夏季电网最大负荷与气温的相关性分析

介绍夏季温度与电网最大负荷的相关性分析方法及其相关程度的判断依据,以河北省石家庄地区夏季电网负荷及温度数据为基础,通过数据预处理、相关系数计算等分析,认为该地区日最低气温与最大电力负荷存在显著的相关性,并采用三次曲线模型拟合和灵敏度分析研究得出电网最大负荷随日最低气温变化的规律.     

基于MMoE-TCN的综合能源系统短期多元负荷预测

准确的短期多元负荷预测是确保综合能源系统可靠经济运行的必要前提。针对现有模型预测精确度不高的问题，本文提出一种基于改进最大信息系数相关性分析和MMoE-TCN多任务学习的负荷预测方法。首先，采用改进的最大信息系数相关性分析方法筛选目标预测负荷的特征序列集。然后，建立基于参数软共享机制的MMoE多任务学习模型，通过专家子网和门控单元合理分配子任务的共享特征信息，挖掘多元负荷间的耦合特性，进而使用时间卷积神经网络构建子任务模型，用于负荷预测。最后，使用IES公开数据集进行算例分析，其误差均低于MTL-TCN、MTL-LSTM和LSTM模型，验证了本文所提方法有较高的预测准确度。     

考虑气温因素的负荷特性统计指标关联特征数据挖掘

在电力系统负荷特性统计指标和气温日益积累大数据背景下,有效提取数据之间关联特征对电力系统规划和运行具有重大意义。为此,提出一种气温对负荷特性指标影响及其内在关联特征数据挖掘的方法。考虑气温季节特征进行分季度建模,首先通过物理关系和皮尔森相关系数获得气温和负荷特性指标任意两因素之间的相关性特征;然后在多变量时间序列平稳性检验基础上,对水平不平稳的同阶单整时间序列进行协整检验和向量误差修正(vector error correction,VEC)建模以获取其长期同步运动趋势及短期波动特性;进一步通过对变量差分化后的平稳时间序列的向量自回归(vector auto-regression,VAR)建模提取多因素变化量间的动态关系,结合格兰杰因果检验挖掘因素变化量之间的因果引导关系。针对华中某省级电网2006年至2010年负荷特性实际统计数据及相应气温数据的实例分析验证了文中方法的正确性和有效性,方法已在实际电网负荷特性统计分析中得到应用。     

基于多头概率稀疏自注意力模型的综合能源系统多元负荷短期预测

精准的多元负荷短期预测是综合能源系统调度和运行的基础。综合能源系统中的多种负荷之间存在较强的耦合作用,目前已有的单一负荷预测难以挖掘不同负荷之间复杂的内在联系。对此,提出一种基于多头概率稀疏自注意力模型的多元负荷短期预测方法。首先,采用皮尔逊相关系数分析多元负荷之间的相关性,并提取多元负荷之间的耦合特征;然后,使用改进位置编码的多头概率稀疏自注意力机制学习长序列输入的依赖关系,并且采用多元预测任务的参数软共享机制,通过不同子任务对共享特征的差异化选择,实现多元负荷的联合预测;最后,在亚利桑那州立大学Tempe校区的多元负荷数据集上对所提模型的性能进行验证,结果表明所提预测方法相较于其他预测模型能够有效提高预测精度。     

基于经验模态分解与特征相关分析的短期负荷预测方法

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。     

基于短时间尺度相关性聚类的负荷预测

负荷预测不仅是电力系统稳定、安全运行的基础,同样也是实现电力需求侧智能用电管理的基础。短时间尺度相关性分析能够挖掘一段时间内负荷的用电行为,相似用电行为分析有助于改善负荷预测效果,因此本文提出了基于短时间尺度相关性聚类的负荷预测方法。首先,根据短时间尺度用电时间序列之间的皮尔逊相关系数构造相关系数矩阵,并对相关系数矩阵进行去噪处理;然后,基于相关系数矩阵,利用模糊c均值聚类的方法来实现不同用电特性负荷之间的聚类,每类中负荷具有相似的用电行为;再分别对每一类中所有负荷数据求和并利用人工神经网络进行超短期负荷预测,基于每类的负荷预测结果计算系统的负荷预测;最后,通过对某110kV变电站10kV负荷馈线的实际数据进行分析,分析结果表明基于短时间尺度相关性分析的聚类提升了负荷预测的效果,从而验证了本文所提方法的有效性。     

基于ARIMAX模型的夏季短期电力负荷预测

夏季城市的短期电力负荷预测不仅与过去的电力负荷数据有关,并且受温度、风力、降水量等因素影响明显,存在明显的突变结构。为了对夏季城市的短期电力负荷进行预测,根据协整理论采用SAS软件建立起电力负荷序列与输入序列"温度"之间的ARIMAX模型,充分挖掘序列的内部自相关信息以及序列与序列之间的相关关系。采取最小信息量准则"AIC-SBC"进行比较可知,ARIMAX模型比经典时间序列ARMA模型的信息量要小,相对误差更小,拟合结果更为精确,在存在突变结构且具有显著影响因素的短期电力负荷预测领域具有很高的应用价值。     

风电功率序列的时空相关性研究

研究风电场功率序列之间的相关性对提高风电功率预测精度具有重要意义。首先提出一种判别风电功率序列是否可以采用线性相关系数进行描述的方法;然后引入多种非线性相关系数,对风电功率序列间的相关性进行全面研究和分析,并在常见的Copula函数中选择最优的Copula函数,基于此对其他非线性相关系数进行统一计算。研究结果表明,风电功率序列之间的相关关系并不适合采用线性相关系数描述;而采用非线性相关系数可较好地描述风电功率序列之间的一致性、不一致性以及尾部变化特征。     

考虑时空相关性的光辐照度序列估计方法

完整可靠的太阳光辐照度数据是光伏研究的前提与基础。文中提出了如何在测光站布点稀疏、异常数据比例高等不利条件下估计或重构辐照度序列的方法。利用相关系数法分析了甘肃河西走廊多个测光站的光辐照度在晴空和云层运动时的时空相关性规律。考虑盛行风影响,利用Voronoi多边形法建立了全区域相关系数模型。引入时间相位延时,建立了基于异步序列的数据重构模型。选择相关性最强的测光站数据作为输入,折算盛行风下的延时参数,估算待求位置的辐照度序列。数据检验表明,区域相关系数模型和重构方法的精度都可以达到较高水平。     

夏季日峰荷特性分析与预测

在分析夏季日峰荷特性的基础上,利用小波变换对负荷序列进行分解和单支重构．得到不同频段上的近似序列和细节序列,用相关性分析方法分别分析其早晚高峰值与气温的关系,根据分析的结果,使用RBF神经网络建立相应模型预测,将各序列的预测值相加得到日峰荷值。根据江苏省实际负荷运行数据,对方法进行了检验。     

基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法

为准确预测电力市场中的短期电价,将最大信息系数(maximal information coefficient,MIC)相关性分析与改进多层级门控长短期记忆网络(multi-hierachy gated long shortterm memory,MHG-LSTM)相结合,提出一种新型短期电价预测方法。该方法首先对备选序列与预测电价序列做MIC相关性分析,在此基础上筛选备选序列并经小波变换合成神经网络输入序列,有效增加了输入中与预测电价相关的信息密度;其次,对传统LSTM进行创新性改进,提出用两级遗忘门和输入门替换传统的一级门控机构的MHG-LSTM模型,提高了神经网络选择和提取高频电价序列特征的能力。在PJM市场日前电价数据集上对所提方法进行仿真实验,实验结果表明,该方法的预测误差仅为4.506%,相比已有预测方法有效提升了短期电价的预测精度,且具有很强的普适性,可应用于电力市场短期电价预测,为市场参与者和监管机构提供有力决策依据。     

基于改进模糊聚类的典型日负荷曲线选取方法

典型日负荷曲线对负荷调度计划以及运行控制有着重要意义,针对常用的传统典型日负荷曲线选取方法不满足目前电力市场需求的问题,提出了基于自适应因子与概率统计法相结合的改进模糊聚类算法典型日负荷曲线选取新方法,应用日负荷率、日负荷波动率等描述性特征指标,确定最优聚类数;引入模糊-离散系数,辨识样本数据中的畸变日,并予以剔除;计算日负荷与月平均负荷之间的相关系数,依据相关系数选取典型日负荷曲线。以新疆电网2015年1月份负荷数据进行实例仿真,结果表明所提方法能够准确选出典型日负荷曲线,验证了方法的可行性和有效性。     

基于最大信息系数和多目标Stacking集成学习的综合能源系统多元负荷预测

精确的多元负荷预测对于综合能源系统的能源调度与运行规划起到重要的作用。对电、热、冷负荷单独进行预测的传统方法会忽略多元负荷间的耦合关系。针对这一问题,提出一种基于多目标Stacking集成学习的多元负荷协同预测模型。引入最大信息系数对多元负荷及天气因素进行相关性分析,并提出负荷耦合形态指标来深度挖掘多元负荷间的耦合关系;将多目标回归与Stacking集成学习模型相结合,建立多元负荷协同预测模型;通过实际算例验证所提模型的有效性,算例结果表明,与其他预测模型相比,所提模型预测精度更高。     

可再生能源电力系统负荷平衡化分散调度方法研究

可再生能源电力系统负荷调度容易受到不确定性因素的影响,没有考虑备用调度因素,导致电力系统调度效果较差。针对该问题,提出可再生能源电力系统负荷平衡化分散调度方法研究。根据动态负荷平衡系统结构,建立单区域考虑多重不确定性负荷平衡化分散调度模型,并描述负荷在时间段内的变化值,以此确定调度目标函数。在相关约束条件下,使各个负荷预测误差相互独立,保证本区域负荷波动一致,完成多重不确定性负荷平衡化分散调度。在既定联络线功率下保持约束条件不变,通过引入协调优化乘子项,计算第二层下级优化目标函数,实现备用分散协调调度。仿真实验结果表明,该方法具有良好的抗干扰性,调度效果最高可达到99%。     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于负荷数据分析的用户侧用电感知与失电影响评估方法研究

提出一种基于调度侧配电网负荷数据分析进行负荷性质辨识与用户侧用电感知、失电影响评估的方法。利用调度自动化系统中的负荷数据,首先通过基于时间序列趋势的模糊C均值聚类方法求解馈线负荷曲线与典型负荷曲线的隶属度,判断馈线负荷性质;然后利用用户侧多维系统中历史数据,通过基于用电量积分的概率谱方法,分析线路负荷异常波动对应的用户侧实际用电感知及故障影响。实际案例分析表明:该方法能够根据调度侧负荷数据分析,正确辨识配电线路的负荷性质,精准评估用户侧失电影响,建立配网运行数据与客户用电感知之间的实时映射,辅助配网调控人员根据用户需求开展方式调整与故障处置。     

有效容量分布累积量法在抽水蓄能电站优化调度中的应用

随机生产模拟传统的等效电量函数法使用的是等效持续负荷曲线,丢失了时间信息,不利于应用在抽水蓄能电站的运行模拟。提出了有效容量分布累积量法用于抽水蓄能电站优化调度的方法,建立基于经济性与可靠性目标函数的调度模型后,利用负荷曲线分解技术对负荷曲线进行削峰填谷,再在时序负荷曲线上应用累积量法进行运算,求出各发电机组发电量和可靠性指标。特点是避免使用等效有效容量分布曲线的尾部信息,可计及负荷预测的不确定性和抽水蓄能机组的强迫停运率。算例结果证明该方法适用于抽水蓄能电站这类时间相关类、给定电量类电源的优化调度。     

考虑风电出力不确定性的分布鲁棒主备协同优化调度

随着大量可再生能源如风电接入电网,如何最大化地利用可再生能源、减小传统火电机组的成本成为亟需解决的难题,特别是机组运行和备用容量的协同调度成为现在研究的一大热点。考虑风电出力的不确定性,建立了成本最小化的两阶段经济调度模型。在第一阶段,即日前调度,根据预测的风电出力制定机组预调度方案。在第二阶段,即实时调度阶段,根据风电的实时出力对第一阶段调度方案进行反馈调节。针对风电出力的不确定性,应用Kullback-Leibler离散度原理对不确定因素进行建模。结合分布鲁棒方法,建立了极端概率分布下的两阶段分布鲁棒主备协同优化模型,并将其转化为可解的混合整数非线性规划问题。基于广义Benders分解方法,提出了分解协调算法对优化模型进行求解。最后以IEEE 6 节点系统和IEEE 118 节点系统进行算例仿真分析,并对比传统鲁棒及随机规划方法,验证了所提方法的可行性和优越性。     

考虑多重因素耦合的广义负荷特征曲线的模式分析

在可再生能源、需求侧响应、电动汽车、储能等多重因素耦合影响下,电力负荷发生根本的变化,从传统的"纯负荷"逐渐演变为具有"负荷"+"电源"双重特性的广义负荷。这是一个新兴的、复杂和抽象的概念,分析研究其曲线模式和特征,是电力系统规划、调度的重要基础工作。针对当前缺乏广义负荷数据、缺少对广义负荷曲线特征研究的问题,文中提供了不同因素作用下的广义负荷模拟模型,进而对不同场景下的广义负荷曲线形态特征进行探索。首先,分别建立考虑电动汽车充电、新能源接入、响应电价、响应新能源波动的广义负荷模拟模型;基于此,提出综合考虑多重因素耦合作用下的广义负荷模拟模型。通过建立的模拟模型,可以生成未来广义负荷数据进行分析,解决目前缺少分析数据的问题。采用基于密度的DBSCAN聚类方法从生成的数据中提取出广义负荷特征曲线。最后,通过设置不同的广义负荷场景,对未来广义负荷特征曲线进行了仿真分析,获得了多种未来可能出现的广义负荷特征曲线。