基于深度长短期记忆神经网络的短期负荷预测

传统的短期电力负荷预测模型难以处理大数据量,并且具有强随机性,预测精度难以满足智能电网发展的要求。为此,提出一种基于深度长短期记忆(deep long short-term memory,DLSTM)神经网络的数据驱动型短期负荷预测方法。使用该方法对某地区电力负荷进行预测,并将预测结果与传统方法的预测结果进行对比分析。对比结果表明,所提出的方法充分考虑了电力负荷的时序性和非线性,能深入挖掘电力用户侧数据特征,对电力负荷的短期预测性能优于传统方法,满足智能电网对短期电力负荷预测的高精度要求。     

考虑大用户报装的新兴区域负荷预测研究与应用

负荷预测是电网节能经济调度的基础,而有效的大用户负荷预测是提高整个电网负荷预测准确率的关键因素。以典型的新兴区域远景负荷预测为例,综合对比常规负荷预测结果及部分大用户报装容量之间的数据差异,通过对预计新增大用户负荷进行统计分析并进行负荷预测校验修正,从而制定大用户供电策略,不仅提高了地区负荷预测的精度,还对电网规划、安全经济运行等提供了有力支撑。     

数据处理组合方法在电力负荷预测中的应用

在介绍数据处理组合方法GMDH基本原理及算法的基础上,将其用于电力负荷时间序列数据预测,并通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可以得到满意的预测结果。     

考虑新用户负荷发展的中短期负荷预测方法

区分新接电用户与老用户负荷增长的不同规律,使中短期负荷预测更符合实际.介绍了考虑新接电用户负荷发展的中短期负荷预测方法的基本思路,数学模型及负荷预测表达式,新接电用户需用系数计算方法.通过地区中短期负荷预测实例的结果分析,建议了准确度最高的负荷预测公式,并证明该预测方法较原有的方法明显提高了负荷预测的精确程度.     

开放售电环境下用户短期负荷预测方法

开放售电环境下用户负荷预测精度将直接影响售电公司的利益和电力系统的稳定性。提出了一种开放售电环境下的用户短期负荷预测方法,首先根据用户历史负荷数据计算用户的典型日(工作日,节假日)负荷曲线;然后,利用Kohonen神经网络挖掘用户用电行为之间的相似性,对用户用电负荷进行聚类,将用电行为相似的用户划分到同一个聚类中;最后在考虑电价和温度等影响因素下,利用在线顺序极限学习机(OS-ELM)负荷预测模型对已经聚类的用户分别进行负荷预测,并对负荷预测结果求和得到系统负荷。为了验证提出方法的可行性,采用某地区的智能电表数据进行试验,试验结果表明,该方法能够深入挖掘用户的用电行为,揭示了用户聚类数目与系统负荷预测精度的关系,能很好地满足系统短期负荷预测的精度要求。     

基于小波去噪和决策树的个性化大用户负荷预测

把握用户的用电规律并对用户未来的用电进行精准的预测对于开展需求响应、提高电网运行效率等具有重要意义。首先对大用户负荷特性进行了分析,指出大用户负荷具有量大面广、个性不一、近大远小、波动显著以及周期失灵等特性。然后针对这些特性,提出了一种基于小波去噪和决策树的个性化模式挖掘预测方法,能够挖掘大用户历史负荷数据进行模式提取,对不同用电模式的大用户分别进行个性化负荷预测。对某省50个典型大用户的算例分析结果表明该方法的准确性较其他常用预测方法更高。     

利用卷积神经网络支持向量回归机的地区负荷聚类集成预测

为提高地区负荷预测的运算效率和预测精度,提出了一种基于卷积神经网络支持向量回归机的地区负荷聚类集成预测方法。首先,通过聚类模型对地区内大量用户的真实负荷数据进行分组并分析了不同聚类模型的效果。其次,使用得到的聚类分组标签将用户数据分组集成并构建训练数据。然后,基于改进的卷积神经网络构建了卷积神经网络支持向量回归机模型。最后,分组进行负荷预测并将预测结果求和得到地区最终预测月负荷,并与卷积神经网络模型、长短期记忆神经网络模型、决策树模型、支持向量回归机模型进行对比。文中使用扬中市高新区的负荷数据作为算例进行分析,结果表明文中所提方法相较于现有算法具有更高的负荷预测精度和运算效率。     

面向电力需求侧响应的用电负荷聚类策略研究

地市供电公司通过归类分析进而准确、快速、有效地发掘用户侧需求响应潜力是缓解高峰时期供电压力和保障电网安全运行的重要举措。因此,构建了基于客户用电负荷大数据的清洗、插值、归一化预处理流程,确立了区分用户生产班制的负荷数据判别方法,建立了匹配用户典型用电负荷曲线的模糊C均值聚类算法模型,用以描述单个用户负荷曲线与地区负荷曲线的近似度,并运用戴维森堡丁指数(DBI)作为聚类结果判据,最后通过对华东某地市用户负荷曲线的需求响应潜力分类算例证明了该归集策略的有效性。     

基于小波包分解与最小二乘支持向量机的用户侧净负荷预测

随着分布式可再生能源在用户侧逐步接入,电表监测得到的用户净负荷曲线形态相对于原有实际负荷曲线更加不稳定,因而极大降低了用户的净负荷预测精度。针对此问题,提出基于小波包分解(wavelet packet decomposition,WPD)与最小二乘支持向量机(least squares support vector machine,LSSVM)的用户侧净负荷预测方法,通过对用户净负荷时序数据作小波包分解,得到信号特征更为明显的高频分量与低频趋势部分,筛选剔除波动性大、噪声信号多的高频细节分量。同时考虑气象因素,利用最小二乘支持向量机对小样本非线性信号的训练效率高、泛化能力强的特点,采用其模型对其余包含更多有效负荷数据信息的低频分量分别进行预测重构,叠加得到最终的净负荷预测值。通过对可再生能源高度渗透的某地区用户实际净负荷数据进行实例分析,结果表明所提预测方法在此物理场景下相比于传统预测方法有更高的预测精度。     

分时电价下大用户概率响应建模研究

在大用户响应电价特性的基础上,提出了基于用电特性的大用户负荷聚类方法。将大用户的需求响应模型分成负荷基准分量部分和负荷响应分量部分,利用多变量时间序列重构的短期负荷预测方法得到用户的负荷基准分量,在需求价格理论的基础上利用响应实际数据获得单体大用户响应分时电价的负荷概率模型。利用matlab对南京地区实际数据进行仿真模拟,算例表明,该模型能够很好的反映大用户的响应分时电价的情形,为分时电价的制定策略提供科学依据。     

基于聚类分析的配电网小区负荷预测

通过引入聚类分析,对样本数据聚类,利用聚类后的结果预测小区负荷密度,并且提出了2种修正小区负荷密度的方法,有效减小了预测误差。与传统负荷密度法相比较,该方法不仅提高了预测精度,精简了优化配电网建设的资金,而且计算简单,通过算例表明其工程实用效果较好。     

基于负荷控制潜力量化模型的工业用户群体画像方法

在中国新一轮电力体制改革背景下,研究工业用户负荷参与负荷控制的潜力,对于促进电网安全稳定运行有着积极的作用.以工业用户负荷数据为基础,充分提取用户在不同时间量度下的用电特征,从错时潜力、轮休潜力和避峰潜力3个方面构建多时间尺度负荷控制潜力指标体系.进而将信息熵和逼近理想解排序法相结合,构建负荷控制潜力量化模型,实现了对负荷控制潜力价值的衡量.并且,利用近邻传播算法分析量化模型结果,将用户按照潜力量化值聚类,实现了对不同用户特征群的划分.最后,基于某地区的实际工业用户负荷数据进行算例分析,实现了对工业用户群体负荷控制潜力画像结果的呈现.     

基于Softmax概率分类器的数据驱动空间负荷预测

提出了一种数据驱动空间负荷预测方法。将网格化体系下的功能地块作为空间负荷预测的基本单元,并且通过多维指标体系进行属性描述。基于大量调研数据,通过数据挖掘方法对不同类型地块的空间负荷密度分布规律和负荷曲线典型形态进行提取。建立Softmax多元概率分类模型对未知地块的负荷水平类型进行匹配。自下而上对相邻地块负荷预测结果进行时域叠加,得到更大区域的预测信息,包括其负荷量和预测负荷曲线。算例仿真结果表明提出的空间负荷预测方法在预测精度上有一定提升。     

峰谷分时电价用户响应模型参数的最小二乘估计

基于最小二乘法,以TOU实施后的实测负荷与拟合负荷之差(简称残差)的平方和最小为目标函数,运用优化函数,对基于负荷转移率的用户响应模型参数进行估计,并通过实例对估计效果进行仿真研究.仿真结果表明,运用该方法所得到的拟合负荷非常接近实测负荷,为实施方准确掌握用户响应行为、制定合理的定价策略提供科学的依据.     

峰谷分时电价下的用户响应行为研究

在基于消费者心理学原理建立的峰谷分时电价下用户响应模型的基础上,根据峰谷分时电价制定过程需要,准确把握用户响应特性的需求,基于加权最小二乘法建立了用户响应度曲线的参数辨识模型;提出了用户真实响应度曲线的获取是一个利用历史数据反复修正的过程,并解决了分段线性的响应度曲线的拐点处理问题;然后针对峰谷电价不同实施情况的用户,制定了峰谷分时电价下用户响应行为的实时仿真流程,并用实例说明了上述模型的有效性和优越性     

Local characterization‐based load shape factor definition for electricity customer classification

Normally, electricity customer classification is based on the uncertain customer information found in the customer information system, such as customer type, contract type, and so on. Now that automatic meter‐reading (AMR) system is becoming common, customer classification and load profiling can be done by using actual consumption data. Different consumption behaviors are represented as different geometrical patterns in the actual consumption data. Based on this fact, in our study, a local characterization‐based method is used to define load shape factors from actual consumption data by detecting the local geometrical patterns of load diagrams. These load shape factors are evaluated during customer classification, and they are proved to be better than actual consumption data for customer classification. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于态势感知的电网停电用户敏感度及投诉预测

在电网停电用户敏感度及投诉预测中,由于预测结果不准确影响了电网公司的精准化服务,因而设计一种基于态势感知的电网停电用户敏感度及投诉预测方法。通过SAS软件中的Enterprise Miner workstation模块和Enterprise Guide模块采集电网停电用户敏感度及投诉相关数据,具体包括停电敏感用户标签数据、故障处理数据、停电事件数据、客户通话数据、95598工单数据。对挖掘数据实施缺失数据处理、异常数据处理以及告警误报漏报数据处理等预处理。基于态势感知技术与随机森林算法构建电网停电用户敏感度及投诉预测模型,实现用户对于停电的敏感度及投诉预测。利用该方法对某地区电网实施用户关于停电的敏感度及投诉预测,测试该方法的预测性能。测试结果表明该方法有着高于90%的查准率、查全率,F测度数据值较高,AUC面积较大,数据灵敏度始终大于97%,说明设计方法有着优越的电网停电用户敏感度及投诉预测性能。     

Using AMR data for load estimation for distribution system analysis

With the development of distribution automation (DA) and other advanced applications in distribution systems, the real-time monitoring and control of distribution systems becomes possible. Now there are only a limited number of real-time measurements on the distribution systems. The load monitoring and estimation of customers can be an important source of information used by the distribution analysis applications. In recent years, an increasing number of automated meter reading (AMR) systems have been installed. AMR can provide customer consumption information and other data such as confirmations for outages and restoration. In this paper, a load estimation algorithm is discussed. The proposed algorithm makes use of the above information that AMR provides as its input. It also incorporates time series forecasting method and the use of the customer load curves to improve the accuracy of individual customer real-time load estimates. This method with the use of AMR data has excellent load estimation results. This method demonstrates how AMR data can be used for other functions besides billing.     

Challenges of supplying electric power to a large industrialcustomer in rural areas

As the economy in rural areas changes, many local leaders are attracting new large industrial clients into the area. When a large industrial business does locate in a service area, the rural electric cooperative is faced with many issues: the impact of the new load on existing system infrastructures; the potential issue of power quality on its system; and its impact on its customers. This requires that, before a large industrial customer is added, careful studies are made regarding rates, interconnection guidelines, and protection issues. The new customer may require state-of-the-art relay devices and fast-track-type installations to meet startup demands. The complexity of the new systems and fast-track construction may require the cooperative to augment its staff with added expertise. This paper discusses these challenges of supplying electric power to a large industrial customer in rural areas     

基于非侵入式负荷辨识的聚合负荷需求响应能力在线评估

用户侧负荷资源数量众多、容量不均,分布零散,响应潜力强,具备参与电网调节的能力。基于负荷工作时功率、电流等特征差异,建立负荷特征指纹库,提出面向居民电器的非侵入式负荷辨识方法,实现居民用能的在线分解。基于同类电器特征相似的特点,在同一台区下,提出由下至上的台区负荷需求响应能力在线聚合监测方法,实现台区负荷资源参与需求响应能力的评估。在通过REDD数据集和某台区拓扑的测试,表明该方法对居民负荷具有较好的辨识度,对台区负荷资源需求响应能力很好地监测,为未来负荷侧泛在资源的整合及协调利用提供了方式和途径。#$NL关键词：非侵入式; 负荷辨识; 需求响应; 聚合监测#$NL中图分类号：TM73