基于深度学习分位数回归模型的充电桩负荷预测

电动汽车的迅速发展将使充电桩负荷对电网造成影响,为此提出了使用深度学习分位数回归的充电桩负荷预测方法。该方法首先根据历史数据采用Adam随机梯度下降法训练出不同分位数条件下的LSTM神经网络参数估计,然后预测未来96 h内各分位数条件下的结果,再用核密度估计做出同一时刻结果的概率密度函数,最终得到负荷概率密度预测。根据实际充电桩负荷结果表明,提出的概率密度预测方法能较为精准地覆盖真实值,相比于BP神经网络分位数回归有着更高的精确度和参考价值。     

基于改进回归法的电力负荷预测

提出了一种基于改进回归法的电力负荷预测方法,在对历史数据进行分析和参数估计的基础上,先用岭回归法剔除奇异值,再用主成分回归法提取影响负荷的主要因素,得出模型的解析形式。针对实际系统的应用验证了该方法不仅适用于短期负荷预测,也适用于超短期负荷预测。此外建立了一些特定因素的模糊函数,在超短期负荷预测过程中采用了聚类分析法提取负荷相似日。通过不同的简化,该方法可蜕化为传统的Kalman预测、相似日预测和神经网络预测,是一种比较全面的负荷预测方法,可得出高精度的预测结果。     

风电高渗透电网等效惯量概率预测方法

在虚拟惯量控制技术的驱动下,风电高渗透电网包含不同形式惯量资源,系统等效惯量呈现复杂的非线性时变波动特征。为更好地诠释系统等效惯量的不确定性,提出了一种考虑风机虚拟惯量的系统等效惯量概率预测方法。首先利用数据驱动方法构建系统等效惯量的点预测模型,预判等效惯量的变化趋势;然后采用非参数核密度估计建立各时段预测误差概率密度函数,得到一定置信水平下待预测时刻系统等效惯量可能发生波动的区间范围。基于改进的IEEE RTS-79系统进行算例分析,结果表明所提方法与传统参数估计方法相比可靠性更高,能够为新型电力系统在低惯量场景下运行方式安排提供有益的辅助决策信息。     

基于免疫优化的电力系统电压安全非线性预测控制

提出了一种基于免疫优化的非线性预测控制方法来求解电力系统电压安全控制问题。采用基于非线性微分代数方程的电力系统模型来预测系统行为。提出一种目标分段协调方法,以便在不同的预测时段根据系统响应情况调整各子目标的重要性,通过Pareto意义下的目标加权将这些子目标集成为一个集总目标函数。提出一种免疫算法,用具有多基因链结构的抗体来表达复杂优化问题的候选解特征;采用模式识别技术提取优良抗体的基因模式,并利用算法的学习和记忆能力识别各预测时段内已求解的优化问题类型,为未来预测时段内的最优解搜索过程估计出较好的初始解,加快最优解搜索速度。将此方法和基于树搜索算法的非线性预测控制方法通过一个6母线电力系统实例进行了仿真研究,性能比较的结果表明,本文提出的算法具有更强的优化搜索能力和更好的实时性。     

基于气象测量场的爬坡时段区域风功率预测

随着大规模风电接入电网,风电爬坡事件的风险不断增大,提高爬坡时段风功率预测精度对电网安全经济运行具有重要作用。提出了一种基于气象测量场的爬坡时段区域风功率预测方法。考虑爬坡时段风速场的动态变化,利用经验正交函数分解,将风速资料阵分解成不同空间模态和主分量,通过多元非线性逐步回归方法建立风速场主分量和区域风功率间的映射关系。考虑风速预测误差,采用区间正交函数分解,将上述模型扩展为处理非确定性数据的预测方法。实际区域风功率预测结果表明,所提出的方法能够显著提高风电爬坡时段风功率预测的精度,对存在风速预测误差的情况具有较强的鲁棒性。     

分时段短期电价预测

分时段电价序列比顺序电价序列的变化特征更单一，有利于电价的分析建模，从而提高预测精度，因此采用各时段电价分别预测的分时段预测方法。该文将相关系数作为选取电价影响因素的标准，考虑了历史电价、负荷、负荷率等影响电价的因素。以小波分析和神经网络作为工具，对不同输入因素和不同预测方法下的电价预测精度进行了研究，并重点比较了基于分时段电价序列的预测方法和基于顺序电价序列的预测方法。算例采用美国新英格兰电力市场历史数据，对其2002年第4季度的电价进行了连续预测。与基于顺序电价序列的预测方法相比，分时段短期电价预测方法能够使平均相对百分比误差下降约3个百分点。     

基于AMI量测信息的变压器参数辨识方法

针对配电网变压器参数辨识的难题,本文提出基于高级量测体系(AMI)量测信息的配电变压器参数辨识方法。该方法首先基于AMI提供的多时段量测数据,建立关于双绕组变压器参数的非线性方程组,并采用最小二乘法对其进行求解;然后以各时段的变压器参数估计值为样本,采用随机样本的方差系数判据对样本中误差较大的参数估计值进行剔除,获得变压器参数新样本空间;最后基于新样本空间计算变压器参数的均值,并将其均值作为最终的参数估计值,进而实现变压器参数的辨识。算例证明了本文方法的可行性与有效性。     

基于状态的电网设备故障概率非线性回归分析

针对EA经验公式在分析电网设备状态与故障概率相互关系中存在的偏差,基于非线性回归分析原理,利用电网设备状态及其故障概率的历史统计数据,提出EA经验公式的修正方法。通过跟踪收集深圳电网110kV电力电缆在2010-2011年期间状态评价结果和故障情况的数据,采用SPSS统计分析方法,进行样本参数估计,拟合出电网设备运行状态与其故障概率的关系曲线,并采用非线性回归相关比对修正函数进行校验。     

基于时序分析的神经网络短期负荷预测模型研究

在负荷预测中，历史负荷数据产生的复杂性和许多不确定因素影响的随机性，使观测到的数据既包含线性部分，又包含许多非线性部分，因此所建立的预测模型就必须综合考虑这2方面的因素。目前常用的预测技术很少能综合考虑这两方面的因素．预测精度选不到要求。本文提出了一种时序分析和神经网络结合的预测方法。由于时序模型中不同阶数的自回归移动平均适合线性预测，可利用自回归移动平均模型(ARMA)处理历史负荷数据中的线性部分；而神经网络模型适合非线性预测，可利用人工神经网络(ANN)模型处理历史负荷数据的非线性部分：这样所建立的模型有机地结合了历史负荷中的线性因素和非线性因素．利用不同模型的优势来处理数据的不同部分，使得预测结果更为准确。实证证明。ARMA-ANN组合预测能提高负荷预测的精度。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。