基于Shapley值的电力负荷预测结果溯源分析方法

针对由于机器学习的黑盒特性导致负荷预测结果不可溯源的问题,提出一种基于Shapley值的电力负荷预测结果溯源分析方法.阐述利用机器学习技术构建负荷预测模型的一般形式和基本过程;基于负荷预测模型,利用合作博弈论中的Shapley值计算各类负荷影响因素对负荷预测结果的影响;对利用梯度提升决策树算法训练的负荷预测模型的预测结果进行溯源分析.实验结果表明,利用所提方法可以洞察负荷预测过程,从而实现负荷预测结果的溯源分析以及考虑复杂非线性的负荷影响因素分析,也可以在构建负荷预测模型时指导特征选择提升模型的泛化能力.     

基于LSTM循环神经网络的短期电力负荷预测

为了保障电网安全稳定和电力市场高效运行,电网调度人员和电力市场参与者对电力负荷预测准确度提出了更高要求,分布式电源和间歇性负荷是影响负荷精准预测的关键因素。针对传统负荷预测方法无法同时对负荷本身变化规律及其影响因素进行建模的问题,提出基于长短期记忆单元(LSTM)的负荷预测方法。利用具备时序记忆功能的LSTM构建深度循环神经网络(RNN),综合考虑历史负荷和各类负荷影响因素建立负荷预测模型。该方法利用神经网络的特征提取能力和LSTM的时序记忆能力,能在更长的历史时间范围内辨识负荷内在变化规律及各类影响因素对负荷的非线性影响。基于实际负荷数据对不同历史时间窗口、不同网络架构的负荷预测性能进行验证,并与其他负荷预测算法进行比较,结果表明所提方法能有效提升负荷预测准确性。     

电网调度日志系统的设计与开发

针对华中电网调度的现状,阐述分析了电网调度日志系统的业务需求,在指出原有应用系统不足的基础上,提出了电力调度日志系统信息化的组成模块和实现方案.系统实现了自动排班、自动交接班、异常记录、自动发令等新功能,为电网的安全稳定运行提供了保障.     

基于层次分析法的火电厂运行情况量化评价方法

首先依据调度机构的火电厂综合评价指标构建原则建立了综合评价指标体系,进而通过层次分析法构建多层次的指标体系结构模型,并与专家经验相结合逐层确定指标权重,然后采用模糊评价方法建立火电厂指标和评价等级的模糊关系,形成多目标、多因素指标的量化结果,最后将指标权重和量化结果做合成运算,实现火电厂运行情况的综合评价。实际应用结果表明,文中建立的评价指标体系和采用的评价方法可以全面客观地反映火电厂运行状况,有助于提高调度机构对火电厂的运行管理水平。     

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。     

基于稳控策略规则库的电网运行分析预警系统

本文提出了一种基于稳控策略规则库的电网运行分析预警系统的设计,通过将断面和稳控策略电子化,构建稳控策略规则库。预警系统从SCADA和安稳控制系统获取断面组成及潮流等数据,并与稳控策略规则库里的线路功率极限进行比较分析计算,对区域内所有线路的越限情况严重程度进行排序并显示在人机界面上。通过将所有线路与稳控策略规则库里的相应线路的稳控策略进行匹配,在线路出现越限的紧急情况下进行报警,为调度人员提供参考以便于及时采取控制措施,是调度运行的有力辅助工具。     

基于NGBoost的可解释风电功率概率预测

为实现风电功率概率预测，分析预测结果的影响因素，提出一种基于NGBoost（自然梯度提升）算法并考虑可解释性的风电功率概率预测方法。首先，在分析风电功率特性的基础上给出风电功率概率预测模型的定义，利用NGBoost算法训练预测模型，实现考虑风电功率异方差特性的概率预测；然后，利用合作博弈论中的Shapley值对预测模型进行解释，分析气象因素对预测结果的影响；最后，采用实际风电场数据验证模型的预测性能，并与其他方法进行比较。结果表明，所提方法取得了较好的预测效果，并且能够解释预测结果，分析气象因素对预测结果的影响是一种兼具实用性和有效性的风电功率概率预测方法。     

考虑数据和模型不确定性的短期风电功率概率预测

风电功率预测结果的不确定性包括数据不确定性和模型不确定性。首先,分析了两种不确定性的来源,给出了风电功率概率预测的目标和形式;其次,将风电功率条件概率分布的参数作为神经网络输出,并利用负对数似然损失作为损失函数,实现对数据不确定性的建模;然后,将神经网络的权重由确定的变量转变为随机变量,并采用概率分布表示,实现了对模型不确定性的建模;最后,提出了考虑数据不确定性和模型不确定性的风电功率概率预测方法。基于实际风电场数据分析了不同概率分布下预测的性能,结果表明,所提方法支持概率分布、区间、出力场景3种形式概率预测;并且考虑模型不确定性后,提升了概率分布预测的性能;也验证了在异常天气条件下,所提方法能够表征预测结果的不确定性。     

基于结构化负荷模型的电力负荷概率区间预测

为了考虑电力负荷的不确定性,概率和区间预测成为电力负荷预测的重要方式之一。针对传统的负荷概率及区间预测方法没有考虑不同负荷成分的不确定性对电力负荷影响的问题,在分析电力负荷成分的基础上,基于结构化电力负荷模型提出一种电力负荷概率及区间预测方法。首先,对电力负荷的成分进行分析,针对不同负荷成分分别进行建模,构成结构化电力负荷模型;然后,基于历史负荷数据采用变分贝叶斯估计算法训练模型参数的后验概率分布;最后,基于训练完成的模型对未来负荷的概率分布进行预测,从而实现电力负荷概率区间预测。采用实际电力负荷数据进行验证,并与其他方法进行对比。实验结果表明,所提方法取得了较高的预测区间覆盖率和较窄的预测区间宽度。