基于模型有效度的地区电网母线负荷组合预测与系统实现

地区电网母线负荷预测是确定运行方式、进行安全校核的基础,也是智能电网建设的重要内容。组合预测是解决母线负荷分散性和不确定性的有效手段,其关键在于预测模型的选择和组合策略的确定。从地区电网母线负荷的特点出发,引入预测模型有效度概念,提出基于关联度的组合模型集确定方法和模型有效度灰色预测方法,利用组合模型有效度的归一化系数建立组合预测模型,并基于C#平台开发地区电网母线负荷预测系统。该系统在某地区电网的应用证明了所提方法的正确性和有效性。     

基于差分进化的含分布式电源母线净负荷预测

随着低碳电力推进,大量风电等新能源将接入系统母线,以某省电网某母线接入的风电、小水电的不确定特性为基础,提出了一种基于差分进化粗糙集属性简约和最小二乘支持向量机结合的含分布式能源母线净负荷预测不确定分析方法。首先研究分析了接入某母线的风电、小水电出力特性,基于历史数据进行分布函数的拟合,然后采取服从风电、小水电出力分布的不同置信度阈值数据,将服从同一分布不同置信度阈值下风电、小水电出力随机数据作为负荷数据扰动,然后基于差分进化粗糙集属性简约和最小二乘支持向量机对母线净负荷进行预测不确定性分析。算例分析表明:提出的预测方法可用于风电、小水电接入的母线净负荷预测。     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度大小确定其间的分配系数权重,进而预测母线负荷。通过Matlab对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。     

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。     

基于数据驱动的母线负荷特性分析

深入分析母线负荷的特性对于提高负荷预测精度,评估电网的安全性和稳定性,辨识需求响应潜力等具有重要的意义。有别于传统的负荷率、峰值出现时刻等指标,提出了一套基于数据驱动的母线负荷特性分析方法。在对母线负荷进行数据清洗、标幺化处理的基础上,利用基于马氏距离的聚类算法对每日母线负荷曲线进行聚类分析;在此基础上,从不同维度提出和采用了模式切换熵、相对波动率、日平均负荷、温度敏感度等4个指标作为凸显母线负荷差异性的评估标准;最后根据提取的特征,利用K最邻近算法对母线负荷进行分类。对广州130条母线负荷数据进行了算例仿真,结果表明所提出的指标能够较好地刻画母线负荷特性,并能取得较好的分类效果。     

基于数值天气预报的母线负荷综合预测模型

母线负荷预测是电网安全校核和编制发电调度计划的基础。基于母线负荷历史数据和数值气象数据,通过相关性分析将母线负荷进行分类,提出了一种基于数值天气预报的BP神经网络母线负荷预测方法。进而以倍比平滑法和基于数值气象数据的BP神经网络法为基础,建立了分时段变权重的综合预测模型。对烟台地区的母线负荷预测结果表明,所提出的母线负荷综合预测模型有效地提高了预测准确率,对含大规模风电接入电网的输电设备安全校核具有重要的实用价值。     

母线负荷预测的实用算法

母线负荷预测是制定电网运行方式的基础,其预测的精度将直接影响到后续安全校核的分析结果以及电网输送能力的计算和运行方式的安排。综合考虑母线负荷的特点,根据历史样本数据类型,考虑天气、节假日、企业生产变化、母线负荷的转供等因素,提出一种新的母线负荷预测的实用算法。所提方法基于相似日的模式匹配原则,依照与待预测日模式的相似度的大小确定其间的分配系数权重,进而预测母线负荷。通过MATLAB对一实际电网进行仿真,结果证明了所提方法的精确性和实用性。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

粗糙集法解多环境因素影响的母线负荷预测问题

母线负荷的环境因素众多且影响关系复杂,综合考虑所有属性会引入无关随机信息,降低预测精度。为此,提出了考虑多环境因素的母线负荷预测粗糙集(rough set,RS)方法,采用快速属性约简算法(fast attribute reduction algorithm,FARA)确定对母线负荷影响较大的条件属性;基于概率规则导出决策规则集;通过距离度量法匹配规则,从而实现母线负荷预测。将所提方法应用于预测广西某地区电网220 kV母线有功负荷,结果表明该方法能从母线负荷预测的历史数据样本挖掘出有益预测规则,具有较高的预测精度。     

基于PSR和DBN的超短期母线净负荷预测

随着电网优化调度的精细化、智能化和计及电力系统安全性与经济性的电网高级应用的广泛采用及分布式能源的大量接入,母线负荷预测的精度要求不断提高而负荷的不确定性和非线性特征进一步增强。针对上述问题,文中提出一种基于相空间重构(PSR)和深度信念网络(DBN)的超短期母线负荷预测模型,首先采用C-C法对净负荷时间序列进行PSR,然后利用DBN对重构后的数据进行拟合并得出负荷的预测值。文中利用某市变电站实测负荷数据检验了该超短期母线负荷预测模型的有效性,证明该模型在分布式电源渗透率较高且母线负荷波动较大的情况下仍然有较高的预测精度。