地区电网调度短期负荷预测系统

根据地区调度中心的需求,研究并开发了一个地区电网负荷预测系统。该系统包括9种负荷预测方法,运行人员可根据实际情况灵活选择预测方法。对各种方法的预测结果进行了对比,并在此基础上分析了影响负荷预测精度的主要原因。软件考虑了各种影响因素,设计了方便的人机界面,实用性强,并已在黑龙江、辽宁的一些地区使用,为运行人员的负荷预测工作提供了可靠的依据。     

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。     

基于深度神经网络的短期电网负荷预测模型研究

随着分布式光伏装机容量的增加，已对全网负荷变化产生影响，现有负荷预测模式尚未考虑分布式光伏并网影响，电网负荷变化日趋复杂，亟需提高预测精度。构建了一种短期用电负荷预测模型，为了进一步提升预测精度，提出了一种基于深度神经网络和ResBlock迭代的短期负荷预测方法，学习不同用电量之间行为，建立内在时空的相关性。仿真结果表明，所提的负荷预测算法相比于传统方式准确性有明显的提高，在未来能源预测方面有较好的应用前景。     

用神经网络法预测特大型电网短期负荷的初探

影响特大型电网短期负荷的因素十分复杂,负荷变化属非平稳的随机过程.用神经网络BP算法并采用变步长、加动量因子以及不等权、半随机初始解等方法,使迭代迅速收敛,减小预测误差、提高学习精度;用目标误差作为结束网络迭代条件;用测点模型矩阵预测不同季节、不同时段的负荷,在短期负荷预测中取得较满意结果.     

电网短期电力负荷预测系统的研究

本文介绍了一个电网短期负荷预测系统。从实际出发，文中将平时和重大节目期间的负荷预测分别研究。首次提出了参数自校正时序倍比预测法，并将灰色预测模型引入节日负荷预测，具有较强的人工干预能力和自适应智能性。软件包将数据库与计算语言有机地结合起来，具有良好的汉化人机界面和输入输出方式。操作方便，实用性强，预测精度理想。该系统已在河北省电力局中调试运行。     

基于神经网络BP算法的局部电网短期负荷预测系统

电网负荷受天气、节假日、生活方式等多方面影响,短期呈现随机性,长期来看,又有一定的规律可循。选择合适的短期负荷预测模型,将有利于提高短期负荷预测的准确率,极大方便调度机构的短期负荷预测工作。本文基于神经网络BP算法的局部电网短期负荷预测,通过采集局部电网数据样本,获得大量数组,再使用神经网络BP算法进行自适应学习,获取各因素与负荷之间的非线性关系,预测局部电网负荷变化趋势,提前调控电网方式,降低局部电网主变、线路运行风险,确保电网安全运行。     

辽宁电网短期负荷预测方法研究

主要介绍了适于辽宁电网短期负荷预测的基本方法－－线性外推法。同时针对北方气候对负荷影响的特殊性,提出了温度与负荷的幂函数关系及降水量与负荷的关系,以此修正线性外推基本方法的计算结果,并阐述了一种在运行实践中总结出的节假日负荷预测方法。     

广西电网短期负荷预测及其数学模型

介绍一种适合广西电网短期负荷预测的数学模型,对广西电网普通日负荷预测采用时间序列分析预测模型（每日24个点,整点采集）进行预测,对于非周期性变化,或周期性变化趋势不明显的年,月,日的最大负荷,最小负荷,周末,节假日整点负荷,采用灰色理论中的GM（1,1）模型和GM（1,1）改进模型来进行预测。在广西电网电力负荷预测应用中取得了较好的结果。     

湖南电网短期负荷预测工作的分析

前言在电网商业化运营中,短期负荷预测不仅是电网运营效益的指南针,而且对中、长期负荷预测的调整具有重要的参考价值。为了把湖南电网短期负荷预测工作提高到一个新水平,根据近年来湖南电网开展商业化运营的情况,对影响湖南电网用电的主要因素和短期负荷预测中存在的问题,进行了简要分析和探讨,并结合当前电力市场运营的实际情况,提出了搞好电网短期负荷预测工作的建议和亟待解决的问题。１负荷预测在１９９８年湖南电网运行中的作用１９９８年湖南电网频率合格率为９９．９９６６％,比１９９７年增加０．０２６６个百分点,创湖南…     

基于PSO-DBN神经网络的光伏短期发电出力预测

考虑到光伏输出功率的随机性和波动性,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化深度信念网络(Deep Belief Network,DBN)的光伏短期发电出力预测方法。首先利用改进粒子群算法确定DBN神经网络最优的初始权值,建立初始DBN网络。其次,确定预测日后,利用灰色关联度法选出与预测日气象特征相似度高的日期。将这些日期的气象数据和历史发电数据作为训练集对初始DBN网络进行训练,建立预测模型。最后仿真结果表明,所用模型相比于传统的DBN神经网络具有更高的预测精度。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。     

规模化储能分区聚合有功调度控制技术研究

随着规模化储能电站的集中建设和投运,储能以其快速、精准的功率控制特性,可有效改善系统的动态调节性能。针对规模化储能电站所接入的电网分区,文中从电力和电量两个维度,分析储能电站集群的聚合充放电能力并提出了聚合分析算法,为调度主站端的储能电站集群的快速功率控制、短时削峰或填谷、负荷趋势跟踪提供辅助决策依据。首先,根据当前电网分区在发用电平衡和输变电潮流控制中的调度控制需求,总结和归纳了储能分区聚合的控制目标;其次,提出了储能电站参与电网分区控制的分配策略,即通过状态转换、考虑荷电状态均衡的功率调整依次计算调用容量,实现满足分区控制目标的闭环滚动跟踪;最后,通过算例验证该策略能充分发挥储能资源的规模聚合特性,支撑调度机构解决电网分区运行控制难题。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

基于混合神经网络的短期电力负荷预测方法

电力负荷预测对电网的经济运行至关重要,为提高短期负荷预测精度并降低混合神经网络模型的训练时间,提出了一种基于多层感知器（MLP）的基础子网、简单循环单元（SRU）与主成分分析（PCA）的短期电力负荷预测模型。首先,考虑影响电力负荷变化的各种因素,建立负荷预测输入特征集;其次,利用PCA对输入网络的部分特征进行变换并降维;最后,将经过PCA处理后得到的全新数据信息作为模型的输入,并结合Adam梯度下降算法进行训练,输出负荷预测的结果。通过仿真实验结果表明,包含SRU的混合模型在全部测试集样本上的MAPE为2.126%,远低于仅有子网的单一模型与包含DNN的混合模型,而与包含LSTM的混合模型相比,训练时间却降低了22.74%,同时PCA的应用也使得模型的收敛速度加快,极大地减小了训练轮数。     

基于FOA-Elman神经网络的光伏电站短期出力预测模型

提出了基于果蝇优化算法(FOA)-Elman神经网络的光伏电站出力短期预测模型,采用具有动态递归性能的Elman神经网络,可增强光伏电站出力预测模型的联想和泛化推理能力,保证出力预测的精度。引入人体舒适度,减少输入向量个数;通过FOA对Elman神经网络进行学习训练,可充分利用FOA的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。最后,与常规Elman模型进行对比仿真实验,结果表明所提出预测模型的正确性和有效性。     

无线网络技术在电网调度自动化系统中的应用

阐述了无线网络技术在电网调度自动化系统中的应用原则和方案模拟,对应用过程中的系统功能和设备特性进行了分析.     

基于CNN-SAEDN-Res的短期电力负荷预测方法

基于深度学习的序列模型难以处理混有非时序因素的负荷数据,这导致预测精度不足。提出一种基于卷积神经网络(CNN)、自注意力编码解码网络(SAEDN)和残差优化(Res)的短期电力负荷预测方法。特征提取模块由二维卷积神经网络组成,用于挖掘数据间的局部相关性,获取高维特征。初始负荷预测模块由自注意力编码解码网络和前馈神经网络构成,利用自注意力机制对高维特征进行自注意力编码,获取数据间的全局相关性,从而模型能根据数据间的耦合关系保留混有非时序因素数据中的重要信息,通过解码模块进行自注意力解码,并利用前馈神经网络回归初始负荷。引入残差机制构建负荷优化模块,生成负荷残差,优化初始负荷。算例结果表明,所提方法在预测精度和预测稳定性方面具有优势。     

基于改进PSO-BP神经网络的短期电力负荷预测研究

粒子群优化(PSO)算法是基于群智能的全局优化技术,它通过粒子间的相互作用,对解空间进行智能搜索,从而发现最优解。该文对基本粒子群算法进行改进,并将改进粒子群优化算法与误差反向传播(BP)算法结合起来构成的混合算法用于训练人工神经网络,对短期电力负荷进行预测。实践结果表明:改进PSO-BP算法有效地解决常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小等问题,具有较快的收敛速度和较高的预测精度。     

基于改进Autoformer模型的短期电力负荷预测

针对短期电力负荷预测因受天气、温度、节假日等多重不确定性因素影响而造成精度低的问题,提出一种基于改进Autoformer模型的短期电力负荷预测模型。改变序列分解预处理的惯例,设计深度模型的内部分解模块,该模块提取模型中隐藏状态的内在复杂时序趋势,使得模型具有复杂时间序列的渐进分解能力;提出Nystrom自注意力机制,该机制利用Nystrom方法来逼近标准的自注意力机制。某地电力负荷预测实验结果表明,所提模型比基于标准Autoformer模型的短期电力负荷预测模型的时间复杂度更低,准确率更高。