基于EEMD-BP神经网络的电采暖配电变压器短期负荷预测

为了快速准确地预测含高比例电采暖设备的配电变压器的短期负荷,提出了基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)及BP神经网络算法组合的电采暖配电变压器短期负荷预测方法,该方法考虑了采暖日天气类型、采暖日温度等环境条件对居民采暖行为的影响。首先运用EEMD方法将日负荷序列分解成4组频率由低至高的分量序列及1组剩余分量序列,再将各分量序列及温度数据、气象数据输入BP神经网络中进行预测,最后各个预测分量相加得到最终的预测结果。将该方法应用于北京地区冬季“煤改电”工程中,对某个含高比例电采暖负荷的配电变压器进行短期预测,算例表明,EEMD-BP组合预测方法能够有效减小负荷预测误差。     

气象因素对江苏夏季高峰负荷的影响研究

温度、湿度等气象指标是夏季高峰负荷的主要影响因素。考虑到夏季负荷峰值与各类气象因素的关联度不同,文中基于实测数据详细研究了近年来温度、湿度与江苏夏季高峰负荷的变化关系,得出了负荷对温度湿度的敏感性结果。基于敏感性分析结果,对江苏2012年夏季高峰负荷与温度、湿度之间的关系进行了预测。预测结果对即将到来的江苏迎峰度夏工作的顺利展开具有一定的参考价值。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高"煤改电"地区短期负荷预测水平,本文基于北京市大兴区"煤改电"工程,探索利用神经网络算法对"煤改电"地区短期负荷进行预测。本文首先研究了"煤改电"地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的"煤改电"地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

计及“煤改电”的农村低压配电网规划研究

"煤改电"工程用电采暖替代企业和居民的冬季燃煤取暖,可以有效促进大气污染的治理工作。以北方某地区的农村配电网为例,在深入分析低压配电网现状问题的基础上,结合一个深山区农村"煤改电"试点工程,对使用家庭电采暖的农村低压配电网建设工作进行了研究,提出了规划与改造的基本思路和方法,给出了规划电采暖的用电负荷和评价指标。经过试点工程的应用,验证了规划方法的实用性和有效性。     

基于LSTM网络的时间多尺度电采暖负荷预测

电采暖负荷的准确预测对配电网安全稳定运行具有重要作用.为提高电采暖负荷预测精度,提出基于长短期记忆网络的时间多尺度电采暖负荷预测方法.该方法首先确定负荷预测网络模型参数,通过分析不同时间尺度下的电采暖负荷数据特征,在不同训练步长下,建立基于长短期记忆网络的电采暖负荷预测模型,实现电采暖负荷的准确预测.采用北京某地的电采...     

基于数据驱动的分散式电采暖负荷运行特性分析

针对河北省煤改电计划实施后电采暖设备增多、规模增大情况,提出1种分散式电采暖负荷云网架构,以河北省南部电网电采暖负荷数据库为依托,以大数据分析方法为手段,进行电采暖设备运行特性分析,得到分区域电采暖设备类型分布情况、考虑居民类型的分区域电采暖负荷发展情况及电采暖最大负荷与用电量、最低温度的关联关系。在此基础上进一步分析用户设定的舒适温度区间、室外温度等参数对电采暖设备可调节能力的影响机理。分析表明,初始室外温度越高,设备加热时间越短;在保证人体舒适度的前提下,改变舒适温度区间上下限,即可调控电采暖设备加热时间。     

基于时差辩识原理分析气象累积效应对电力负荷的影响

由于气象因素对负荷影响的程度日益加大,必须深入研究温度、湿度等主要气象因素对电力负荷的影响作用,这对于进行电力负荷控制和管理以及电力系统的安伞经济运行具有重要的意义.利用所掌握的历史负荷数据以及历史气象数据,研究和探讨了多日累积气象因素对于电力负荷的影响,特别是分析了多日累积温度与日最高负荷之间的相关性及变化规律,提出了累积天数的辨识方法,从而得到了气象因素累积效应的数值化模型,由此把握电力负荷在不同气候条件下的变化幅度和发展趋势.希望为今后短期负荷预测工作提供参考.     

考虑夏季气象因素的短期负荷预测方法研究

由于夏季电力负荷受气象因素影响较大,尤其是连续高温情况下,短期负荷的预测结果往往存在较大偏差.通过对气象敏感负荷与温度、湿度等气象因素的相关性研究,提出了考虑温度累积效应的修正模型.该模型不仅考虑了多日前温度对负荷的影响,还考虑了待预测时段之前时段的温度对负荷的影响,同时对湿度进行了相关性修正.通过综合预测模型试算,实例表明,引入修正模型后夏季高温负荷的预测精度有了较大提高.     

基于智能算法的煤改电用户负荷识别

建设泛在电力物联网使得为用户提供更加多样化和个性化的服务成为可能,近两年来煤改电工程发展迅速,如何通过用户负荷曲线对煤改电用户进行识别成为一个研究热点。论文首先深入剖析了现阶段煤改电工程取得的成绩以及存在的问题,运用大数据技术与泛在电力物联网技术可以很好地解决煤改电进程中存在的矛盾与问题。以某地区煤改电用户负荷特性为例描述了在采用蓄热式电锅炉取暖后的用电负荷特性的变化,通过构建粒子群优化后的支持向量机模型,对某地区电网冬季典型日用电负荷数据进行识别与分类,通过测试集的验证,论文建立的模型具有较高的识别精度,平均准确率达到98%,具有一定的实际价值。     

考虑夏季气象因素的短期负荷预测方法研究

由于夏季电力负荷受气象因素影响较大,尤其是连续高温情况下,短期负荷的预测结果往往存在较大偏差。通过对气象敏感负荷与温度、湿度等气象因素的相关性研究,提出了考虑温度累积效应的修正模型。该模型不仅考虑了多日前温度对负荷的影响,还考虑了待预测时段之前时段的温度对负荷的影响,同时对湿度进行了相关性修正。通过综合预测模型试算,实例表明,引入修正模型后夏季高温负荷的预测精度有了较大提高。     

考虑分布式煤改电负荷接入的配电网运行调度控制策略研究

大规模的煤改电用负荷的投入对本身薄弱的配电网造成较大的负担。高峰时期用户使用电供暖设备数量持续增加、使用时长逐渐延长,造成局部台区、线路重载及过载运行,给吐鲁番电网安全稳定运行带来了威胁。在考虑“煤改电”负荷接入配电网的网架下,首先,通过调研吐鲁番“煤改电”工程接入模式和设备种类,建立“煤改电”标准化配置模式及产品分类统计;然后,基于电路模拟的等效热参数模型建立运行典型电供暖配置模式下的运行机理模型,研究直接负荷控制技术进行“煤改电”负荷控制。选取吐鲁番市完成“煤改电”工程改造的台区重过载运行进行实例分析,调度控制策略成功将变压器运行在安全边界以内,且不影响用户采暖的热舒适度。     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的2个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。     

“煤改电”工程节能减排潜力分析方法研究

以煤炭为主的化石能源的大量消耗导致了严重的环境问题,为减少燃煤污染,改善空气质量,我国北方许多城市开始推广"煤改电"工程。文中对我国北方地区"煤改电"工程的供电容量进行测算,以此作为依据计算"煤改电"工程的年替代电量。提出了一种基于年替代电量的"煤改电"工程年节约标准煤和年减排污染物潜力计算方法。根据2017年新疆"煤改电"工程规划进行实例分析,有助于今后"煤改电"工程的进一步推广和实施。     

基于生长曲线与气温累积效应的气象负荷预测

夏季受高温天气的影响,由降温设备所引起的气象负荷日趋变大.针对气象负荷获取困难以及负荷预测精度不高的问题,提出一种新的气象负荷预测方法.首先,为获得准确的气象负荷数据,采用生长曲线来描述基础负荷的增长特性,通过剔除基础负荷来获得气象负荷数据;其次,考虑到夏季高温天气的气温累积效应,需要对高温天气的日最高温度进行修正,提...     

基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

短期负荷预测中实时气象因素的影响分析及其处理策略

短期负荷预测对于电力系统安全经济运行有着重要的作用,因此,人们一直致力于研究新的预测模型,提高预测精度。目前,实现提高预测精度这个目标的关键是如何更加合理地考虑气象因素对负荷的影响,因为气象敏感负荷在总负荷中所所占的比重越来越大。长期以来,鉴于气象部门无法提供实时温度等气象预测结果,电力系统所建立的预测模型绝大多数都是基于日特征气象因素,诸如日最高温度、最低温度等。针对短期负荷预测,作者剖析了气象因素的影响和作用,分析了处理不同阶段气象因素的策略,并提出了考虑实时气象因素的短期负荷预测新模型,该模型基于神经网络,力图寻求温度、湿度等实时气象因素与负荷曲线之间的相关关系和变化规律。实际应用表明,文中的预测模型和处理策略可以得到更加精确的预测结果。此短期负荷预测新模型也适用于超短期负荷预测。     

加权马尔可夫链在负荷预测中的应用

利用小波将月售电量序列进行分解,对不受气象因素影响的趋势项和周期项,分别采用趋势外推和周期图法进行预测,对受气象因素影响的随机项,应用模糊聚类的方法确定分级标准,将观测值之间的相关系数作为权值,采用加权马尔可夫模型进行预测,然后进行综合。该法避免了精度较低的月气象资料对负荷预测精度的影响,不仅得到了未来月售电量的具体值,而且得到了其所属的区间,因此更加符合实际。最后给出了预测实例,验证了所提方法的有效性。