基于小波分析和GM-ARIMA模型的月度售电量预测北大核心

月度售电量直接反映电力企业的经营效益,准确的电量预测对于电力企业合理安排购售电方案、确定融资缺口具有重要意义。鉴于各地区月度售电量时间序列不但有随时间逐渐增长的趋势,还受节假日、气温等因素的影响存在随机项,为了提高电力企业月度售电量的预测精度,采用小波分析理论将月度售电量时间序列分解为近似序列和细节序列,并通过对分解后子序列的特征进行分析,分别采用相匹配的GM(1,1)模型和ARIMA模型对子序列进行预测,然后通过序列重构得到月度售电量的预测值。经实际算例验证,该组合预测方法的平均误差率为3.7%,与神经网络等常用单一预测方法相比能明显提高预测精度,具有较强的适应能力。     

风火联合系统不同备用模式的风险调度策略研究

电侧的需求响应以及蓄电设备运行灵活,可以作为虚拟备用资源,保障含风电等间歇性新能源发电的电力系统安全。为衡量虚拟备用资源给系统经济性和环保性的影响,分别建立传统火电备用和虚拟快速备用这2种含风电并网的电力调度模型。并考虑新能源输出功率、电力市场、机组参数等不确定因素给系统优化带来的风险,将区间两阶段随机优化模型与CVaR风险规避相结合,利用区间数、概率数对系统供给侧和需求侧的不确定因素与优化函数有效结合,同时体现决策者风险偏好。算例分析表明,此混合优化算法能够对含风电并网的电力系统不同旋转备用模式进行优化,权衡系统成本与系统风险。算例结果表明充分利用蓄电池、需求响应作为虚拟备用资源能有效降低系统成本和CO2排放。     

电网投资效率测算及优化研究

将电网投资所取得经济、环境、社会效益分别作为超效率数据包络分析法的输出,电网发展中的人、财、物三方面选取其输入指标,分别计算经济、环境、社会效益的投资子效率。运用熵权法和专家法计算得到的子效率权重计算电网投资综合效率,运用斯皮尔曼等级相关系数对电网投资效率影响因素进行定量分析,找出其中的关键因素,据此制定投资效率优化措施。以某区域电网为例进行分析计算,得到了区域内各省级电网的投资效率,找出了其中的关键影响因素,从而证明了所提方法的适用性和有效性。     

基于CPS的电力供需互动技术及平台发展

为了应对能源互联网在用户末端的发展,解决智能电网在用电环节的落地问题,提出了一种满足电力供需互动的新型业务框架。利用标准的信息物理系统（CPS）建模理论,设计了基于信息物理融合的供需互动平台架构及核心节点功能。互动平台解耦了供需互动业务的传感单元、执行单元、计算单元,扩展了openADR逆向转换的信息模型。在智能电网架构模型（SGAM）框架下设计的基于CPS互动平台能够充分发挥分布式智能单元的优势,能够适应多级控制与优化需求,可有效支撑未来电力供需互动业务的灵活开展。     

基于模糊熵的电力客户满意度评价模型

针对电力客户满意度评价问题,采用三角模糊数对定性指标进行处理,又采用熵评价的方法将信息质量反映到组合权中,最终结合层次分析法确定组合权重,从而改进了传统层次分析法确定权重的方法, 为定性层次评价问题提供了新思路。     

基于因散经验模式分解的电力负荷混合预测方法

针对目前常用负荷分析方法多依赖主观经验,而经典经验模式分解有时出现混频现象的问题,提出了一种基于因散经验模式分解的电力负荷混合预测方法。首先,采用经验模式分解的改进算法——因散经验模式分解将负荷序列分解,这样可以自适应地将目标序列分解为若干个独立的内在模式,因此能够克服依赖主观经验的缺点。然后,将这些内在模式基于fine-to-coarse重构为高频、低频和趋势3个分量。在对各分量特性进行分析的基础上,分别采用支持向量机、自回归移动平均和线性回归模型对其进行预测。最后,将3个分量的预测结果叠加作为最终的预测值。利用上述方法对某电网进行24点负荷预测,结果表明该方法可以有效地提高负荷预测精度。     

基于马尔科夫过程的电力企业市场竞争预测

在经济预测的方法中,马尔科夫过程预测技术不需要连续不断的历史数据,只需要近期的资料就可以预测未来。许多经济和社会现象中的动态系统问题,都可采用马尔科夫过程来描述。因此,它的应用较为广泛。针对电力企业的自身特点,利用马尔科夫过程建立了市场占有率的马尔科夫过程预测模型,给出了模型的应用,可以为发电企业参与电力市场竞争提供必要的决策依据。     

虚拟物流企业技术框架体系的构建

虚拟物流企业是现代物流发展的一个重要方向,是一种基于 Web 技术和信息交互的动态企业联盟,它的系统平台也不同于传统的物流企业。从虚拟物流企业的作业流程出发,构建了一个适合该类联盟企业的技术框架,并提出了系统中的信息管理方案。     

中长期电力负荷组合预测

电力负荷的中长期预测是电力投资决策的关键,但由于其影响因素众多、变化较大等原因,预测精度一直是一个难点,基于神经网络的组合预测可以提高预测精度。