辽宁电网负荷与气象信息相关性研究

从近几年辽宁电网负荷的历史数据以及辽宁地区气象数据出发,详细分析辽宁地区的气象特征和辽宁电网的负荷特性,从中挑选出对电网负荷影响大的温度进行研究.定量计算了电网负荷与温度的相关程度,针对辽宁地区气象变化对负荷变化的影响,将复杂繁多的数据转化为直观的文字和图表形式,使电力公司易于掌握辖区内负荷随气象变化的特性,为今后进一步定量化相关影响和预测提供有力的参考.     

台风天气下电网负荷对气象因素的敏感度分析

针对风雨特殊天气数据样本少、负荷变化异常的特点,提出了一种新的负荷与气象敏感度分析方法。首先,基于灰色关联度理论,提出了一种基于相关系数变化率的负荷主要影响因素选择方法;其次,根据不同的气象条件区间,建立负荷与气象的多元线性回归关系,得到了更准确的负荷随气象因素变化的敏感度;最后,利用所提方法对海口电网的负荷和气象因素进行了敏感度分析,揭示了海口电网负荷随气象变化的规律,对提高台风等特殊风雨天气下电网的负荷预测精度和运行安全性具有实用参考价值。     

考虑气象因素的电网短期负荷预测策略

影响电网负荷预测的因素很多,其中气象因素是主要原因之一,尤其在天气系统的转变过程中,气象因互对电网用电和短期负荷预测准确率的影响更大,对气象负荷进行了明确定义,提出了一种预计气象负荷分量的实用方法和考虑气象因素的短期负荷预测策略。     

基于逐日分段气象算法的日前负荷预测

在分析电网高峰负荷、腰荷负荷以及低谷负荷与多个气象指标之间的相关性和灵敏度基础上,提出基于逐日分段气象算法的日前电力负荷预测方法。该方法摒弃了传统预测方法使用回归模型确定基值做法,以当日负荷曲线为基值进行动态滚动建模,以气象指标变化带来的高峰、腰荷以及低谷负荷变化差值进行动态修正,并考虑到分布式光伏发电对电网负荷预测的影响。该方法利用每天的基值变化在动态过程中修正了同一拟合曲线带来的误差,同时克服了气象算法不能反映光伏接入后对电网净负荷影响的缺点。算例表明,所提出的逐日气象预测算法不仅具有能够反映多轮高温、寒潮叠加效应的优点,而且在计算过程中将基础负荷增长带来的误差进行了有效的修正,在实际应用中达到了更好的预测效果。     

天气敏感型神经网络在电网短期负荷预测中的应用

针对运城地区电网易受气象影响的特点，应用了一种具有天气敏感性的基于快速反应BP算法的神经网络预测模型，模型中合理地考虑了影响负荷变化的气温和降水量等主要气象因素，使其能够适应天气的变化。对运城地区的实际负荷进行预测，结果较好地满足了现场要求．从而验证了该模型和算法的有效性。     

张家界地区电网夏季空调负荷特性分析

基于张家界地区近两年负荷数据及气象数据,分析了该地区电网负荷及空调负荷的变化特征,发现了影响该地区负荷季节性变化的主要因素;针对夏季工作日与夏季休息日两种情况,分别研究了温度对该地区空调负荷的影响;采用数学拟合方法,建立了空调负荷的数学模型,得出了两种情况下空调负荷随最高温度变化的特征,为张家界地区电网的负荷预测、调控工作提供有益参考。     

面向MATLAB的天气敏感型神经网络在武汉地区电网短期负荷预测中的应用

针对武汉地区电网易受气象影响的特点，提供了一种具有天气敏感性的面向MATLAB和基于快速BP算法的神经网络预测模型，模型中合理地考虑了影响负荷变化的气温和降水量等主要气象因素，使其能够适应天气的变化。对武汉城区的实际负荷进行预测，结果较好地满足了现场要求，从而验证了该模型和算法的有效性。     

气象敏感性负荷特性分析及预测

以电网迎峰度冬和迎峰度夏为背景,将电网负荷中的气象敏感负荷作为研究对象,对负荷预测气象指标进行分析,结合天气预报准确性分析,得出累积温度指标的适用性范围。分别采用基于累积温度指标的预测方法和基于综合气象指标的预测方法对气象敏感负荷进行预测,并针对大幅度升温/降温以及天气转化情况时对预测方法进行改进,提出在累积温平均温度变化超过2℃时,宜采用基于累积温度在平日预测时采用变化和平均温度变化加权指标进行负荷预测,在晴雨转换时采用修正后的综合气象指标预测法的综合气象敏感性负荷预测方法。实际算例和应用表明,该预测算法具有更高的准确度,为目前负荷预测提供一定依据。     

基于皮尔逊相关系数的电网夏季空调负荷预测研究

采用统计分析的方式研究地区电网夏季空调负荷的变化规律,综合考虑空调负荷的影响因素,构建了地区电网夏季空调负荷预测模型。该模型以地区电网负荷变化曲线为基础,实现了对空调负荷曲线的有效分离,随后采用Pearson相关系数考察各类影响因素与日最大空调降温负荷的相关性,通过比较日最大空调降温负荷与各类指标的相关系数,构造出一个能够体现最大空调负荷受本地区气象和社会经济影响较大的"经济气象综合指标",并利用回归分析提炼出空调降温负荷与综合指标的变化规律,最终实现夏季空调负荷的精准预测。基于某地区电网2006—2015年电力负荷及其相关数据,使用该模型预测2016年该地区电网夏季空调负荷,预测结果证明了模型的有效性。     

气象环境对电网负荷的影响因素分析

针对地区电网负荷易受多种气象因素影响,负荷预测中存在诸多不确定性问题,研究了气象因素对电网负荷的影响,最大程度减少由气象因素造成的负荷预测偏差。应用灰色关联度分析方法,基于大量历史数据,剖析气温、湿度、风速等气象因素与负荷特性变化的关联度,得到对负荷变化产生主要影响的气象因素。在此基础上,为了量化分析主要气象因素对负荷影响的程度,采用支持向量回归的方法得出日特征气象因素、实时气象因素对负荷变化的的灵敏度模型。同时,考虑到气温的累积效应对负荷特性变化的重要影响,研究气温累积效应对负荷的影响规律,得到气温累积效应修正公式,并用实例证明对历史数据经累积效应修正公式进行修正后,修正数据能够切实提高负荷预测的准确性。     

基于改进决策树算法的日特征负荷预测研究

针对决策树ID3算法的缺陷,提出了属性-值对的两次信息增益优化算法,该算法是ID3的改进算法,它能克服ID3算法在选取属性进行扩展时易偏向属性值多的属性及ID3算法属性间相关性考虑较少的缺点;通过对熵阈值的设定,采用预剪枝技术,又能部分克服ID3算法对噪音敏感的不足.该算法可用以生成日特征负荷决策树预测模型.该模型结合预测日的气象、星期等信息,可进行日特征负荷的预测.采用等深直方图分析思想,可对负荷变化率数据离散化,将层次聚类和信息熵相结合,对气象数据离散化.数据预处理后,通过属性-值对的2次信息增益优化算法生成负荷预测决策树模型,在给出预测日气象及星期信息后可对特征负荷进行预测,预测结果能够满足并超过负荷预测实用化标准的要求并具有较高的预测精度.如果将日24点或96点负荷及相应影响因素数据均用该算法进行模型训练,形成24个或96个预测模型,则可进行日24点或96点负荷预测.     

基于多源气象预报总辐照度修正的光伏功率短期预测

针对单一气象预报源可能存在的误报和偏差问题,提出一种基于多源气象预报总辐照度修正的光伏功率短期预测方法。根据功率序列特征,采用自组织映射神经网络聚类算法实现历史数据广义天气类型划分。按照晴朗程度实现广义天气类型与公共气象服务天气类型预报的匹配对应,并计算不同广义天气类型总辐照度各等级之间的折算系数。在计算各广义天气类型系统误差的基础上,如果预测日数值天气预报广义天气类型分类结果与公共气象服务天气类型预报的一致,则叠加修正总辐照度系统误差;否则,采用树扩展朴素贝叶斯算法计算2种广义天气类型的转移概率,在修正系统误差后利用折算系数计算公共气象服务天气类型预报对应广义天气类型的总辐照度序列,并根据转移概率设定权重系数进一步修正总辐照度序列。建立预测模型,基于遗传算法优化的反向传播神经网络获得光伏功率短期预测结果。利用某光伏电站的实际运行数据和气象预报数据验证了模型的有效性。     

基于天气分型的短期光伏功率组合预测方法

由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

Adaptive Weather-Sensitive Short Term Load Forecast

This paper introduces an adaptive, weather sensitive, short term load forecast algorithm that has been developed for two South Carolina Power Systems: CEPCI (Central Electric Power Cooperatives, Inc., Central for short) and Combined System. The model is based on a State Space formulation specially tailored for this application. A detailed correlation study is performed to identify the most relevant weather variables. Different models are used for Summer and Winter, since different weather variables are found to be relevant in both seasons. Adaptivity is attained through careful usage of Kalman filtering and Bayesian techniques. An appropriate methodology is developed to identify and correct anomalous load data and to model nonconforming loads. A new technique is introduced for "filling in" weather forecasts. The model has been sucessfully implemented using state-of-the-art data-base and man-machine techniques. Implementation results are reported. This model benefits from the experience gained using a variety of tools and represents important enhancements over existing methods.     

电力系统负荷预报的动态建模新方法

本文提出了一种电力系统短期负荷预报的新算法。该算法首先利用模糊技术对历史负荷数据进行平滑处理，再根据平滑处理的负荷数据，分别建立负荷变化的趋势项和波动项动态模型并作出预报，最后利用模糊综合评判的理论，考虑天气、假日等因素对负荷的影响，对预报值进行调整。该算法可实现提前１～２４小时的小时级负荷预报。     

基于混合算法的短期负荷预测模糊建模

结合最小二乘（LS）辨识以及一种基于进化规划（EP）和粒子群优化（PSO）的混合进化算法EPPSO,针对对温度比较敏感的夏季负荷,提出一种3阶段短期负荷预测（STLF）算法。在第1阶段,应用LS设计模糊基函数网络（FBFN）完成STLF模糊空间划分;第2阶段,首先拓展FBFN成一阶Sugeno模糊模型,然后应用EPPSO调节其前件参数同时训练后件参数,最后将前述模型用于STLF得出的预测误差看做一个新的时间序列,并仅用气象因素对其进行辨识,可以用回归模型表示该辨识模型,进而应用LS进行辨识。文中提出的STLF模糊建模策略主要贡献于受气象因素影响较大的夏季负荷。仿真部分对浙江省电力公司的实际负荷进行了预测,与其他方法的比较结果证明该方法具有良好的预测性能。     

基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测

针对非晴天天气类型历史数据量匮乏导致光伏功率预测精度低的问题,提出了一种含有梯度惩罚的改进生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)和CNN-LSTM-Attention光伏功率短期预测模型。首先,利用K-means++聚类算法将历史光伏数据划分为若干天气类型,使用WGAN-GP生成符合各天气类型数据分布规律的高质量新样本,实现训练集数据增强。其次,结合卷积神经网络(convolutional neural network, CNN)在特征提取上的优势和长短期记忆网络(long short-term memory, LSTM)在时间序列预测上的优势,提升预测模型学习光伏功率与气象数据间长期映射关系的能力。此外,引入注意力机制(Attention)弥补输入序列长时LSTM难以保留关键信息的不足。实验结果表明：基于WGAN-GP对各类型天气样本扩充能有效提高预测精度;与3种经典预测模型相比,所提出的CNN-LSTM-Attention模型具有更高的预测精度。     

基于改进岭回归的气象雷达风力涡轮机杂波抑制算法

研究了一种改进的岭回归算法,用于精确估计被风力涡轮机杂波(WTC)污染的气象信号谱矩信息。该算法针对回归模型中数据存在较强的共线性时,导致参数估计值不稳定且估计精确度较低的问题,在距离-多普勒(RDR)基础上,引入加权岭回归模型,并采用广义交叉验证(GCV)获取岭回归模型中的最优回归参数,代入回归模型进而求解被WTC污染的气象信号谱距信息。仿真实验结果验证了该算法的有效性,并在低信噪比条件下对比RDR算法估计精度和稳定性更优。