加强危险点预测预控,提高电网安全管理水平

在充分肯定电力企业现行安全管理办法的基础上,结合现代工业安全管理上的危险点预测预控方法,指出了在电力企业中开展危险点预测预控工作的必要性,提出了开展危险点预测预控工作的基本思路和原则.     

电力负荷预测的方法研究

电力是国民经济发展的先行官。在市场经济条件下,提高电力企业的经济效益和社会效益,是电力企业经营的永恒主题。由于电力产品不能储存,且具有产、供、销同时性的特点,这决定了电力负荷预测是电力系统经济运行的前提,对保障国民经济全面、协调、可持续发展具有重要意义。该文阐述了负荷预测的基本概念和方法,并收集本地区近5年来经济发展的GDP值和供、售电量的历史数据,采用了弹性系数法、时间序列法和回归分析法对本地区未来5年的电力负荷进行预测,并且对预测结果的准确性和预测方法的优缺性进行分析对比,最后提出优选组合预测法具有较好的预测效果。     

含核函数切换的风电功率短期预测新方法

为了降低大规模风电接入对电网造成的潜在威胁,提出基于核函数切换机制的混沌时间序列预测新方法,以进一步提高短期风电功率预测性能。首先,结合互信息法和虚假邻近点法实现原始风电功率序列的相空间重构,通过递归图和最大Lyapunov指数验证了风电功率是来自含确定性和随机性的混沌系统,说明了混沌预测方法的可行性。其次,给出了使用核函数进行混沌时间序列预测的实现方法,结合训练样本分析了该方法优于传统预测方法,并结合训练结果提出了使用支持向量机(SVM)训练最优核函数的切换机制,进一步提高了预测精度。最后,以美国BPA数据为实例,通过预测误差指标的对比分析,说明了含切换机制的核函数预测法可有效地实现风电功率短期预测,同时也证明了该方法可较好地提高风电预测性能。     

结合受限玻尔兹曼机的递归神经网络电力系统短期负荷预测

短期负荷预测的重要性随着电力企业的发展不断提高。传统的负荷预测虽然已经发展相对成熟,但现阶段对负荷预测的准确性要求逐渐提高。为满足发展需要,则要对现有的方法进行改进或建立新的预测方法。通过分析负荷预测数据周期性及周期内的特征,结合递归神经网络在分析时间序列数据的独特优势和受限玻尔兹曼机的强大的无监督学习能力,对结合受限玻尔兹曼机的递归神经网络的工作原理及训练过程进行了阐述。利用该网络进行了电力负荷数据预测实验验证并与其他神经网络进行了比较性实验。结果表明,所提出的神经网络较其他网络在电力短期负荷预测实验中有更高的准确性。     

综合权重的模糊时间序列的电力负荷预测方法

电力负荷预测受诸多因素的影响,针对短期电力负荷的复杂性和不确定性,结合历史负荷数据,提出了一种综合权重的模糊时间序列预测方法。该方法首先对历史负荷数据进行预处理;然后利用模糊集和模糊时间序列的方法将历史负荷数据模糊化,考虑到负荷变化的趋势,借助于最优化理论给出了趋势权重,同时考虑到近期数据影响大于远期数据,给出了时间占优权重,从而得到了综合权重的模糊时间序列预测方法。最后的数值实验结果表明,该方法比传统的模糊时间序列方法具有更高的预测精度。     

一种基于ARMA-BP组合模型的电压偏差预测方法

国内许多变电站建立了电能质量的预测与预警机制,以应对日益严重的电能质量问题,其中电压偏差最为严重。针对预测模块中电压偏差预测算法的缺失,结合配电网的运行状态,提出了一种基于ARMA-BP组合模型的电压偏差预测方法。针对单一时间序列方法的不足,将时间序列和人工神经网络的算法结合起来。通过分析上海某变电站的电压偏差数据特征,首先采用时间序列的方法建立ARMA模型。然后采用BP人工神经网络的方法对ARMA模型预测值与原始数据之间的残差值进行拟合预测,最终得到2种模型预测所得累加值的结果。研究结果表明了所提方法的有效性。     

计及故障时间的神经网络风力发电量预测

风电是可再生能源的一种重要形式,随着越来越多的风电并入电网,发电量的预测对电网的稳定性变得格外重要,为了得到更高的预测精度,提出了一种将天气因素和故障时间相结合的两段式风力发电量预测的方法。结合湖南省某风力发电场的实际生产数据,分别运用神经网络结合时间序列的方法对故障时间进行预测,以及GRNN神经网络方法对发电量进行预测。提高了风力发电量预测的精度,延长了预测时间,证明了方法的可行性。     

基于近似熵的电力系统负荷预测误差分析

为深入探究负荷时间序列预测误差的影响因素,提高负荷预测精度,提出近似熵算法,用于定量刻画负荷时间序列的规律性,全面认识负荷预测误差的成因。采用近似熵算法对负荷时间序列进行分析,确定其规律性的强弱。在此基础上,针对负荷时间序列的规律性与预测误差之间的关系进行研究。算例分析结果表明,近似熵算法可以有效刻画负荷时间序列的规律性,且负荷时间序列的规律性与其预测误差之间有着较强的相关性,证明了方法的正确性和有效性。     

基于混合预测方法的园区月用电量预测

随着用电量预测的重要性逐步提高,新电改下园区成为电力改革重要试验区,用电量预测开始面向小规模用户的电力需求。为此提出了一种新型电量预测方法,根据用电量数据的时序特性,将时间序列法与指数平滑法两者的设计思想相融合,优化指数平滑模型,引入时间序列模型,建立新的改进模型。结果显示,该方法能提高用电量预测精度,降低发电成本,提高经济效益和社会效益。     

基于数据挖掘的负荷预测初探

简要叙述了数据挖掘技术及其在电力系统中的应用情况。提出了一种基于数据挖掘中时间序列相似性研究的电力负荷预测方法。通过采用序列分段平均值技术降维 ,结合滑动窗口和MBR方法实现子序列相似查询 ,并利用R+- 树作为多维索引结构提高检索效率。实验结果证明所提出的方法是行之有效的     

改进二阶自适应法在电力需求预测中的应用

针对趋势预测法仅适合于平稳时间序列,而电力预测中数据不平滑的特点,提出一种改进的二阶自适应预测方法,通过数据预处理平滑历史数据后,自适应调整预测模型的参数,并对实际供电企业的售电量和负荷进行了分析,证明了提出模型达到了一级精度要求,预测结果令人满意。     

风电场风速和发电功率预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测，可以有效地减轻或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争能力。基于时间序列法和神经网络法，该文对风速预测进行了研究，提出了预测风速的时序神经网络法。该方法用时间序列法建模，得到风速特性的基本参数，并用这些参数选择神经网络的输入变量；为了提高预测精度，提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。     

应用于月度用电量预测的小波分析法

月度用电量预测是中期负荷预测的主要内容,也是制定月度发电规划的基础。文中以美国亚利桑那州为例,采用小波分析法,首先使用小波变换获得若干个采样点减少一半的小波系数;然后分别对各系数插零、重构,恢复到原数据的长度;最后采用RBF神经网络对恢复长度的各系数进行预测。该方法将月度用电量的时间序列分解成趋势项和波动项,分别进行预测,提高了预测精度。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

考虑网内外功率特性的含风场电网日内发电需求滚动预测

由于自然风力、风向的不确定,大规模风场并网运行使得电网和风电调度的难度增大,在最大功率跟踪模式下,更加准确地预测发电出力是重要课题。考虑风场传统日前负荷预测时间尺度较大导致风场实时调度困难的实际,提出了一种在基于日内风场出力的发电需求滚动预测方法,以多级时间尺度为预测依据,建立了考虑风电接入的理想发电需求预测模型,提出了该模型下的滚动预测算法,并结合实际风场数据进行了实际预测,结果表明,提出的预测方法、模型和算法能明显提高发电需求预测精度,为大型风场的科学调度提供了决策依据,具有一定理论价值和工程应用价值。     

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,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,结果表明该方法可获得较高的预测精度。     

基于多维特征分析的月用电量精准预测研究

用户用电量的精准预测是智能配用电大数据应用和发展的关键之一。区别于传统的基于行业分类的预测办法,提出基于大数据挖掘技术的用户用电多维度特征识别,以及在此基础上的精准用电量预测方法。基于海量多用户用电特性,建立多维度用电特征评价指标体系。对用户用电特性空间进行聚类和分析,挖掘和识别用电模式。在不同的用电模式下,分别建立用电量时间序列预测模型,避免用电模式差异对预测算法准确性造成的不利影响。该方法适用于大数据平台的分析与处理,算例分析结果表明其相比以往方法能显著提高预测精度和稳定性。     

电力需求的不确定性分析

电力需求预测与分析是电力系统规划与运行的基础工作。常规的电力需求预测结果一般是确定性的,忽视了预测结果本身的概率特性。引入不确定性的分析思想,实现概率化的预测和分析,对于实际工作具有重要意义。在剖析传统的电力需求分析方法的基础上,引入序列运算理论,形成一个全新的不确定性分析思路,并以电量类指标的预测为突破口,提出了序列化分析方法,可以充分考虑分析结果的概率特性,为电力系统的规划与运行提供直接的决策依据。文中以实例验证了所提出的分析方法的有效性。     

基于自适应时序表征和多级注意力的超短期风电功率预测

针对风电功率数据包含的多尺度时间信息难以描述、现有方法未充分考虑气象因素对于风电功率动态耦合的影响而导致的预测性能下降等问题,提出了一种基于自适应时序表征和多级注意力的超短期风电功率预测方法。采用时序嵌入层对风电功率序列进行表征以获取其周期、非周期模式,并引入自注意力捕捉高维风电功率序列的自相关性;利用交叉注意力重构风电功率与气象因素,形成包含两者耦合关系的多维特征序列;利用一维卷积神经网络沿时间、特征方向分别挖掘多维特征序列的时间相关性和空间相关性,进而利用长短期记忆网络提取相应的时序特征,并将所得时序特征经全局注意力去噪和门控机制融合后输入全连接层,分别进行点预测和区间预测。实验结果表明,所提方法能够获得准确的点预测值和可靠的预测区间。     

影响电力需求预测各因素的客观权重分配方法

确定影响电力需求预测各因素的权重分配是进行电力发展规划需求预测后评价的一项重要内容。针对电力行业五年期需求预测后评价中待评价年个数较少而影响因素较多的特点,文章在一般多因素客观权重分配方法的基础上,提出了加权互信息量的概念,同时引入相对强度熵,得到了一种影响电力需求预测各因素的客观权重分配方法,并通过计算实例证明了该方法的有效性和实用性。