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。     

基于VMD和双重注意力机制LSTM的短期光伏功率预测

提出了一种基于变分模态分解(VMD)和双重注意力机制长短期记忆(LSTM)的短期光伏功率预测方法。针对光伏功率信号的波动性和非平稳性,利用VMD将光伏功率输出分解为不同频率的分量,使用LSTM对各分量进行预测,并在LSTM基础上引入特征和时序双重注意力机制。为自主挖掘光伏功率输出与各气象特征之间的关联关系,避免传统方法依赖于专家经验关联规则阈值的限制,引入特征注意力机制实时计算各气象特征量的贡献率,并对特征权重进行修正;同时,为挖掘当前时刻光伏功率输出与历史时序信息之间的关联关系,引入时序注意力机制自主提取历史关键时刻点信息,提高长时间序列预测效果的稳定性。基于中国西南某实际光伏发电站数据进行预测实验,并与其他方法进行对比,验证了该方法的有效性。     

基于电压矢量矢端轨线的电网主动解列断面快速定位方法

随着电网运行环境的复杂性、随机性日益加剧,实现信息驱动的电网主动解列断面快速定位具有重要的现实意义。首先,针对节点电压矢量的矢端轨线,基于3种向量距离定义,构建表征向量时序变化属性的特征空间;其次,基于IEEE-9系统分析系统稳定、失稳2种场景下电压矢量矢端的轨线变化,提取失步振荡时节点电压矢量的时序演进规律,并通过两机等值系统解释其合理性;最后,提出基于轨迹距离聚类的矢端轨线相似性评估方法,依据群簇扩展及功率平衡约束在线精准定位解列断面,并通过参数自适应调节及滑动时窗实时跟踪断面的迁移情况。IEEE-39系统和实际电网算例验证了该文方法的有效性,该方法无需复杂计算、耗时短、断面连通性强,具有一定的工程实践价值。     

基于DTW-FCBF-LSTM模型的超短期风速预测

为了实时调整电网调度计划、提高电网消纳风电的能力,提出了一种基于动态时间规整(DTW)进行相似数据分析、快速相关过滤方法(FCBF)进行输入属性特征选择、以及基于长短期记忆神经网络(LSTM)的超短期风速预测方法。利用DTW方法筛选出与待预测数据相似性高的训练样本;运用FCBF算法得到优选的输入特征集;构建LSTM模型进行超短期风速预测。以风电场实测数据为算例,将文中方法与现有算法的预测精度进行了对比,验证了所提方法的有效性和先进性。     

基于FCM和LSTM的光伏功率超短期预测

光伏电站输出功率的不确定性对电网的运行调度产生了严重影响。基于模糊均值聚类(fuzzy C-means,FCM)和长短期记忆网络(long short-term memory networks,LSTM),提出了一种光伏功率超短期预测方法。首先,通过滑动时窗将历史数据划分为时序片段,将功率波动特性以时段为样本进行分析;然后,定义了3种特征指标提取波动规律,采用FCM方法进行时序片段聚类,在聚类后重构数据集,结合LSTM网络,建立光伏功率预测模型;最后,采用澳大利亚光伏电站实测数据集验证所提方案的聚类性能与预测性能。仿真结果表明,所提方法具有更高的聚类准确性和预测精确度。     

基于LSTM算法的电网仿真样本生成方法

为了提高电网仿真在线数据挖掘的泛化能力和快速判稳的准确率,提出一种基于长短期记忆网络(long short-term memory,LSTM)算法的电网仿真样本生成方法,搜集了电网仿真计算离线数据中的用户调整潮流行为数据,并进行处理。基于此数据利用LSTM算法搭建模型,并生成潮流调整策略,根据策略生成不同的运行方式数据,结合电网预想故障集和仿真计算生成电网仿真稳定样本,通过不同的样本数据,利用电网安全稳定快速判稳算法验证所提方法的可行性和有效性。     

高拱坝施工仿真参数ARIMA-LSTM时序概率预测方法

现有的高拱坝施工仿真参数更新研究多是单独进行概率预测或考虑时序特性进行点预测，难以在考虑参数的时序特征的同时对其随机性进行定量描述。针对此问题，本研究利用差分整合移动平均自回归（ARIMA）模型可进行考虑时序特征的概率预测，且长短时记忆网络（LSTM）模型可以学习参数时序复杂非线性特征的优势，提出基于ARIMA-LSTM的高拱坝施工仿真参数更新模型。该模型通过ARIMA模型进行参数时序线性部分预测，并利用LSTM模型对ARIMA模型输出的残差进行训练预测，将ARIMA模型得到的线性预测结果和LSTM模型预测得到的残差非线性结果融合，再进行95%置信区间的概率预测得到最终结果，实现高拱坝施工仿真参数在考虑参数的时序特征的同时对其随机性进行描述。通过与ARIMA、ARIMA-BP、随机森林（RF）模型进行对比，本文所提出的方法具有较高精度（MSE为0.518、MAE为0.519、RMSE为0.720），将预测得到的施工仿真参数输入到高拱坝施工系统中进行仿真计算，得到仿真结果比传统仿真精度有较大提升。     

基于VMD和贝叶斯优化LSTM的母线负荷预测方法

新型电力系统背景下,为提升母线负荷预测的精确性与稳定性,针对母线负荷噪声,提出一种考虑变分模态分解（variational mode decomposition,VMD）降噪优化和长短期记忆网络（long short-term memory,LSTM）的母线负荷预测方法。通过VMD将母线负荷分解为多个平稳的固有模态函数余项,将其分解项去除噪声后进行重组,达到降噪优化效果;对降噪后的母线负荷序列构建基于LSTM的时序预测模型,利用贝叶斯优化方法对网络初始超参数进行优化,以提高时序预测模型的精度。算例研究结果表明：利用VMD对母线负荷进行降噪优化后再进行预测,有利于预测结果更加稳定,且贝叶斯优化寻参解决了因初始参数设置不当而使预测结果精度不高的问题。该文方法可运用于母线短期负荷预测,并为电网调度运行提供了决策依据。     

基于LSTM自动编码器的电力负荷聚类建模及特性分析

电力系统负荷聚类和特性分析对电网的安全与经济调度、运行具有重要意义,是提升调度人员对电网感知能力的重要技术手段。为了解决传统负荷聚类方法需要人工设定负荷特征指标和无法考虑负荷时序特性等问题,提出了一种由长短期记忆(LSTM)自动编码器构成的负荷聚类方法。利用LSTM的时序记忆能力和自动编码器的非线性特征提取能力,实现了考虑负荷时序特性的自动特征提取和非线性降维。然后,基于提取的负荷特征采用k-means聚类算法进行电力负荷聚类分析。最后,采用实际供电区域的负荷数据进行验证,并对负荷特性进行详细的分析。结果表明所提方法与其他负荷特征提取方法相比,有较好的负荷聚类效果。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于等效负荷区间和随机生产模拟的新能源接纳能力快速计算方法

新能源大规模接入电网,对电网的调峰造成了巨大压力,并导致系统弃风率增大,因而快速准确地计算系统常规机组的最优开机容量及其对应的弃风率十分重要。基于此,提出了基于等效负荷区间和随机生产模拟的新能源接纳能力快速计算方法。首先,引入等效负荷区间和可信容量的概念来初步确定传统机组开机容量;然后,运用随机生产模拟中的时序卷积和持续卷积计算各类电源上网电量,利用时序卷积将风电出力和负荷出力及联络线功率在时间尺度上进行序贯卷积,可以准确计算出该区域新能源接纳电量,利用持续卷积可以快速计算出常规机组周期内的发电量;最后,以某省电网为例,对所提模型、算法的有效性进行了验证。该方法可应用于风电电源规划、调度中开机容量的确定、风电场弃风率的快速计算等场合。     

基于广域发电机状态信息的电力系统暂态不稳定性实时预测

基于两机群等值方法,将相平面轨迹几何特征判据推广应用于多机系统暂态不稳定性实时预测.为实现该不稳定性预测方案在可靠性和快速性的折衷,着重研究了失稳模式实时筛选和基于预测轨迹的不稳定性判别2项关键性技术.失稳模式实时筛选技术利用角度间隙作为指标选择主导模式搜索方向,并采用不稳定性条件作为搜索终止判据,从而使得搜索中所得主导模式随着轨迹发展逐渐逼近真实失稳模式;基于预测轨迹的不稳定性判别技术将只在参数时变性恶化系统稳定性时进行等值轨迹的预测,并基于该预测轨迹的几何特征判断系统是否稳定.IEEE 145节点系统和某实际电网系统的仿真计算验证了所提预测方案的有效性.     

基于长短时记忆网络的电力系统负荷预测方法研究

准确的负荷预测对保持电网的稳定性和提高当地经济效益、节约成本有重大帮助。考虑到负荷数据带有时序性,以及智能电网的发展所带来的数据量的增大,建立了长短时记忆网络(LSTM)模型来对未来用电量进行短期负荷预测。针对Adam训练算法可能存在的收敛问题,对其进行了改进,并通过MATLAB软件对LSTM网络进行建模,通过与BP神经网络进行对比,结果表明,LSTM模型具有更高的精确度以及实用性。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

电力系统暂态稳定性闭环控制（三）——基于预测响应的暂态不稳定闭环控制启动判据

尽管基于实时响应的不稳定判据可以快速启动稳定控制,但为了提高控制投入后阻止不稳定的效果、减小控制的代价,最好在必要时尽可能早地启动闭环控制。提出基于电力系统发电机实测轨迹的滚动预测未来轨迹的方法,使用预测轨迹判别暂态不稳定,并启动后续的稳定性闭环控制。IEEE 10机39节点系统和三华电网实际系统的仿真验证了该预测暂态不稳定后启动控制的准确性和快速性。     

基于支持向量机和长短期记忆网络的暂态功角稳定预测方法

为实现暂态功角稳定性及功角轨迹的预测,提出一种支持向量机(SVM)与长短期记忆(LSTM)网络相结合的预测方法。根据系统动态特性构造暂态特征变量,采用SVM训练暂态稳定性分类器,对暂态稳定进行初步评估;利用LSTM网络对分类器评估的失稳样本进行发电机功角轨迹预测,提前发现失稳机组,减少误判样本数。通过IEEE 10机39节点系统产生训练样本并对所提方法进行测试,结果验证了所提方法的快速性和精确性。     

基于伊藤过程的电制氢合成氨负荷随机最优控制

风电制氢进而合成氨（power to ammonia,P2A）是规模化消纳可再生发电资源,实现电力与化工行业碳减排的潜在技术路线之一。利用电制氢作为媒介,P2A可作为大型工业负荷参与电网能量平衡调节。然而,P2A负荷受化学工艺及过程控制的限制,负载调控惯性较大,当风电出力偏离预测轨迹时P2A负荷难以快速响应。为此,提出计及风电出力时序不确定性的P2A负荷随机最优控制方法。首先建立P2A系统柔性调控的状态空间模型。其次,考虑合成氨工段的调节惯性与风电出力时序相关性的耦合影响,基于伊藤过程建模风电出力的不确定性,构造随机动力学约束的P2A系统优化控制模型。之后,基于动态轨迹灵敏度分解,将随机动力学优化问题变换为确定性二阶锥规划,并采用随机模型预测控制（stochastic model predictive control,SMPC）滚动求解,有效避免了传统基于随机抽样模拟的方法计算复杂度高、求解效率低的问题。算例分析表明,与确定性控制相比,所提方法能够充分发挥合成氨柔性生产的优势,提升P2A负荷消纳波动性风电的能力。     

联合聚类方法和深度学习的混凝土坝变形预测

混凝土大坝变形预测对其安全运行具有重要意义,针对传统分析方法难以捕捉长期序列时序特征从而导致预测精度较低的问题,本文采用麻雀优化算法（SSA）和K调和均值算法（KHM）相结合对监测值进行聚类以捕捉序列时序特征,然后采用自适应噪声完备集合经验模态分解（CEEMDAN）等方法对聚类结果进行降噪处理,最后采用长短期记忆（LSTM）模型对序列进行预测。分析结果表明,本文所提出的聚类方法具有较好的长序列特征识别能力,结合基于CEEMDAN分解方法去除序列中存在的冗余信息,从而使LSTM模型能够更好地捕捉变形值的时序特性,进而提高预测精度。所提模型具有较好的精度和适应性,可为大坝变形预测提供一种有效方法。     

基于时序轨迹特征学习的暂态电压稳定评估

以先进机器学习方法等为代表的人工智能技术在增强现代电网安全稳定态势感知能力方面展现出巨大的潜力。针对在线暂态电压稳定评估的传统难题,提出基于时序轨迹特征学习的稳定评估方法。通过分析系统能量函数与暂态响应轨迹的相关性,给出学习过程输入数据选取的理论依据。在时序轨迹Shapelet变换基础上,提出以刻画系统稳定/失稳案例关键局部轨迹差异为核心的特征学习方法及稳定评估方案。双机四节点系统和南方电网中的算例测试结果表明,除了实现可靠的稳定监测和评估,还可充分利用文中方法的可解释性从数据层面剖析特定系统的失稳模式和规律。