基于并行深度信念网络的电力负荷预测

针对传统电力负荷预测算法的训练速度慢、预测准确度不高等问题,提出了一种并行的基于深度信念网络的电力负荷预测方法.该方法基于并行计算框架和深度信念网络,对历史电力负荷和天气信息数据进行并行训练并预测负荷值.实验结果表明,该方法预测的电力负荷值与实际值之间的平均误差较低,预测精度高于传统方法,有效减少了算法训练和预测的耗时...     

基于负荷时域等值模型非线性度的谐波源定位

谐波源定位是划分电网谐波污染责任的关键理论和技术难题。基于产生谐波污染的非线性负荷的非线性度特性,研究负荷非线性度与负荷谐波发射水平的关系,提出了一种适合于单相和三相负荷的谐波源定位方法。该方法利用负荷时域等值模型确定负荷非线性特征,用删除残差法对负荷线性参数进行识别,计算负荷非线性度,以此确定负荷谐波发射水平,判定PCC点处主要谐波源,该算法能有效减少测量噪声影响。实验仿真及实际工程数据分析验证了该方法的有效性和准确性。     

基于局部均值分解与神经网络的短期负荷预测

短期负荷预测是电力系统调度和运行的基础,为了提高电力系统短期负荷预测的精度,提出了基于局部均值分解和人工神经网络的电力系统短期负荷预测方法。该方法首先对负荷序列进行局部均值分解,针对分解后具有不同特点的各PF分量设定具体的神经网络参数进行预测,将各分量的预测结果进行重构得到最终的预测结果。仿真实验表明,LMD-BP神经网络的预测方法与传统的EMD-BP神经网络方法相比具有更高的预测精度,同时也验证了该方法的实用性和有效性。     

基于粗糙集神经网络和元胞自动机的空间负荷预测

在分析目前空间负荷预测方法的基础上,提出了一种新的空间负荷预测的方法。该方法主要是利用粗糙集理论对从空间数据库中提取出来的随机数据样本集进行属性简化,减少人工神经网络的输入变量的个数和样本数量,从而提高神经网络提取元胞自动机转换规则的收敛速度和准确性,提高了空间负荷预测的精确性。该方法结合了粗糙集和人工神经网络的优点,并利用元胞自动机的理论来模拟城市用地类型变化,进行空间负荷预测。某市城市规划区域的空间负荷预测实验,证明了该方法的有效性。     

基于电器行为特征的非侵入式家用负荷识别

针对家用电器负荷识别中电气特性相似的电器难以识别的问题,提出基于电器行为特征的非侵入式负荷识别方法。该方法是在利用稳态电气特征的负荷印记进行家用电器负荷识别的基础之上,增加行为特征负荷印记;建立了负荷印记统计模型,对未知事件负荷印记的置信度进行模糊识别;提供识别结果以及识别结果的综合隶属度,提高了家用电器识别的精确度和准确度。经实验数据检验以及实际用户数据印证,该方法简单、准确、可靠,为非侵入式负荷提供新的思路和参考。     

综合权重的模糊时间序列的电力负荷预测方法

电力负荷预测受诸多因素的影响,针对短期电力负荷的复杂性和不确定性,结合历史负荷数据,提出了一种综合权重的模糊时间序列预测方法。该方法首先对历史负荷数据进行预处理;然后利用模糊集和模糊时间序列的方法将历史负荷数据模糊化,考虑到负荷变化的趋势,借助于最优化理论给出了趋势权重,同时考虑到近期数据影响大于远期数据,给出了时间占优权重,从而得到了综合权重的模糊时间序列预测方法。最后的数值实验结果表明,该方法比传统的模糊时间序列方法具有更高的预测精度。     

结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测

短期负荷预测的重要性随着电力企业的发展不断提高。传统的负荷预测虽然已经发展相对成熟,但现阶段对负荷预测的准确性要求逐渐提高。为满足发展需要,则要对现有的方法进行改进或建立新的预测方法。通过分析负荷预测数据周期性及周期内的特征,结合递归神经网络在分析时间序列数据的独特优势和受限玻尔兹曼机的强大的无监督学习能力,对结合受限玻尔兹曼机的递归神经网络的工作原理及训练过程进行了阐述。利用该网络进行了电力负荷数据预测实验验证并与其他神经网络进行了比较性实验。结果表明,所提出的神经网络较其他网络在电力短期负荷预测实验中有更高的准确性。     

基于ARIMA模型的短期电力负荷预测

电力负荷时间序列不平稳和受噪声污染严重,直接对负荷进行预测准确度不高。针对此问题,提出了一种结合小波变换与累积式自回归移动平均(ARIMA)模型的短期电力负荷预测新方法。首先,将历史负荷数据进行小波变换,以去除噪声干扰;然后,建立ARIMA模型进行负荷预测。通过实际负荷数据实验,证明了该方法的有效性。     

一种低功率家用负荷的非侵入式识别方法

针对当前非侵入式负荷监测方法对低功率的家用负荷识别准确率较低的问题,提出了使用遗传算法改进支持向量机的负荷识别方法。该方法以改进的支持向量机为基础,除采用有功和无功功率作为特征外,还采用基波功率因数和电压–电流三次谐波含量差作为负荷识别的新特征,引入遗传算法来对分类过程进行优化,进而实现对家用负荷的分解。实验结果表明:随着监测的家用负荷种类的增加,监测负荷数据量剧增,该方法在大数据场景下具有良好的鲁棒性和准确性。     

基于VMD-CNN的非侵入式负荷监测方法研究

非侵入式负荷监测通过在总电力接口处安装智能电表,实时采集和分析用户用电信息,从而监测各个用电设备的工作状态。针对电力系统中家庭用户负荷变化呈现的不同特性,提出一种基于VMD-CNN的非侵入式负荷监测方法。首先对采集到的负荷信号进行预处理,用变分模态分解方法将原始负荷功率信号分解成不同频率的有限带宽子序列,然后用Hilbert算法提取低频信号特征并将其输入到卷积神经网络中,再通过网络的自动学习能力学习各模态分量的不同特征,最后用全连接网络对用电设备进行分类,得到各个设备的用电情况。为了验证该方法,采用UK-DALE数据集进行实验验证,并与不同的分类算法进行对比。实验结果证明该方法适用于负荷监测且负荷监测精度达到了0.98。     

考虑负荷发展和用户行为的分时电价优化研究

分时电价作为需求侧管理的一种重要经济手段,其在国内的全面实施势在必行,但电力需求的快速增长导致分时电价对用户的激励效果缺乏时效性。针对此问题,提出一种考虑负荷发展的分时电价优化方法,利用BP神经网络预测和灰色预测法预测出未来2年的典型日负荷曲线,将未来负荷曲线代入分时电价优化模型的结果作为电价约束,再对当年的典型日负荷曲线进行优化计算,得到合理的分时电价。算例将仅考虑当年典型日负荷曲线的优化结果与考虑负荷发展的优化结果进行对比,验证该优化方法延长分时电价时效的有效性。     

基于非侵入式用电数据分解的自适应特征库构建与负荷辨识

非侵入负荷监测是实现需求侧测量与能效优化的有效途径。文中提出了一种高频采集模式下的非侵入式负荷在线监测方法,使整个监测过程自动化、实时化。首先,根据负荷电流的可加性原理建立了负荷分离模型,得到独立负荷波形;并结合负荷的操作特性,无需预实验获取先验数据。然后,通过贝叶斯分类模型实现负荷种类判断,从而在运行过程中为每个独立用户构建动态的负荷特征库。最后,基于库中数据,通过构建寻优模型实现负荷辨识,从而持续、实时获取负荷用电状态,并通过实际采集的用电数据验证了方法的有效性。该研究可自适应地为独立用户构建负荷特征库,改善了提前建库不具有普适性的问题,同时,基于特征库的快速寻优保证了辨识的有效性与准确性。     

直接优化方法及其在负荷模型参数辨识中的应用

根据负荷模型参数辨识问题的提法，提出利用简单、直观、不需要计算有关导数值、不需要一维搜索的步长加速直接优化方法进行负荷模型参数寻优，并且详述了参数寻优的过程。该方法不局限于模型的具体形式，具有广泛的适用性，特别适用于目标函数关于待辨识参数无显式表达式的模型参数辨识问题。对一实际工业用户负荷模型参数辨识表明，步长加速法优于常用的标准格式线性最小二乘法。     

基于整流性负载补偿的无线充电系统T型阻抗匹配网络设计方法的优化

无线充电系统的阻抗匹配对于提高系统的能量传输能力具有重要意义。针对现有纯阻性整流性负载分析方法的缺点与不足,提出一种基于整流性负载补偿的无线充电系统T型阻抗匹配网络的优化方法。首先,分析基于传统整流性负载分析方法的T型阻抗匹配网络。其次,分析整流性负载的非线性特征,得出其感性特征不能忽略的结论,并根据此结论研究补偿整流性负载的方法,对T型阻抗匹配网络的设计方法进行优化。最后,对提出的优化方法进行仿真和实验验证。仿真和实验结果表明,该优化方法能够将无线充电系统的能量传输效率提高近1%,输出功率从2.52k W增大至2.77k W。     

电力负荷模型结构的样条函数描述

提出了用一系列简单函数分段或分区描述大幅度电压变化情况下负荷、变结构负荷和复杂非线性负荷特性的样条函数模型。介绍了一元样条函数模型参数辨识的样条最小二乘法,提出了确定样条函数模型中多项式系数和内节点数值的参数辨识的2层优化算法,其中内层优化问题为内节点数量和数值确定情况下的多项式系数的辨识,外层优化问题为内节点数值的辨识,问题求解采用步长加速法。通过改变样条函数模型中多项式的阶次、内节点数目和内节点数值,可用样条函数模型灵活方便地描述许多复杂的电力负荷特性,并且具有传统数学模型的简单结构和形式,为模型结构或形式未知情况下的负荷建模提供了新的途径。仿真建模实例证明了所提模型与算法的有效性。     

一种实用的配电网无功运行两层优化方法研究

针对多时段动态无功优化,将控制设备动作次数转化成设备调节费用并将其计入目标函数,建立以全天网损费用与设备调节费用之和最小为目标函数的优化模型。将Fisher有序聚类算法引入到负荷曲线分段问题中,使分段后的负荷曲线尽可能贴近实际负荷水平。提出一种基于改进遗传算法和准动态规划法的两层优化算法,以获取全天控制设备的动作方案,实现多时段的协调优化。为兼顾算法的寻优速度和搜索精度,可依据电网规模灵活设置各阶段保留的最优路径数,适合于大规模系统的动态无功优化。算例表明了所提方法的实用和有效。     

基于改进LS-SVM的短期电力负荷预测方法研究

针对电力负荷随机性强、稳定性差、预测精度不理想等问题,提出了一种基于粒子群优化PSO和最小二乘支持向量机LS-SVM的短期负荷预测方法。模型的输入因子是负荷数据和气象信息等。粒子群优化算法用于实现支持向量机参数的自动优化,建立了基于粒子群优化的最小二乘支持向量机短期负荷预测模型。通过仿真验证了改进前后预测模型的准确性和有效性,结果表明,改进的预测方法具有收敛性好、预测精度高、训练速度快的优点。本研究为我国短期负荷预测方法的发展提供了参考和借鉴。     

考虑柔性负荷调峰的联合管理模型研究

根据＂削峰填谷＂的思想建立了利用柔性负荷调峰管理模型。通过中断管理和激励机制,把白天高峰用电量转移夜间低谷时段,降低电网峰谷差,减轻电网运行压力。根据柔性负荷的特性,将用于调峰的响应负荷分为激励负荷和中断负荷两部分,以总收益最大为优化目标,将能量平衡、中断特性和电价变化纳入约束,给出了柔性负荷24 h内调峰问题的求解方法。以某地实际负荷为例,利用粒子群优化算法对模型进行求解,算例仿真证明了该模型的正确性。结果表明所提出的方法可有效提高电网调峰能力,并具有良好的经济效益。     

计及用户响应负荷颗粒度的精准切负荷控制方法

切负荷控制是电力系统稳定运行和效率优化控制的关键技术之一,针对分钟级精准切负荷效率优化控制中负荷过切率优化问题,提出了一种计及用户响应负荷颗粒度的精准切负荷控制方法。首先以用户响应负荷颗粒度大小为切入点,采用需求响应策略,削减待切用户响应负荷颗粒度;其次,通过负荷分级建模,构建了基于最小负荷过切率的精准切负荷优化模型;最后通过算例分析,对比传统最小过切率精准切负荷控制方法和所提方法,结果表明,所提方法能够有效降低负荷过切率和负荷过切率波动性,验证了所提方法的有效性。     

考虑负荷不确定性的多目标交直流系统无功优化

提出了一种考虑负荷不确定性的多目标交直流系统无功优化方法,研究负荷模型的不确定性对交直流系统无功优化的影响。本文将系统有功损耗最小、系统电压稳定裕度最大作为目标函数,基于负荷误差的正态分布特征,并利用二层规划理论方法,建立考虑负荷不确定性的多目标交直流系统无功优化数学模型。针对交直流无功优化非线性、多变量、多约束的特点,采用内点法和遗传算法相结合的混合优化算法求解上层模型,下层模型采用实数编码的改进遗传算法求解。采用基于IEEE30标准节点改进的交直流算例对提出的方法进行验证,结果验证了本文提出方法的可行性及有效性。