Matlab仿真平台中基于实际算例对所提方法进行了分析,结果验证了所提配电网实时态势预测方法的准确性和有效性。     

基于区域负荷的配电网超短期负荷预测

建立了以馈线开关为节点、以馈线为边的配电网简化模型，并采用负荷作为节点和边的权，给出了节点的负荷与边的负荷的关系。采用对负荷历史数据和温度历史数据进行统计分析的方法，对超出历史温度范围的情形采用最小二乘法拟合，得出了配电区域的超短期负荷预测结果，利用节点的负荷与边的负荷的关系进一步得出全配电网的超短期负荷预测结果。配电网运行方式的改变并不影响所提出的方法的预测精度。实际应用结果证实了所提出的方法的可行性。     

基于优化稀疏编码的超短期负荷滚动多步预测

小时级的超短期负荷预测是调度部门制定日内滚动计划的基础。该文提出了一种基于优化稀疏编码的超短期负荷多步预测算法,对未来4h的负荷进行滚动预测。首先,将历史负荷功率序列组成具有时延的特征字典和目标字典,并利用稀疏编码算法建立多步预测模型;然后,基于负荷曲线的相似性特性,借助实时的负荷功率特征向量与特征字典中原子的拓展符号化距离对特征字典原子进行筛选,提高了稀疏编码的预测精度;最后,对预测结果进行误差分析。针对负荷爬坡时段误差偏大的问题,通过基于负荷增量预测值的修正模型进行优化,进一步提高了预测精度。采用实际负荷数据进行分析,验证了所提方法的有效性。     

应用变差模型对广西电网月负荷预测的研究

给出电力系统短期负荷预测的变差分析模型。将负荷分解为年度变差、月份变差和随机变差，通过对其进行分别估计便可得到负荷的预测值。并以广西电网在不同的采样年限下的负荷进行预测，实例分析表明了该方法的有效性、简易性和实用性。