基于物元模型的电力系统中长期负荷预测

在综合考虑电力负荷预测及物元理论特点的基础上,将两者结合,提出了一种基于物元理论(可拓工程学)的中长期负荷预测方法,对物元理论在电力系统中的实际运用进行了探讨.方法首先运用逐步回归与层次分析技术确定各种因素对电力负荷的影响权重,然后利用物元理论对选中的各影响因素与电力负荷及其增长率建立物元模型,再根据系统聚类分析的方法对电力负荷及其相关环境因素的历史样本进行归纳分类,最后采用合适的物元关联函数及灰色关联函数结合未来环境因素状态对未来负荷变化模式进行识别,从而预测出电力负荷的未来值.并以我国某地区的中期负荷预测为例,说明了其有效性.     

基于改进关联分析的行业短期电力负荷预测

行业短期电力负荷的准确预测对于地区电网的安全经济运行具有重要意义。为此，提出一种基于关联分析和卷积神经网络的行业短期电力负荷预测模型。首先，对k-means聚类算法进行优化，并对行业负荷和外部影响因素的原始数据进行聚类处理，以改善后续关联分析的准确性；然后，提出一种基于标准互信息的改进关联分析方法，对各种外部影响因素和行业负荷的关联性进行定量分析；最后，基于卷积神经网络设计一种计及外部影响因素关联性的负荷预测网络，网络在经过训练后可用于行业短期电力负荷的预测。对照实验结果表明，所提模型在各行业的短期电力负荷预测中都具有更好的准确性和稳定性。     

基于数据挖掘技术的中长期负荷预测方法

电力负荷预测能对电网的合理规划起到指导和决策作用.本文使用数据挖掘技术对南通地区进行中长期负荷预测,首先通过聚类分析对南通地区所有馈线数据进行分类,并运用相关性分析和灰色关联分析定量地分析外界因素对负荷变化的影响程度;其次使用影响性强的因素作为神经网络的输入,建立基于聚类的径向基(RBF)神经网络模型,得到负荷预测结果;最后与不考虑聚类仅使用RBF神经网络的预测模型进行对比,实验结果表明,基于聚类的RBF神经网络模型更先进,显著提高了负荷预测精度,达到了保障供电可靠性的目的.     

基于改进灰色关联度的电力负荷影响因素量化分析模型EI北大核心CSCD

当前我国电力负荷发展面临经济新常态,产业结构调整、节能减排等政策深入推进新形势。在此背景下,提出一种基于改进灰色关联度的电力负荷影响因素量化分析模型。首先,构建了宏观与微观相结合、层次化的负荷影响因素指标体系,系统地反映新形势下经济、政策等对负荷的影响;再次,针对传统灰色关联分析模型对历史数据的差异性和未来的电力发展形势考虑不足问题,通过对历史时期和因素指标分别加权,提出一种改进的灰色关联分析模型;最后,应用所提出的模型,对影响电力负荷的因素进行量化分析,所得结果相比于传统模型更加符合实际,同时依据所得结果对负荷预测等工作提出了建议。     

基于多变量时间序列反演自记忆模型的中长期电力负荷预测

电力负荷预测的复杂性、非线性使传统的中长期预测模型难以获得精确的结果。为了提高中长期电力负荷预测准确度,构建了多变量时间序列反演自记忆模型。该模型使用灰色关联分析选取电力负荷变化主要影响因素,采用主要影响因素对电力负荷自身变化过程进行动力方程反演,并结合自记忆模型,实现对电力负荷数据的拟合与预测。在提高预测精度的同时,使预测结果最大程度地体现历史电力负荷数据的内在变化规律,提高拟合和预测的稳定性。为了验证模型的效果,使用1986—2002年某地区全社会用电量数据作为训练样本,进行拟合分析,并预测2003—2006年全社会用电量。拟合和预测的结果证明了该模型在中长期负荷预测中的有效性和可行性。     

基于模糊层次分析法的电力负荷组合预测

针对电力负荷预测特点和人判断所特有的模糊性,为提高负荷预测精度,提出了基于模糊层次分析法的电力负荷组合预测模型.此模型引入三角模糊数的一些基本理论,采用三角模糊数表征专家判断信息以充分考虑专家判断的模糊性,采用层次分析法对专家判断结果进行处理以得到方案层各方案的最优权重.该电力负荷预测层次分析模型综合考虑了影响电力负荷的多种不确定因素.实际算例表明,所述方法在综合不同模型预测结果的过程中考虑了专家经验,能有效提高负荷预测的精度.     

基于改进灰色关联度的电力负荷影响因素量化分析模型

当前我国电力负荷发展面临经济新常态,产业结构调整、节能减排等政策深入推进新形势。在此背景下,提出一种基于改进灰色关联度的电力负荷影响因素量化分析模型。首先,构建了宏观与微观相结合、层次化的负荷影响因素指标体系,系统地反映新形势下经济、政策等对负荷的影响;再次,针对传统灰色关联分析模型对历史数据的差异性和未来的电力发展形势考虑不足问题,通过对历史时期和因素指标分别加权,提出一种改进的灰色关联分析模型;最后,应用所提出的模型,对影响电力负荷的因素进行量化分析,所得结果相比于传统模型更加符合实际,同时依据所得结果对负荷预测等工作提出了建议。     

基于证据理论加权的电力负荷组合预测

为了提高电力负荷的预测准确度,提出了一种基于证据理论加权的电力负荷组合预测模型。首先分别采用自回归移动平均模型、灰色模型和BP神经网络对电力负荷进行预测,分别得到电力负荷的线性、周期性和非线性预测结果;然后采用证据理论确定自回归移动平均模型、灰色模型和BP神经网络的预测权值;最后进行加权得到电力负荷的预测结果,并将该模型应用于具体的电力负荷建模与预测中。实验结果表明,该模型可以描述各单一模型对电力负荷预测结果的贡献,更加准确地描述电力负荷的变化特点,预测准确度能够满足实际应用的要求。     

基于粗糙集理论的关联聚类中长期负荷预测法

中长期电力负荷预测是电网规划的一项重要基础工作.由于中长期尺度上的电力负荷受各种相关因素的影响较大,提高负荷预测的准确性难度很大.采用粗糙集理论对影响电力负荷的诸多相关因素的影响程度进行分析,找出影响负荷变化的主要的因素;并以这些影响因素对历史数据进行了聚类,找到与预测目标年最接近的类别来进行负荷预测.文中的算例结果说明了方法的有效性.     

基于分位数回归的电力负荷预测影响因素研究及应用

传统回归模型只对电力负荷进行均值预测,无法详细地分析在不同时期各因素对电力负荷规模影响程度的差异。针对这一问题,建立负荷预测的分位数回归模型,保留历史数据的统计信息,采用电力需求已进入稳定阶段的日本用电量数据进行仿真,定量分析了不同社会发展水平下各社会经济因素对电力需求的影响大小,得出了电力需求量与分位点选取呈正相关且存在周期波动的规律,并将这一结论应用于我国华东某城市饱和负荷预测,为电力负荷预测研究提供了一种新的方法。     

基于梯度提升树计及非线性的电力负荷影响因素分析

分析负荷影响因素对电力负荷的影响对于电网调度人员了解负荷特性,提高负荷预测准确度具有重要的意义。针对传统相关性分析方法不能考虑复杂非线性影响的问题,采用先训练负荷预测模型,再分析相关性的思路,提出基于负荷预测模型的相关性分析方法,发现两者之间的非线性相关关系。首先,利用梯度提升树(Gradient Boosting Decision Tree, GBDT)的非线性建模和特征提取能力训练负荷预测模型。然后,基于预测模型提出采用重要性衡量影响因素对负荷的非线性影响,识别重要影响因素。最后,利用负荷对影响因素的偏依赖量计算各类影响因素变化对负荷变化趋势的非线性影响。采用实际的负荷数据进行验证,并与皮尔逊相关系数法进行对比。实验结果表明该方法能够有效识别影响负荷的重要因素,并能够发现各类因素和负荷之间的非线性关系。     

基于CNN-SAEDN-Res的短期电力负荷预测方法

基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。     

Using mutual information to measure coupling in thecardiorespiratory system

Mutual information (MI) analysis represents a general method to detect linear and nonlinear statistical dependencies between time series, and it can be considered as an alternative to the well-known correlation analysis. This article shows how the concept of MI can be used to quantify the coupling between two systems, X and Y. We consider systems as coupled if there are two signals, x(t) and y(t), representing successive measurements of the systems, X and Y, respectively, such that x(t) and y(t) are statistically dependent. Roughly speaking, this means that we can learn anything on x from observations of y, and vice versa. MI represents a measure for the strength of statistical dependencies, hence it could also be used as a measure of coupling. We apply our method to the cardiorespiratory system of a newborn. Here, we find significant changes in the strength of coupling with some characteristic time scales. Typical linear and nonlinear dependencies were found to undergo changes with the sleep states of human newborns. Those changes and scales are also reflected by a correlation analysis. However, we argue that there might be simultaneously rather large correlations, and weak dependencies, quantified by the MI. This can occur because correlation is rather different from M1; correlation describes only linear dependencies, where MI takes into account both linear and nonlinear dependencies     

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.     

基于数据驱动理念的电力日负荷曲线预测方法研究

针对短期日负荷预测的精度问题,本文提出一种基于数据驱动理念的电力负荷预测方法。在建立预测模型前对所给数据采取一定的预处理:首先提取所收集的海量数据的负荷特征,对负荷特征进行分析,然后进行负荷数据与影响负荷值的因素之间的相关性分析,以此确定对负荷影响较密切的因素,随后建立分类器得到各主要影响因素与各负荷类别之间的关系为后续预测模型奠定基础。对预处理后得到的不同类型的负荷数据采用最小二乘支持向量机方法建立不同的负荷预测模型。以南方某发达城市2008年的负荷数据作为算例验证数据,将本文所提负荷预测方法所得结果与未经数据预处理的负荷预测方法所得结果进行比较,结果表明本文提出的方法得到的预测结果精度较传统方法提高约6%。     

基于动态规划的配电台区三相负荷不平衡治理方法

电力客户用电的不确定性给配电台区三相负荷不平衡治理带来了极大的挑战,泛在电力物联网是实现从源头治理配电台区三相负荷不平衡的有效技术手段。提出了一种基于负荷动态规划的配电台区三相不平衡治理方法。首先,通过HPLC户相关系识别与户表电压序列变化相关性分析获得准确的户相关系。其次,利用户表高频次负荷数据,建立用户负荷特征曲线。最后,通过对各相位下的单相户表的历史负荷数据进行关联分析,采用负荷动态规划算法得出户表相位关系调整建议。算例实际应用结果验证了该方法的调整精度优于线路负荷改接法和换相开关装置治理方法。     

电力系统低频减载的单调控制特性

新能源占比的不断提高使得频率稳定问题日渐突出,因此迫切需要研究系统的频率稳定量化评估分析方法,也需对频率安全控制的最后一道防线低频减载进行更深入的分析。将单调控制系统理论运用到低频减载分析过程中,根据单调控制系统的输入-输出判定条件,推导单机和多机系统低频减载时频率分别需要满足的保序特性量化关系。此外,分析时采用全状态模型,在保证电网规律性和解析性的同时获得更高的可扩展性,综合频率与功角、电压以及相关参数间的耦合关系。并结合灵敏度分析了电网内部变量之间的相关关系,以指导电网故障时的参数设置。最后,分析目前光伏参与调频的3种常见情况,分别说明单调控制理论的适用性,并通过算例进行验证。     

基于残差卷积神经网络的温度敏感负荷辨识方法研究

地区电网负荷特性易受环境温度影响,导致负荷辨识结果往往存在较大偏差,研究了基于残差卷积神经网络的温度敏感负荷辨识方法,有效提高负荷辨识准确率.首先,利用基准负荷比较法,构建了商业各企业基准日负荷曲线;其次,利用皮尔逊相关系数法,筛选出与温度相关性强的温度敏感负荷,同时采用多项式回归模型进一步分析温度敏感负荷与实时温度变化的规律,量化温度因素的影响程度;最后,针对温度敏感负荷,提出利用负荷与温度的多项式回归模型系数构建动态温度敏感负荷特征库,作为辨识模型的输入.将基于残差卷积神经网络的负荷辨识结果与传统卷积神经网络负荷辨识结果进行对比,前者的辨识准确率有较大提升.     

贵州统调电网典型日负荷特性分析与预测

电力负荷特性分析与预测是电力市场分析预测的重要基础,是进行电力规划、设计、生产、运行的重要依据,也是制定相关政策的重要参考。分别对贵州统调电网工作日及周末历史日负荷特性相关指标进行了统计,得出了日负荷率与日最小负荷率具有较强的正相关、日负荷率与日峰谷差率具有较强的负相关等结论。运用协同分析,对日负荷率与日最小负荷率、日负荷率与日峰谷差率之间的关系分别采用线性、二次函数、三次函数进行拟合,采用历史年正常工作日和周末负荷数据进行验证。计算结果表明,线性数学模型拟合效果最好,能够正确、合理地反应相关指标之间的关系。运用该模型对贵州中长期负荷特性进行了预测。     

基于信息论与混合聚类分析的短期负荷预测方法研究

短期负荷预测中,影响用电量的因素众多,传统方法在其中作选择时,仅考虑每个因素与负荷的相关性,不考虑因素之间也存在相关性,造成选取的因素组合中存在相关性冗余和重叠。其次,传统聚类分析中,欧氏距离不能很好的度量负荷曲线形态上的相似性。因此,首先通过欧氏距离与余弦相似度混合度量,对负荷特性曲线聚类。然后,用信息论方法在9种影响因素中选取最优的组合,考虑了影响因素相互之间的相关性。最后,将与待预测用户同类的用户的负荷及其关联因素数据作为训练样本,建立支持向量机预测模型。通过对上海某地实际样本数据的分析,证明该方法预测结果平均相对误差为1.46%,相对误差控制在1%以内的概率达到72.72%,具有较好的实用性。