大规模新能源电力安全高效利用基础问题

规模化新能源电力的安全高效利用是智能电网建设的核心内容与基本目标。分析了规模化开发利用新能源对电力系统的影响,提出了新能源电力系统的概念与基本特征;分析了当前新能源电力系统面临的重大现实与瓶颈问题;进一步给出了基于电源响应、电网响应和负荷响应的整体解决方案;并在此基础上提炼了中国新能源电力系统亟待解决的3个基础问题,即新能源电力系统时空多尺度动力学特性及建模理论、新能源电力系统多元互补机制及协同调控理论方法、新能源电力设备与系统故障演化机制及安全防御策略。     

智能电网条件下的两阶段电力需求预测模型研究

智能电网因其具有与传统电网不同的特征,复杂化了电力需求的预测过程,传统的电力需求预测方法已不再适用。考虑到智能电网下电网与用户的“友好互动”和实时电价的实施,建立了两阶段的电力需求预测模型。第一阶段是不考虑电价的变化预测典型日负荷需求;第二阶段是在第一阶段的基础上考虑每时刻电价变化所带来的负荷转移,修正第一阶段的预测结果。算例研究表明,该模型能较好地反应出实时电价下用户的需求响应及需求响应所带来的负荷转移。     

智能电网条件下的两阶段电力需求预测模型研究

智能电网因其具有与传统电网不同的特征,复杂化了电力需求的预测过程,传统的电力需求预测方法已不再适用.考虑到智能电网下电网与用户的"友好互动"和实时电价的实施,建立了两阶段的电力需求预测模型.第一阶段是不考虑电价的变化预测典型日负荷需求;第二阶段是在第一阶段的基础上考虑每时刻电价变化所带来的负荷转移,修正第一阶段的预测结果.算例研究表明,该模型能较好地反应出实时电价下用户的需求响应及需求响应所带来的负荷转移.     

基于深度学习的智能电网电力负荷精准预测方法研究

针对因电力系统中短期电力负荷预测不准确,导致智能电网无法有效协调电能生产、运输、分配的问题,为降低因过载或低负荷所造成的资源浪费,减少不必要的二氧化碳排放,本文提出了一种新的深度学习方法来解决此类电网短时电力负荷可靠预测问题。该方法利用卷积神经网络建立能量预测计算模型,利用CNN自适应数据特征挖掘特性、量化电力不确定性,利用丢弃正则化对深度网络结构进行优化,采用深度森林对所提取的数据特征进行学习并建立预测模型,以实现对电力负荷的准确预测,解决电力随机波动造成的现有预测方法精度下降问题。经过基于实际负载数据验证,在电力负荷不确定波动情况下,该方法能准确预测电力负荷,且精度比目前较为流行的方法高,有望成为解决智能电网核心问题的重要技术支撑。     

智能电网环境下的需求侧行为的研究

传统的电力系统由于引入了智能技术以及采用更先进的通信技术,使得目前的电网正逐步的向智能化迈进,未来智能高效的电网将和现有的电网有着本质的区别,本文讨论了智能电网的引入对需求侧行为的影响。研究了在智能电网环境下不同类型的用户对于现货电价和需求价格弹性的反应。智能电网技术可以让任何需求量的用户都积极的参与到电力市场中,提高了完全竞争市场的效率。本文还介绍了智能电网环境下需求侧响应在电力市场中的应用,例如短期负荷预测、短期价格预测等。并且讨论表明,引入智能电网提高了市场的效率,并能让用户侧受益。     

电力系统负荷电量预测的研究

<正>首先分析了电力系统负荷电量预测含义、分类及意义,然后对电力系统负荷电量按周期长短预测的方法进行了理论推导和研究。电力系统负荷电量预测是电力系统负荷预测的重要组成部分,主要用于选择适当的机组类型、合理的电源结构和确定燃料计划等。电力负荷电量预测如果偏低会引起电网容量不足,供电质量降低;电力负荷电量预测偏高将导致发输变电设备利用率不足,造成投资的浪费,降低电力系统的经济效益。电能的生产和消费同时进行这一特性决定了电力负荷预测在电力系统运行、调     

智能电网下需求响应与可中断负荷研究

智能电网极大地促进了电力市场的发展,为用户参与电网运行提供了技术支持,增强了用电弹性。分析了智能电网对电力市场的影响及需求响应在智能电网下的表现形式。重点研究一种实用的需求响应——可中断负荷,提出基于失负荷价值的补偿方法,并展望可中断负荷的发展方向。最后,结合我国电力市场现状,提出了开展IL的建议和设想。     

“电力需求响应理论方法与技术”专题征稿启事

需求响应是智能电网的重要组成部分,是输电系统和电能批发市场可靠、经济运行的重要因素。我国电力系统峰谷差持续居高不下,突破起源于市场经济的需求响应理论方法及运行机制,降低电力系统峰谷差,提高电力系统的可靠性和运行效率,具有重要意义。随着输配电网及用户间的功率、能量流的双向流动,以及大规模可再生能源发电和分布式发电接入电网,需求响应可增强电力负荷响应的灵活性及电网与用户间的互动性,作为一种资源需要进一步研究和开发。     

“电力需求响应理论方法与技术”专题征稿启事

需求响应是智能电网的重要组成部分,是输电系统和电能批发市场可靠、经济运行的重要因素。我国电力系统峰谷差持续居高不下,突破起源于市场经济的需求响应理论方法及运行机制,降低电力系统峰谷差,提高电力系统的可靠性和运行效率,具有重要意义。随着输配电网及用户间的功率、能量流的双向流动,以及大规模可再生能源发电和分布式发电接入电网,需求响应可增强电力负荷响应的灵活性及电网与用户间的互动性,作为一种资源需要进一步研究和开发。     

“电力需求响应理论方法与技术”专题征稿启事

需求响应是智能电网的重要组成部分,是输电系统和电能批发市场可靠、经济运行的重要因素。我国电力系统峰谷差持续居高不下,突破起源于市场经济的需求响应理论方法及运行机制,降低电力系统峰谷差,提高电力系统的可靠性和运行效率,具有重要意义。随着输配电网及用户间的功率、能量流的双向流动,以及大规模可再生能源发电和分布式发电接入电网,需求响应可增强电力负荷响应的灵活性及电网与用户间的互动性,作为一种资源需要进一步研究和开发。     

基于深度学习的智能型负荷预测方法的研究

基于深度学习框架,提出了一种精确高效的智能型负荷预测方法。首先,梳理了影响负荷预测精度的因素;然后,引入核范数聚类算法对负荷样本进行聚类处理;最后,基于GRU神经元搭建Seq2Seq技术框架。以某区域实际的历史负荷数据为基础,对所提方法进行了验证。实验表明,所提的智能型负荷预测方法考虑了多种影响负荷变化的因素,适应性强,能够显著地提升负荷预测的准确率。     

智能电网下基于负荷识别的居民电动汽车需求响应特性建模方法研究

当前智能电网技术的发展对系统负荷响应特性的建模工作提出了更高的要求,特别是大规模电动汽车并网后针对居民充电行为的需求响应特性应该得到进一步研究。基于非侵入式负荷监测技术,本文分析了电动汽车实际充电功率特点,提出一种在居民家庭日负荷曲线中识别充电负荷的方法,并将此识别结果作为需求侧响应特性建模的数据基础;针对充电负荷与环境温度、日类型的相关性,本研究将相似日短期负荷预测算法引入到负荷转移率计算过程中,减小因日负荷波动带来的计算误差,并采用优化算法进行参数辨识,进而建立更为准确的分时电价下电动汽车充电负荷响应特性模型。最后仿真验证了该建模方法的有效性和优越性。     

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。     

基于综合能源计量大数据的中长期用电量预测

用电量预测对智能电网的管理和安全有重要意义。传统方法一般基于历史用电数据本身,而“多表融合”的推广使得多表数据的分析更为便捷。针对用电量预测场景,利用集成智能表采集的水、电、气数据,将用水量与用气量作为特征,提出结合多表数据的中长期用电量预测模型：高斯过程回归（Gaussian process regression,GPR）与相关向量回归（relevance vector regression,RVR）。通过实验结果仿真,验证了所提模型的优势以及综合能源计量数据对用电量预测问题的重要价值。     

深度学习在智能电网中的应用现状分析与展望

深度学习是机器学习研究中的一个新领域,其强大的数据分析、预测、分类能力契合智能电网中大数据应用的需求。文中首先总结了深度学习基本思想,介绍深度学习的5种模型(生成式对抗网络、递归神经网络、卷积神经网络、堆叠自动编码器和深度信念网络)的结构、基本原理、训练方法,概括其应用特征。综述了电力系统中的故障诊断、暂态稳定性分析、负荷及新能源功率预测、运行调控等应用深度学习技术的研究现状。针对深度学习的技术特点,结合电力系统各生产环节,构建深度学习技术在电力系统中的应用框架。最后,从多能源系统运行调控、电力电子化系统安全分析、柔性设备故障诊断、电力信息物理系统的安全防护等方面对深度学习应用进行展望。     

多元数据融合的智能配电网负荷分析预测管理系统

针对多元大数据在智能配电网中的应用问题,为实现配电网的精益管理、科学预测和合理规划,文章开发了多元数据融合的智能配电网负荷分析预测管理系统。对软件系统的总体框架进行了设计;对软件系统的各功能模块进行开发和介绍;给出了软件系统的一个应用实例。该系统充分利用海量的历史负荷数据进行负荷特性分析,建立负荷特征库以及业扩信息库,通过对新接入用户进行信息匹配实现负荷管理及最大负荷预测。此外,该系统建立负荷预测方法模型库,可提供不同维度的负荷预测功能,从传统的地区负荷预测转变为馈线负荷预测,结合馈线现状以及业扩信息优化用户接入决策。总的来说,该系统具有功能模块数据链路互通、不同功能之间能提供信息支持、整体采用模块化设计思想等特点,可满足电网企业的日常应用需求。     

基于改进深度强化学习的智能微电网群控制优化方法

针对微电网群控制的经济效益、负荷波动以及碳排放问题,提出一种基于改进深度强化学习的智能微电网群运行优化方法。首先,计及分布式电源、电动汽车及负荷特性,提出微电网的系统模型。然后,针对微电网群的运行特点,提出4个系统优化目标和5个约束条件,并且引入分时电价机制调控负荷运行。最后,利用改进深度强化学习算法对微电网群进行优化,合理调控多种能源协同出力,调整负荷状态,实现电网经济运行。仿真结果表明了所提方法的有效性,与其他方法相比,其收益较高且碳排放量较小,可实现系统的经济环保运行。     

Clustering based day-ahead and hour-ahead bus load forecasting models

The importance of Short-Term Load Forecasting (STLF) in power systems planning and management is reflected by the plethora of the related researches. STFL is a popular technical field in the power systems community and already counts many years of research activities and applications. The vast majority of the studies focus at the aggregated system load. Little attention is placed at small size loads, i.e. in buses of the transmission and distribution systems. Since there is a continuous advancement of smart grids technologies involving small size loads, bus STLF is a potentially important tool in smart grid applications. In contrast to system load, bus load presents a high level of stochasticity. Thus a robust forecaster should be able to capture and simulate the attributes of bus loads. The scope of the study is to develop bus forecasting models for day-ahead and hour-ahead load predictions. The models are based on Artificial Neural Networks (ANNs). Using a clustering methodology, the forecasting accuracy of the ANNs is enhanced leading to the formulation of hybrid forecasting models that are characterized by high level of parameterization and efficiency. The developed models are tested on a set of buses covering urban, sub-urban and industrial loads.     

基于SAE-ELM的电动汽车充电站负荷预测模型

电动汽车(electric vehicle,EV)用户充电行为在时间和空间上的随机性增加了EV充电站负荷预测的难度,为此以提高负荷预测的准确度为目的,通过改进深度学习中的栈式自编码器提出栈式自编码器-极限学习机(SAE-ELM)的混合模型,并深入研究EV与电网的交互模式;综合考虑影响充电站负荷量的关键因素,如历史负荷、环境、日类型等,对某地充电站进行短期负荷预测并验证;最后与SAE-BP、ELM算法做对比实验,实验结果表明SAE-ELM对充电站的短期负荷预测更加有效准确,更有利于电网稳定运行。     

智能电网用户端环境下短期负荷预测方法的研究

智能电网用户端环境下的用电模式有其自身的特点。结合该特点对成熟的神经元网络负荷预测方法进行改进,着重优化预测的输入部分,形成一套适合智能电网用户端环境下短期负荷预测方法。算例结果表明,该方案有助于预测准确率的提高。