基于非线性时间序列分析的电力系统负荷预测模型

对电力系统负荷的准确预测是保障电力系统稳定工作的关键技术,通过对电力系统的负荷准确预测,避免电力系统超负荷运行。电力系统中产生的负荷数据为一组非线性时间序列,由于负荷数据具有非线性耦合特征,导致准确预测难度较高。基于非线性时间序列分析方法,提出一种采用定量递归熵特征提取的电力系统负荷预测模型。对电力系统的负荷数据进行了信号模型构建,采用非线性时间序列分析方法对电力系统负荷数据进行定量递归分析,提取定量递归特征熵这一重要的非线性特征,以此为基础实现电力系统的负荷预测。实验结果表明,采用该算法能有效实现电力系统负荷的准确预测,精度较高,在电力系统控制中具有较好的应用价值。     

多输入输出多跳电力系统的负荷控制算法

在多输入输出多跳电力系统中,需要对电力传输节点进行负荷控制设计,提高电力系统的综合评估和控制能力。传统方法对电力负荷的控制方法采用多维子空间QoS预测算法,对多输入输出(MIMO)的电力传输节点的负荷预测精度不高。提出一种基于多跳节点子空间特征分解的电力系统的负荷控制算法。构建了多输入输出的电力负荷的时间序列信号模型,采用分数阶傅里叶变换对信号模型进行特征空间重构,在信号子空间中,采用高阶累积量对角切片负荷时间序列进行特征分解,在此基础上,采用多跳节点子空间特征分解对MIMO节点的电力系统负荷进行准确预测控制。仿真实验进行了性能验证,实验结果表明,采用该算法对电力系统负荷的控制品质较高,提高了对电力系统负荷的预测精度和调度能力。     

能源互联网背景下电网负荷预测设计

能源互联网的提出与发展,决定了电力系统的核心地位。作为电力系统及其自动化的重要研究方向之一,电力系统负荷预测必须符合当前能源互联网的战略布局调整。选取四川省西昌市作为电网负荷预测研究对象,采用灰色数学理论,建立了该地区电网负荷预测数学模型,并应用实例详细介绍了数学模型精度分析、预测值与实际值之间的误差分析以及未来几年内该地区的负荷预测结果。仿真分析结果表明本算法具有较好地预测精度,对该地区电网负荷规划具有一定的辅助指导作用。     

基于Kohonen聚类和SVM组合算法的电网日最大负荷预测

电力系统负荷受到气象等多种因素的共同影响,为提高电力系统短期预测的准确度,提出了一种将Kohonen聚类和SVM结合的预测算法.该方法考虑到电力系统变化周期性的特点,通过对学习样本进行聚类,选出具有相同特征的历史相似日,构造相似日训练样本并利用SVM模型进行预测.样本特征向量中同时包含了多种气象因子及节假日等因素,经过仿真实验,验证了该方法的有效性.     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关，设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度，提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法，即在利用果蝇优化算法（FOA）进入迭代寻优时，通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数，然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测，并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明， IFOA-GRNN具有较高的预测精度，能够满足电力系统短期负荷预测的要求。     

基于动态负荷预测的配电网动态状态估计方法

随着相量测量单元(PMU)在配电网中的逐步部署,配电网动态状态估计逐渐成为智能配电网中的一个重要研究课题。为改进电力系统动态状态估计算法状态预测环节,通过负荷预测模型预测电力系统运行状况;将各节点负荷作为扩展状态变量,负荷预测结果作为新增量测,建立等式约束关系;在容积卡尔曼滤波(CKF)算法框架下,提出基于动态负荷预测的配电网动态状态估计方法。与直接对状态变量做线性外推的传统状态预测方法相比,所提算法更符合配电网动态特性变化规律。在IEEE119节点配电系统上的仿真分析,证明了算法的有效性。     

非线性主成分分析和RBF神经网络的 电力系统负荷预测

电力系统负荷预测是电力系统规划与运行的重要内容,为提高负荷预测的精度,针对主成分分析法在涉及到多指标预测体系中降维作用不明显,且考虑不到指标间非线性关系的问题,采用非线性主成分分析法改进RBF神经网络输入量,该方法克服了数据之间相关性的约束,进一步降低了预测指标维数,兼顾了指标间非线性关系,保留了原始数据的足够信息,获得电力系统负荷预测的主成分,显著地减少了径向基函数神经网络的输入量,从而提高了电力系统负荷预测的精度。实例分析验证了该方法的有效性。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制相结合的短期负荷预测模型。该模型利用RBF神经网络的非线性逼近能力对预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

考虑风光荷不确定性的随机生产模拟

为研究新能源出力随机性、负荷预测误差等不确定因素的影响,该文中将蒙特卡洛模拟与解析法相结合,建立一套考虑风、光、荷不确定性的随机生产模拟模型和算法。首先对风电、光伏、负荷时序出力的预测误差进行抽样,并经计算获得净负荷曲线的累积概率和频率分布;然后通过求解机组的多状态模型和条件概率,完成相应的卷积运算,并综合运算结果计算出火电机组的生产成本和系统可靠性指标。最后算例比较分析负荷及新能源不确定性对系统技术经济指标的影响,为含新能源的电力系统随机生产模拟研究提供了参考。     

改进的人工鱼群算法在电力系统经济负荷分配中的应用

经济负荷分配是提高电力系统经济运行、减少发电成本的关键问题,针对现行优化电力系统经济负荷分配方法存在的不足,在传统人工鱼群算法基础上,引入了动态变量(可变感知距离、变尺度移动步长和随机移动的概率)和t分布概率算子,提出了一种改进的人工鱼群算法对机组有功出力进行合理分配,并利用该方法对某地3机系统进行多时段仿真。结果表明,该算法不仅优化了多台机组负荷的最优分配,且能更快更准地获取全局最优解,具有较高的使用价值。