电动汽车充电负荷时空分布的空间负荷预测

针对大规模电动汽车接入配电网对空间负荷预测的影响,论文提出一种考虑电动汽车充电负荷时空分布的城市配电网空间负荷预测方法.先根据各类车型充电方式与出行特点对电动汽车进行分类;其次,根据居民出行调研统计数据对电动汽车出行规律进行概率分布函数的拟合;然后,构建电动汽车出行链模型,通过蒙特卡洛方法计算得到不同区域和不同时间内充电负荷.最后,基于某地区实际数据,得到一天内不同功能小区的空间负荷预测值,为未来城市配电网的规划提供参考.     

基于神经网络的配电网负荷预测方法

配电网接入高渗透率分布式光伏在一定程度上削减了配电网负荷。由于配电网负荷、光伏出力与气象因素耦合特性存在差异,且均具有较强随机性,致使配电网净负荷预测难度大、随机性高。为实现波动性配电网短时预测净负荷,基于长短期记忆（LSTM）,构建神经网络短期预测模型。通过LSTM构建光伏出力短期预测模型及小时前配电网负荷预测模型,并采用交叉验证,对各LSTM预测器结构超参数进行优化。将两者预测结果进行比较,得到配电网净负荷。由实验结果分析可知,LSTM方法可自适应挖掘光伏出力特征、历史负荷预测对象之间的相关性,较支持向量回归（SVR）方法,该方法预测精度高、过程简单。     

基于GRA-LSSVM密度法的配电网空间负荷预测方法研究

为提高配电网的规划水平,实现配电网的合理规划与改造,以有效提高供电质量和效益。针对配电网空间负荷预测,设计了一种新型的电网负荷密度预测算法,在算法中将支持向量机引入到基于灰色关联度分析的负荷预测模型。通过灰色关联度分析法筛选出更符合要求的样本并进行训练,同时,引入了混沌粒子群算法(PSO)对此模型进行优化,以提高算法的精度。通过实际数据对这种算法的性能进行实例分析,依据分析结果表明,提出的算法与其他方法相比对配电网空间负荷预测的精度有显著差异,本文方法可以有效的提高配电网负荷密度预测的精度。     

基于MapInfo和VB的空间负荷预测系统设计与实现

为满足城市配电网规划的需求,利用MapInfo强大的空间信息分析和显示功能,使其与VB相结合集成开发空间负荷预测系统,给出了系统的总体设计与数据库设计方案,并分析了开发过程中的关键技术点和实现方法.     

中压配电网电力空间负荷密度分布仿真

针对传统方法没有考虑到同类负荷分布不均,导致无法为电力预测提供可靠的数据基础的问题,提出一种中压配电网应用电力空间负荷密度特性研究方法。按照中压配电网应用电力空间实际情况,通过元胞生成在应用电力空间中完成土地使用种类的模拟,利用GIS平台得到元胞的空间分布以及涉及属性数据,形成数据表。通过均匀核函数获取核密度计算的一般形式,采用核估计实现中压配电网应用电力空间负荷密度计算,解决负荷分布不均的问题,并确定中压配电网应用电力空间负荷密度及其置信区间。在此基础上运用Logistic曲线对负荷密度指标进行拟合,通过回归模型获取不同产业占比和负荷密度间的关系,得到差异分位数下负荷密度指标和各产业占比间的定量关系,获取负荷密度分布特性。分析实验结果得出,所提方法研究结果和实际结果基本一致,方法可靠。     

光伏影响下考虑气象负荷分解和LSSVM的负荷预测

随着光伏电源并网规模的不断扩大,光伏电源出力的波动性使得负荷预测难度加大,气象因素又对电力系统负荷有显著的影响。考虑剥离光伏电源对电网负荷预测的影响后,研究实时气象因素对电力系统净负荷的影响,然后将净负荷分解为基础负荷和气象敏感负荷,采用灰色模型GM(1,1)和最小二乘支持向量机算法分别对二者进行预测。之后采用主导气象因素辨识方法分析影响净负荷的主要气象因素,合理选取预测模型的输入向量,实现了考虑光伏影响与气象敏感负荷分解的LSSVM负荷预测。实验证明所提出的模型能够明显提高负荷预测的准确度。     

电动汽车充电负荷预测研究

电动汽车的快速发展会逐渐增大电网的运行压力,而预测电动汽车的充电负荷有利于电网的运行和合理调度.论文分析了电动汽车充电负荷的影响因素,得到不同充电方式中充电功率的变化,分析了三种类型电动汽车的充电频率、日行驶里程和起始充电时间,并建立了相应的概率密度函数模型.最后采用蒙特卡洛算法模拟计算出日充电负荷,为电动汽车有序充电...     

基于极限学习机的太阳能光伏电力系统负荷预测研究

太阳能光伏发电受多种因素影响,包括太阳辐照度和电池板温度等,当室外环境发生变化时光伏阵列无法持续性工作,导致光伏发电的能量转换效率降低,其向电网注入的负荷和电能随之减少。只有准确地对周边环境变化进行分析,才能合理利用太阳能资源,充分调动太阳能光伏发电的输出负荷,为此,研究基于极限学习机的太阳能光伏电力系统的负荷预测方法。光伏电力系统受太阳辐射影响,为对其系统负荷进行预测,通过贝塔函数建立负荷峰值模型,获取光伏电池组的辐射强度,确定太阳辐射的分布概率密度。采用概率密度构建负荷预测函数集,在寻找最优函数的基础上,定义预测函数的依赖关系。基于极限学习机关联预测函数期望值,通过最小二乘解确定预测权值,实现太阳能光伏电力系统负荷预测,完成方法设计。实验结果表明：新方法能够对并行光伏电力系统的出力值进行有效预测,平均相对误差可以控制在1%以下,具有应用价值。     

基于BP神经网络的区域配电网短期电力负荷预测

随着电力工业逐步进入市场化,区域配电网短期电力负荷预测在电力行业中地位越来越重要,精准的短期负荷预测方法对电力系统安全稳定的运行至关重要.因此,文章在综合分析实际负荷特征和BP神经网络原理的基础上,提出BP神经网络预测方法,并通过以东北某地和荷兰某地两个场景下的实际负荷对所提出的方法进行验证.最后采用平均百分比误差、均...     

模糊神经网络在电力短期负荷预测中的应用

提出用于电力短期负荷预测(SILF)的一种模糊神经网络(FNN)方法，该方法针对BP网络收敛速度慢、易导致局部极小值的缺点，将考虑气候、温度、星期类型等影响因素的模糊技术与快速二阶BP网络相结合，并以南方电网负荷预测为例，应用MATLAB蚀语言对系统进行仿真训练，测试结果表明，该方法具有较高的预测精度。     

计及评价指标冲突的电动汽车充电负荷区间预测

电动汽车充电负荷具有强随机性,且受电池容量与用户用车行为影响。为有效预测充电负荷时序分布,本文提出一种计及评价指标冲突的充电负荷区间预测方法。首先,该方法分析日间充电负荷间时序相关性,并用强相关历史日充电负荷数据构建充电负荷预测所需的特征集。接着,采用弯曲高斯过程（warped Gaussian process , WGP）方法,并结合多种协方差函数来构建多个充电负荷区间预测模型。为解决多指标评价存在冲突和仅选择最优的一个预测模型会出现极端误差问题,本文应用面积灰关联决策方法,对各模型开展计及评价指标冲突的综合评价,并依据获取的面积灰关联贴近度,构建电动汽车充电负荷组合区间预测模型。实验结果表明,本文提出的方法能够获得更精确、覆盖率更高的充电负荷预测区间。     

基于级联网络的电力系统短期负荷预测

电力系统短期负荷预测对电力系统运行设计具有十分重要的意义。因此，在分析了电力负荷运行曲线的基础上，提出了一种基于级联模糊神经网络的预测模型。该模型采用基于神经网路理论的模糊模型参数辨识方法，很适合于复杂系统的模糊预测和控制。详细地对输入量的选择和学习算法进行了分析。实例表明，此方法具有町靠、鲁棒性好和快速等特点，优于神经网络电力负荷预报方法。     

基于GRA-IBAS-BP网络的短期配电网负荷预测

针对城市配电网负荷非线性、易受多种因素影响的特点,提出一种基于灰色关联分析(GRA,Grey Relational Analysis)和改进天牛须搜索算法优化的BP网络(IBAS-BP,Improved Beetle Antennae Search-Back Propagation)的短期负荷预测模型.本文首先通过灰色关联分析选取了与待测日特征高度相关的相似日样本,然后改进了标准天牛须搜索算法参数的更新策略,并将其运用于BP网络参数的寻优过程.最后,对某市2018年夏季网供负荷数据进行实验表明,相对于传统BP神经网络,该组合方法能有效提高负荷预测精度.     

基于级联网络的短期电力负荷预测研究

电力系统负荷预测通过对历史数据分析,预测未来需求,利用经典的Kohonen网络、Elman神经网络和粒子群优化算法建立级联网络预测模型,为了对电力系统短期精确预测,提出了处理非线性问题和解决负荷预测问题.对级联网络预测模型不但能够综合各种单一预测模型的优点,而且能够随时间的推移使结构不断变化,可以减少负荷预测的工作量.用三种神经网络模型进行短期电力负荷预测的仿真结果比较,验证了级联网络预测算法的有效性和良好的应用前景.     

电动车充电负荷建模及对配电网的影响分析

在电动车充电负荷建模优化的研究中,电动汽车大规模使用后,需要对电动汽车的充电负荷建模与准确计算,以分析对电网的影响.通过对电动汽车电池的充电特性、充电起始荷电状态及充电时间等因素分析,建立单个电动汽车充电负荷模型,根据中心极限定理进而得到大量电动汽车充电负荷的计算方法,分别在不同电价政策下考虑电动汽车常规充电和快速充电情况下,对电动汽车充电负荷进行了仿真比较分析.仿真结果表明,由于电动汽车多在夜间充电,则对原负荷曲线有一定“填谷”作用,均增加了负荷系数,缩小了峰谷差;尤其在分时电价无快充情况下,峰谷差最小,负荷系数最大.     

基于主分量分析和遗传神经网络的电力负荷预测

针对中长期电力负荷预测受经济、人口、天气、政策的影响密切的问题,为了保证预测的准确性和快速性,应当将这些影响因素全部考虑进来作为预测模型的输入。首先通过主分量分析法在保证不丢失输入信息的情况下将输入的维数降低,然后使用遗传算法优化网络的权值和阈值,最后用L—M贝叶斯正则化BP算法训练网络,并与传统的只考虑经济因素的预测方法的训练结果进行了比较。通过《重庆统计年鉴》统计的数据仿真,结果表明本文提出的预测方法的预测精度更高。