包含高渗透率分布式电源的母线负荷区间预测

针对包含高渗透率分布式电源的配电网母线负荷预测问题,不同于传统的点预测方法,提出了一种基于模糊信息粒化支持向量机的区间预测方法。采用支持向量机作为基本算法,在一定时间窗口内采用信息粒化的模型将历史数据进行粒化,将指定时间窗口内的数据采用支持向量机进行训练,并得到给定区间内的包含高渗透率分布式电源的配电网母线负荷区间预测结果。以某省会城市某110 kV母线负荷作为算例进行分析,结果表明,所提方法可以准确跟踪母线负荷在预测区间内的变化情况,对包含高渗透率分布式电源的母线负荷变化区间和趋势可以做较为精准的预测。     

考虑分布式电源规模化接入的区域电网日电量预测北大核心CSCD

文章结合分布式电源出力与历史负荷数据,提出了一种基于集成学习框架Adaboost,以最小二乘支持向量机为Adaboost算法基学习器的区域电网日电量预测方法。通过建立LLSVM-Adaboost预测模型对分布式电源规模化接入后的区域电网的日电量进行有效预测。Adaboost集成策略对LLSVM基学习器进行加权组合,根据每个LLSVM基学习器的预测误差计算权重,并进行基学习器权值分配和重组,大大提升了模型的泛化能力和预测精度。利用文章所提算法,使用冀北电网实际数据,针对分布式电源规模化接入的典型日电量情况验证了该算法的有效性,具有较好的预测效果。     

计及复杂气象影响的含光伏电源的母线峰值负荷预测

光伏电源并网后,配电网母线负荷波动会更复杂,峰值负荷预测更加困难。为提高母线峰值负荷预测精度,文章提出了计及复杂气象影响的母线峰值负荷预测方法。首先,根据不同气象日下累积的历史数据,通过条件互信息分析母线峰荷数据与高维气象、社会等特征间相关性,获得特征重要度排序;其次,在条件互信息降低潜在特征集合特征间冗余性基础上,针对不同气象日,以改进粒子群优化极限学习机预测精度为决策变量,开展针对性前向特征选择,确定不同最优特征子集;最后,根据最优特征子集,针对性建立不同气象日下母线峰值负荷最优预测模型。以某地区实际含高渗透率光伏电源母线负荷开展实验,证明所提方法可有效提高母线峰荷预测精度。     

考虑分布式电源接入的电网源荷时序随机波动特性概率潮流计算

鉴于分布式电源的时序随机波动特性和负荷需求侧的电能质量是分布式电源接入系统的重要影响因素,从风光典型分布式电源和负荷需求的时序波动性出发,建立了综合考虑源荷时序特性的概率潮流计算模型。利用基于模糊特征聚类的概率潮流算法对IEEE 14节点系统进行计算,对比分析负荷需求侧对系统电压波动的影响情况。结果表明,所采用方法能够全面合理地模拟分布式电源接入时电网随机波动过程。     

基于特征排序与深度学习的母线负荷预测方法

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求,母线负荷预测是解决这一问题的关键途径。文章提出了基于特征排序与深度学习的母线负荷预测模型。首先,针对各区域母线负荷差异性较大的现状,使用随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性;其次,在模型训练阶段选择了深度置信网络,学习并跟踪母线负荷变化趋势;最后,采用北京电网某条110 kV母线负荷进行实例验证。结果表明,文章所建立的预测模型具有良好的预测精度和稳定度。     

基于随机森林与长短期记忆网络的电力负荷预测方法

电力负荷具有非线性和时序性的特点,为了深入研究各特征变量对于电力负荷预测的重要性,进而获得更高的电力负荷预测精度,提出了基于随机森林(random forest,RF)算法及长短期记忆网络(long short-term memory,LSTM)的混合负荷预测模型。首先根据时间日期因素及气候因素建立高维特征数据集作为随机森林模型的输入,通过随机森林算法筛选出重要特征量,并使其与历史负荷结合作为LSTM模型的输入,经过粒子群算法对LSTM模型进行参数寻优后得到RF-LSTM混合模型及负荷预测结果。使用该方法对河北电网某台区的电力负荷进行预测,结果表明该混合模型的预测精度比未经特征变量筛选的传统单一的随机森林算法、LSTM模型以及BP神经网络更为理想。     

考虑多元协同互动效应的主动配电网多目标规划方法研究

主动配电网规划时需充分计及风、光等间歇式分布式电源的不确定因素的影响,在常规负荷预测的基础上建立了接入主动配电网的风、光等间歇性分布式电源可信出力模型,并考虑负荷需求侧响应对负荷预测结果的影响,提出了考虑源-荷-储多元协同互动效应的配电网负荷预测模型。在负荷预测结果的基础上,建立了主动配电网双层多目标规划模型,上层规划为电网优化规划问题,以年网络综合费用最小为目标;下层规划模型是在上层规划所得到网架下以典型日系统运行经济性确定储能等可控资源的有功出力。通过优化求解得到主动管理模式下配电网网架规划方案及储能的选址定容方案,最终以上海某主动配电网为例验证所提规划方法的科学性和有效性。     

基于自适应算法的含分布式电源继电保护研究

针对分布式电源的接入将影响配电网短路电流和继电保护整定等问题,提出基于自适应算法的含分布式电源配电网继电保护方法,该方法将分布式电源戴维南模型接入配电网的不同位置,对含分布式电源的配电网进行等效建模。根据仿真模型的故障分析表明:当接入点在保护装置上游或相邻母线时,整定值随着接入位置越近、容量的增加而增加;接入点在保护装置下游时,该段线路按双侧电源方式整定保护装置;故障类型会影响整定值的大小。     

远期大规模的电动汽车与分布式光伏接入配电网的负荷预测模型

文章提出了大规模的电动汽车和分布式光伏并网预测模型。该模型以千人汽车保有量法预测远期电动汽车数量,结合不同种类的汽车充电行为,建立不同车型的负荷模型。以可安装分布式光伏的屋顶面积确立装机容量,并考虑了四季和晴、雨天等因素聚合下对光伏的日出力模型的影响。用该模型对某市远期的日充电负荷和分布式光伏的日出力做出了预测,并对其接入城市配电网后的负荷影响做出了分析。     

基于电压灵敏度的分布式电源接入规划

考虑分布式电源接入对配电网运行电压和网损的影响,提出基于电压灵敏度的分布式电源规划思路。文章分析节点的负荷与电压之间变量关系,从而引入节点电压灵敏度,建立以DG为等效负荷的分布式电源接入容量模型,结合有功网损敏感度选址准则,规划出DG容量接入方案。采用IEEE33节点系统对方案进行验证,分析结果表明,网络损耗及电能质量均得到了明显改善,验证了该方案的有效性与可行性。     

有限信息下基于深度学习模型的小型分布式光伏电站功率预测

目的是解决小型分布式光伏电站在无气象站配备、无法测量气象变量(即太阳辐照度、温度、相对湿度等)的情况下,通过区域内光伏电站历史出力数据预测光伏发电的问题。基于有限信息,提出了两层的LSTM深度学习模型,对小型分布式光伏电站功率进行了预测,并对其超参数对其预测效果的影响进行了分析。此外,利用澳大利亚爱丽丝泉地区的分布式光伏电站数据来验证该模型的准确性,并与使用气象数据进行预测模型的效果进行了对比。结果表明,借助区域内光伏电站历史功率数据进行预测的效果良好,适用于无气象站情景下的光伏功率预测。     

基于H-P滤波预测技术的年用电量预测模型研究

针对电力市场预测电力负荷受众多因素影响及各类预测模型模拟预测误差较大的问题,为提高负荷预测精度,基于H-P滤波预测法将等维信息法、指数回归模型及分布滞后回归模型引入年用电量预测中,通过双层预测降低预测误差,并结合实例比较。对比结果,滤波滞后回归模型的预测综合得分高于滤波指数回归模型。     

基于ＤｓＲＮＮ 和多源气象数据的光伏发电功率短期预测

针对传统循环神经网络（RNN）长时间使用会存在梯度爆炸以及在处理长时间序列时容易忽略重要时序信息的不足,本文提出一种结合注意力机制（Attention）的双重选择循环神经网络（Double selection Recurrent Neural Network,DsRNN）,面向短期光伏发电功率预测的模型。首先,引入气象影响因子数据并根据相关性大小进行修正处理,改变原有单一输入源建立新的数据集;然后,融合注意力机制,提取光伏发电功率的时序特征,挖掘数据之间的深层联系;最终,实现对分布式光伏发电进行较有效、精准的短期功率预测。仿真结果表明：气象数据的输入以及DsRNN光伏发电功率预测模型的使用能完成较高精度的预测任务,误差更小。     

基于SOM聚类和二次分解的BiGRU超短伏功率预测

提出一种基于自组织映射网络（SOM）聚类和二次分解的双向门限循环网络（BiGRU）超短期光伏功率预测方法。首先利用SOM聚类方法将输入数据进行天气分型聚类,以应对不同天气状态对光伏功率输出特性的影响;然后采用奇异谱分析和变分模态分解相结合的二次分解方法进行原始信号分解,减少信号的波动性,降低光伏数据特征映射的复杂度;最后将分解后的信号作为输入,采用BiGRU网络进行时序信息建模,有效结合不同时刻的信号特征,进一步提升功率预测的准确率。与其他几种经典方法相比,该文方法有效提升光伏功率预测的效果。     

分布式光伏发电并网系统电压稳定性研究

鉴于分布式光伏发电并网系统的电压稳定性对现实生活有重要意义,从工程角度给出380/220V低压配电网电压失稳的实用判据,运用PSCAD软件构建了一个分布式光伏电源接入0.4kV配电网的3节点系统仿真模型,在此基础上分析了负荷增加、光照强度突降、环境温度增大以及负荷母线发生短路故障等扰动对负荷电压稳定性的影响。仿真结果表明,当负荷电压接近电压稳定限定值正常运行时,光照强度突降会使负荷母线电压失去稳定;温度变化对负荷电压的影响甚微;短路故障消除后负荷母线电压则能够快速得到恢复,不会导致电压失稳。     

基于混沌海鸥优化算法的含光伏发电系统负荷模型参数辨识

针对分布式光伏发电系统广泛接入配电网,导致电力系统潮流计算速度和精度较低的问题,提出一种基于混沌海鸥优化算法的含光伏发电系统负荷模型参数辨识模型。首先,在综合负荷模型的虚拟母线上接入等效光伏发电系统的负荷模型,从而建立配电网广义负荷模型;之后,提出一种将混沌优化与海鸥优化相结合的优化算法,基于该算法完成配电网的等值,并在此基础上进行含光伏发电的综合负荷模型参数辨识。最后,通过仿真表明该文提出的算法,相比于传统的粒子群算法和单一海鸥优化算法,在计算精度和收敛速度等方面具有优越性,并可应用于负荷模型的参数优化。     

基于Attention-GRU的短期光伏发电功率预测

针对传统长短时记忆神经网络（LSTM）参数量较多以及在处理长时间序列时容易忽略重要时序信息的不足,提出一种结合注意力机制（attention）与门控循环单元（GRU）的Attention-GRU短期光伏发电功率预测模型。首先,基于改进相似日理论建立新的数据集;然后,利用门控循环单元提取光伏发电功率的时序特征,引入注意力机制加强对时序输入中重要信息的关注;最终构建针对不同天气类型的预测模型。仿真结果表明,提出的模型与对比模型相比,预测精度更高。     

含分布式能源区域电网月最大净负荷概率预测

负荷预测在电网规划和运行中十分重要,大规模分布式能源接入电网参与能量交换,可使电网用户优化其用电模式,但造成区域电网月最大净负荷特性发生根本性改变,增加了月最大净负荷预测的不确定性。为此,结合BP神经网络算法与分位数回归模型,构建了区域电网月最大净负荷的非线性概率预测模型;并利用核密度估计算法计算得到了月最大净负荷概率预测分布曲线;最后,以上海某含分布式能源区域电网为例,验证了该方法的可行性与可靠性。结果表明,该方法可准确刻画月最大净负荷波动特性,为电网规划与负荷管理提供依据。     

基于ABC-SVM和PSO-RF的光伏微电网日发电功率组合预测方法研究

综合考虑气象因素,使用ABC-SVM方法,对历史的气象数据和光伏出力数据进行训练,依据发电量情况将气象数据分为4类;之后在4类气象情况下各选取上万条数据,使用PSO-RF模型分别训练每组数据,得到4个带不同参数的模型;最后根据每天的气象情况运行不同的模型。验证本组合方法之后发现,通过气象分类后得到的模型,可大幅提高光伏发电量预测的效果。