智能配电网环境下负荷预测研究

智能配电网环境下,负荷预测精度的高低影响着电网运行的安全性和经济性,为了提高负荷预测精度,提出了人工鱼群-反向传播算法（AFSA-BP）的电力负荷预测模型。传统BP算法由于输入神经元,隐层神经元和输出神经元之间的初始权值和阈值为随机获取,降低了算法的收敛速度和预测精度,采用AFSA算法对BP算法的初始权值和阈值进行全局寻优,获得最优的网络模型。在分析了电力系统负荷特性的基础上,采集历史负荷数据,天气和节假日信息,采用AFSA-BP算法建立短期负荷预测模型。为了验证该算法的准确性,分别采用BP、最小二乘-支持向量机（LS-SVM）、AFSA-BP算法对某省的电力负荷进行仿真实验,AFSA-BP算法的均方根误差（RMSE）为0.0862,而BP算法和LS-SVM算法的RMSE分别为0.2558和0.1522,结果验证了AFSA-BP算法适用于短期电力负荷预测。     

基于最小二乘支持向量机的短期负荷预测

提出了结合粗糙集(rough sets,RS)理论和遗传算法(genetic algorithm,GA)的最小二乘支持向量机(least squares support vector machines,LS-SVM)短期负荷预测模型和算法。由于影响负荷预测精度的因素众多, 该模型采用RS理论进行历史数据的预处理,对各条件属性进行约简分析。属性约简采用GA进行寻优,以确定与负荷密切相关的因素,作为LS-SVM的有效输入变量。在预测过程中,通过GA对LS-SVM的模型参数进行自适应寻优,从而提高负荷预测精度,避免LS-SVM对经验的依赖以及预测过程中对模型参数的盲目选择。采用上述方法对山东电网负荷进行了预测分析,结果证明了该方法的有效性。     

提高电网短期负荷预测精度的研究

以广东珠海电网为例,对负荷特性、经济发展特点、气候变化、预测技术等影响负荷预测的因素进行分析,提出提高电网短期负荷预测精度的措施:建立和完善典型日负荷样本数据库;特殊事件造成负荷较大变化时进行人工干预;合理做好负荷日的类型分析;采用扩展短期负荷预测方法进行明日负荷预测;建立气象负荷数据源预测模型.这些措施在珠海电网中应...     

基于体感温度的电力系统负荷分类及负荷预测

针对体感温度与负荷之间的变化关系进行了深入研究,研究表明体感温度在不同范围内变化时将对地区负荷影响表现出截然不同特征。将负荷分为对体感温度敏感和不敏感2种类别,并提出2种负荷预测方法。2种负荷预测方法均以径向基神经网络为基础,并针对不同类型待预测负荷采取差异化样本选取和处理方法,有效提高了该负荷预测模型适用性和负荷预测精度。将该方法运用到某市总负荷预测中,预测结果表明该方法具有较高精度和较好实用性,是一种有效的短期负荷预测新方法。     

多级负荷聚类和解耦机制的配电网短期负荷预测方法

为解决配电网供电分区负荷特性因用电结构与用户用电习惯差异呈现多样性,导致泛化的预测模型难以提供满意计算精度,以及新投运配变由于缺乏历史数据积累,无法为机器学习提供大量训练样本的问题,提出了一种多级负荷聚类和解耦机制的短期负荷预测方法.首先,进行基于变电站用电量以及台区用户用电特性差异的多级负荷特性聚类.随后,对不同聚类配变构建基于脉冲神经网络的短期负荷预测模型,并采用负荷标幺曲线和基准值分开预测的解耦机制应对新投运配变的小样本问题.最后,综合分类预测结果得到日负荷预测曲线.实例证明该方法能实现负荷预测的精细化,并减小新投运配变的预测误差影响,改善了综合预测结果.     

基于相似日和LS-S VM的微网短期负荷预测

为提高微网短期负荷预测的效率和精度,针对微网负荷基数小,波动性和随机性大,历史数据相对短缺的特点,在负荷点空间尺度上,提出一种基于相似日和LS-SVM微网短期负荷预测方法。该方法在预测空间尺度和样本选择上有别于大电网,充分考虑气象因素的累积效应、短期负荷的连续性和周期性以及时间距离的“饱和效应”,形成一种新的相似日评价函数来选取训练样本,并结合短期负荷预测的特点形成LS-SVM的输入量,然后将训练好的模型用于预测。算例表明,该方法有效可行,精度较高,且比较实用。     

基于QPSO参数优化的WLS-SVM短期负荷预测

为了解决负荷非线性特性导致的预测模型难以准确建立的问题,提出一种基于量子粒子群优化(QPSO)参数选择的加权最小二乘支持向量机(WLS-SVM)的短期负荷预测模型和方法.首先,利用量子粒子群优化方法来对模型进行训练,从而选出最优超参数.其次,采用具有良好泛化性能的WLS-SVM回归模型弥补损失的鲁棒性.文中以黑龙江电网短期负荷预测为例,将该方法与一般LS-SVM模型的预测结果进行了对比分析,结果表明此方法能明显提高预测精度.     

基于组合式神经网络的短期电力负荷预测模型

通过对电力负荷变化规律和影响因素的分析,提出了一种基于组合式神经网络的短期电力负荷预测模型。该模型综合运用神经网络、模糊聚类分析和模式识别理论方法进行建模。首先,采用模糊聚类分析方法,以每天的24点负荷数据、天气数据以及天类别数据为指标,将历史数据分成若干类别;其次,对每一类别建立相应的神经网络预测模型;预测时通过模式识别,批出与预测天相符的预测类别,利用相应的神经网络预测模型进行24小时的短期电力负荷预测。对绍兴地区2年多的实际负荷变化数据进行预测分析的结果表明,该模型不仅对普通工作日有较高的预测精度,对双休日、节假日和一些特殊情况也有较好的预测精度。     

灰色Elman神经网络的电网中长期负荷预测

为了降低原始负荷数据突变对Elman神经网络预测精度的影响,考虑电网负荷预测样本时变性强、不确定因素影响多的特点,利用Elman神经网络计算和适应时变特性的能力强、误差可控以及灰色理论所需计算数据少、计算量小,在样本较少的情况下也能达到较高预测精度的优点,建立灰色Elman神经网络的负荷预测模型,首次将灰色Elman神经网络模型在中长期负荷预测中应用.实例结果表明,该预测方法提高了预测精度、取得了较快的收敛速度,说明该模型是可行而有效的.     

需求侧响应下基于负荷特性的改进短期负荷预测方法

为了提高需求侧电力负荷预测精度,针对需求侧自身特点,提出了基于负荷特性的改进短期负荷预测方法。依据需求侧负荷特性与属性聚类算法结合的方法完成两级需求侧负荷分类,并使用优化改进粒子群优化径向基神经网络(MPSO-RBF)和最小二乘支持向量机回归模型(LS-SVM)等算法建立短期预测模型进行负荷预测。利用该方法对某工业园区用电负荷进行预测,并与实际用电负荷数据和利用传统预测模型以及单一模型预测方法进行了比较分析。预测结果平均相对误差表明,基于负荷特性的改进短期负荷预测方法是有效和实用的,既能得到准确的负荷预测结果,方便需求侧用户就地进行各类负荷针对性调控,又方便管理者宏观掌控需求侧用户负荷情况,有效推动能源互联网的发展。     

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IAHP和TOPSIS方法的负荷密度指标计算

针对配电网空间负荷预测过程中负荷密度指标难以选取的问题,在层次分析法的基础上,提出了基于区间层次分析(IAHP)法和逼近理想解排序(TOPSIS)法的负荷密度指标选取方法。该方法通过用区间数代替点值,对传统的层次分析法进行改进,并将IAHP法和TOPSIS法有效融合,将专家经验和定量计算相结合,处理决策因素的不确定性和专家判断的模糊性,增强了对负荷密度指标预测结果的可信度。采用类内相似度方法进行负荷密度修正,进一步提高了预测结果的精度。实例计算表明,所提出的方法预测结果更优、误差更小。     

计及元胞发展程度的空间负荷预测方法

针对分类负荷在不同元胞内发展程度不同导致元胞负荷分布不均衡,从而影响空间负荷预测结果精度的问题,提出一种计及元胞发展程度的空间负荷预测方法。首先建立电力地理信息系统(GIS),在电力GIS中生成元胞,并整合基础信息,其中包括用地信息、10kV馈线的供电范围及分类负荷数据。其次求出总分类负荷密度的饱和值,再结合生长曲线揭示总分类负荷密度的发展规律。然后找到当前年各元胞内分类负荷密度在总分类负荷发展规律曲线上的位置,即为各元胞内分类负荷密度的发展程度。最后根据当前年元胞内各分类负荷密度的发展程度,结合总分类负荷密度发展规律曲线,确定目标年各元胞内分类负荷密度,再乘以元胞中每类负荷所对应的面积实现对元胞负荷值的预测。实例分析表明了该方法的正确性和有效性。     

考虑地域差异的配电网空间负荷聚类及一体化预测方法

针对基于智能算法的负荷密度指标法对样本依赖性强且在各地实际应用困难的不足,提出一种考虑地域差异的配电网空间负荷聚类及一体化预测方法。该方法首先通过大量调研得到分布在不同地区、分属不同类型的负荷样本及所处地区信息;然后利用基于日负荷曲线的负荷分类校验及精选方法对所有调研样本进行分类精选;再根据区域分类、负荷分类对精选样本构成的全样本空间进行两级划分,得到分层级子样本空间;最后根据待测地块的属性信息对子样本空间进行匹配,选取与其最相似的子样本空间作为训练样本,构建支持向量机模型预测各地块的负荷密度,进而得到电力负荷的空间分布。工程实例分析表明了该方法的实用性和有效性。     

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。     

基于卷积的风速和负荷相关性分类处理的概率潮流计算

含相关性风电的电力系统概率潮流算法需具备同时处理风速相关性和负荷相关性的能力。现有的概率潮流算法一般采用蒙特卡罗方法统一处理两类相关性,但该算法计算量较大,且忽视了风速和负荷在概率分布特性上的差异。为此,本文提出风速相关性和负荷相关性分类处理的概率潮流算法。该算法延用蒙特卡罗法计算相关风电场总出力的概率密度曲线,并利用负荷一般呈正态分布的特性,采用解析法快速求取总负荷的正态分布函数,最后将两类结果进行卷积计算获得支路潮流的概率密度函数。由于在处理具有相关性负荷时避免了负荷样本的生成与采样,该算法可以提高概率潮流的计算效率。以含多风电场的IEEE RTS-96系统和IEEE 118系统为算例,与蒙特卡罗法、点估计法及累积量法进行比较,验证了本文方法的有效性和优越性。     

计及用户响应负荷颗粒度的精准切负荷控制方法

切负荷控制是电力系统稳定运行和效率优化控制的关键技术之一,针对分钟级精准切负荷效率优化控制中负荷过切率优化问题,提出了一种计及用户响应负荷颗粒度的精准切负荷控制方法。首先以用户响应负荷颗粒度大小为切入点,采用需求响应策略,削减待切用户响应负荷颗粒度;其次,通过负荷分级建模,构建了基于最小负荷过切率的精准切负荷优化模型;最后通过算例分析,对比传统最小过切率精准切负荷控制方法和所提方法,结果表明,所提方法能够有效降低负荷过切率和负荷过切率波动性,验证了所提方法的有效性。     

考虑柔性负荷调峰的联合管理模型研究

根据＂削峰填谷＂的思想建立了利用柔性负荷调峰管理模型。通过中断管理和激励机制,把白天高峰用电量转移夜间低谷时段,降低电网峰谷差,减轻电网运行压力。根据柔性负荷的特性,将用于调峰的响应负荷分为激励负荷和中断负荷两部分,以总收益最大为优化目标,将能量平衡、中断特性和电价变化纳入约束,给出了柔性负荷24 h内调峰问题的求解方法。以某地实际负荷为例,利用粒子群优化算法对模型进行求解,算例仿真证明了该模型的正确性。结果表明所提出的方法可有效提高电网调峰能力,并具有良好的经济效益。     

空间负荷预测中的负荷时序消差方法

通过分析影响基于时序的空间负荷预测(SLF)精度的主要因素,提出一种用于识别和校正负荷转移的负荷时序消差方法.将元胞之间经常出现的非永久性负荷转移分为跨单位时间型和非跨单位时间型2种,对前一种采用改进的负荷转移耦合法实现负荷时序消差,对后一种采用基于累积负荷曲线确定元胞负荷最大值的算法实现负荷时序消差,从而降低元胞之间负荷转移对SLF精度的不利影响.通过算例验证了基于负荷时序消差的SLF效果,结果表明该方法实用、有效.     

基于负荷频谱分析的电力系统短期负荷预测

电力系统短期负荷具有非常大的不确定性,而其日负荷信号的频谱具有连续变化的特性。从信号频谱分析角度,对日负荷信息进行建模分析,并通过小波变换,将日负荷数据分解为不同尺度上的投影子序列,用子序列作为小波神经网络的训练样本,然后用训练好的神经网络模型对电力系统的短期负荷进行预测。在Matlab仿真软件中,采用某市某线路的某日负荷数据对算法进行仿真验证,取得了较好的预测结果。