包含高渗透率分布式电源的母线负荷区间预测

针对包含高渗透率分布式电源的配电网母线负荷预测问题,不同于传统的点预测方法,提出了一种基于模糊信息粒化支持向量机的区间预测方法。采用支持向量机作为基本算法,在一定时间窗口内采用信息粒化的模型将历史数据进行粒化,将指定时间窗口内的数据采用支持向量机进行训练,并得到给定区间内的包含高渗透率分布式电源的配电网母线负荷区间预测结果。以某省会城市某110 kV母线负荷作为算例进行分析,结果表明,所提方法可以准确跟踪母线负荷在预测区间内的变化情况,对包含高渗透率分布式电源的母线负荷变化区间和趋势可以做较为精准的预测。     

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法。该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值。对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价。与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8%;全系统的准确率由93.5%提高到了95.1%。     

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法.在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量.通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ.为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度.采用上述方法对黑龙江电网短期负荷进行了预测,结果证明了该方法具有良好的预测效果.     

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。     

用PSO优化BP神经网络的母线负荷预测方法

针对母线负荷基数小、易突变、母线间差异大等特点,提出一种粒子群算法优化神经网络的多层前馈神经网络的母线负荷预测方法.该方法综合了粒子群优化算法的全局随机搜索最优解和梯度下降局部细致搜索优势的特点,使其陷入局部最小,用母线负荷的初始值作为粒子向量的值,优化了误差反向传播神经网络的权值和阈值,达到提高预测精度和改善泛化性的目的.用该方法对湖南地区的110 kV和220 kV的母线负荷进行实验分析,结果验证了该方法的有效性和优越性.     

基于数据挖掘技术和支持向量机的短期负荷预测

支持向量机方法已经非常成熟的应用在短期负荷预测领域,它在选取历史日期进行模型训练的时候通常选取距离预测日相近的一段日期,而没有考虑这段时间气象条件、星期类型、节假日造成的影响,使得所建立的模型并不能完全的反映预测日的特征。提出了基于一种基于数据挖掘技术的支持向量机负荷预测方法,该方法提出了预测模型样本选取的新颖思路,首先采用层次聚类法对历史日负荷进行聚类,利用层次聚类得到的分类结果建立决策树,根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷,建立支持向量机预测模型并对待预测日的负荷进行预测。实例中负荷数据采用浙江省某地级市的历史负荷,用新方法对该地区的日96点负荷进行预测,并将该算法与传统的支持向量机算法进行比较,文中提出的方法解决了传统的基于支持向量机方法训练日期选取不能反映待预测日特征的问题,故本算法结果具有较高预测精度。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

考虑噪声数据的FCM-LSSVM负荷预测模型

针对传统负荷预测未考虑噪声数据影响的问题,提出了一种基于模糊C均值聚类与最小二乘支持向量机的组合预测模型。首先利用FCM对历史数据进行聚类分析,剔除孤立样本,继而构建负荷预测训练集并输入最小二乘支持向量机进行学习,进一步采用粒子群算法优化参数,得到最优预测模型。仿真结果表明,相对于其他负荷预测模型,该算法有效地消除了噪声数据对负荷预测精度的影响,泛化能力更佳。     

短期负荷预测的聚类组合和支持向量机方法

为提高电力系统短期负荷预测的精度,提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法用SOM网络训练规格化的特征数据并获得初始聚类中心,将初始聚类中心作为C-均值算法的输入,并用DB指数评价聚类结果以获得最佳聚类数,通过训练可得相似日样本,最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.预测结...     

基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。     

220 kV变电站10 kV直供负荷的改善措施及其经济分析

为了协调220 kV与110 kV变电站布点关系,结合某省220 kV变电站三卷变压器10 kV低压侧直接向负荷供电（简称直供）的实际情况,对全省220 kV变电站进行统计分析,研究其直接供电的现状及运行中反映的问题,并有针对性地从技术和经济层面提出解决办法：对10 kV直供负荷供电时,将配电网规划和10 kV直供负荷相结合,优化配电网的结构,合理利用220 kV变电站的容量,由220 kV变电站向周边10 kV负荷系统直接供电,在确保供电可靠性的情况下,控制10 kV线路的送电距离。以上措施可挖掘现有电网的供电潜能,降低线路损耗,使电网布局更趋合理。     

大规模储能系统发展现状及示范应用

随着储能技术的飞速发展,大规模储能系统已经成为保证电力系统可靠供电的一个重要手段。介绍了储能技术的类别及其在电力系统中的作用,并阐述了其在电力系统中的应用研究现状和目前的主要示范应用实例,论述了储能技术未来发展趋势。     

智能变电站中高频开关电源技术应用

高频开关电源因其性能可靠、体积小、效率高等优点,已广泛应用于智能变电站直流系统中,为变电站安全、可靠运行提供保障。首先简单介绍了交直流一体化电源系统,然后分别对直流充电模块、通信电源模块、UPS电源模块作了详细分析,重点研究了高频开关电源的N+1冗余技术和均流技术。通过研究发现,这2种技术的应用提高了高频开关电源模块的可靠性。高频开关电源能够满足智能变电站对直流系统可靠性的要求。     

微电网概率性最优的储能容量研究

针对可再生能源发电受外界环境影响较大、难以控制,接入微电网后对其安全运行带来很大挑战的问题,指出在微电网中接入储能装置可有效地解决此问题;研究了微电网孤岛运行时储能容量的确定方法,提出了一种概率性最优的储能容量确定方法：计算了微电网调度出力与负荷需求的功率差额,并根据其概率函数密度曲线确定储能系统的最大充放电功率;根据储能系统不同时刻其充、放电量累计值的概率函数密度曲线,求出其最优储能容量,使电网能实现经济效益最优和可再生能源利用率最大。采用该方法确定微电网储能容量,具有求解方法简捷、所需储能容量小的特点。     

1 000 kV皖南-浙北特高压线路工频参数测试干扰及结果分析

特高压线路工频参数测试干扰分析是选择适合工频参数测试方法及测试结果分析的重要基础。测试了1 000 kV皖南-浙北特高压线路正序和零序参数测试期间的干扰电压信号,分析了其频谱特征;在此基础上,通过与正序参数仿真计算值的对比分析了正序参数实际测试偏差。结果表明：皖南-浙北特高压同塔双回线路工频参数测试期间,干扰电压存在“三相不平衡性及时变性”的特点;工频法和异频法2种不同方法得到的线路参数测试结果存在一定差异;干扰电压“时变”时,线路工频参数测试宜采用异频法。     

基于先验方差的发电机惯量辨识数据质量评估

发电机惯量是电力系统频率特性分析与在线应用的重要参数。基于发电机正常运行时机端有功功率和频率的类噪声信号可对发电机惯量进行实时辨识。然而实测数据质量存在的缺陷,导致现有算法对实测数据辨识效果较差。为解决该问题,本文以谱分析与系统辨识理论为基础,通过参考系统估计、模型参数方差估计、惯量方差估计三个步骤,建立惯量辨识结果的先验方差统计量,在进行辨识前对类噪声数据段进行评价和筛选,提升了惯量辨识的准确度。基于仿真数据和实测数据的数据评估筛选结果验证了本文提出方法的有效性。结果表明,先验方差较小的数据段,惯量辨识的准确度较高。     

ICEMI' 2015征文通知（英文）

正Qingdao,China7.16-19,2015The International Conference on Electronic MeasurementInstruments(ICEMI)is the world’s premier conference dedicated to the electronic measurement and test of devices,boards and systems that is covering the complete cycle from design,verification,test,diagnosis,failure analysis and process of manufactory and products     

基于暂态相关性分析的小电流接地故障选线方法

小电流接地系统发生单相接地故障时,接地点产生的暂态故障电流包含了整个系统中全部的暂态故障电流特征量。非故障线路的三相暂态电流主要表现为对地电容电流,考虑到系统中存在的电感影响,健全线路中的两相电流差非常小,且波形与自身的暂态零序电流明显不相关,而故障线路的两相电流差与其暂态零序电流表现出明显的相关性。利用这一特征,首先对母线电压进行小波变换,通过三相近似系数比例AR检测配电网是否发生了单相接地故障,并找出故障相;然后,运用相关性分析比较各条线路的两相电流差与零序电流的相关性,能够正确地选出故障线路,文章通过MATLAB/SIMULINK建模,验证了该方法的正确性。     

12th International Conference on Electronic Measurement&Instruments(ICEMI'2015)

正Qingdao,China7.16-19,2015The International Conference on Electronic MeasurementInstruments(ICEMI)is the world's premier conference dedicated to the electronic measurement and test of devices,boards and systems that is covering the complete cycle from design,verification,test,diagnosis,failure analysis and process of manufactory and products     

East China Market in Dire Need of Three Major Breakthroughs

Since started as a pilot project of regional power marketin June, 2003, East China power market has been actively andsteadily progressing, and has promulgated in succession amarket establishing program, market operating rules andspecifications for the functions of technical support systems.The technical support systems have been built up by stagesincluding the master station system in East China region and