基于模糊聚类与函数小波核回归的短期负荷预测方法

短期负荷预测日益成为智能电网的重要课题。将历史日负荷序列表示成等负荷段组成的子序列集合,基于模式相似性方法,采用模糊聚类与函数型小波核非参数回归(FWKNR)相结合的组合预测算法。FWKNR将预测日负荷表示成历史日相应负荷段的加权平均值,将与参考段更相似的段赋予更高权重,并基于离散小波变换的形状相似性度量,采用N-WE计算权重;由预测日各分段预测快速完成日预测。模糊聚类针对单一用户历史负荷进行典型负荷模式的分类预处理,并识别与预测日有更相似行为模式约减的有效训练样本集合参与模型预测。基于某地区实际负荷数据,实验比较分析验证了组合算法的优越性。     

基于数据挖掘与支持向量机的现货市场出清价预测方法

现货市场环境下,市场出清价对于电力市场的发、用两侧参与者和市场管理者都是极为重要的信息。因此,市场出清价的预测研究越发重要。首先分析大多数传统电价预测方法采用的连续序列与该文选取的同时段的电价序列表现出的变化特征差异,给出选取同时段电价序列作为输入的原因。然后基于数据挖掘相似性理论,通过欧氏距离和角度距离2个维度识别历史电价相似序列,得到模型所需训练集数据。以支持向量机（SVM）为预测工具,并利用遗传算法对SVM的关键参数进行寻优。最后将模拟预测结果与不考虑历史相似状态的SVM模型、BP神经网络模型进行对比,通过误差分析证明了所提模型具备更高的预测精度。     

基于边缘计算的台区短期负荷预测方法

配变台区是配电物联网与用户交互的重要纽带,台区短期负荷预测对实现配电物联网的精益化管理具有重要意义。为缓解全部台区上传负荷数据所带来的通信压力,本文提出一种基于边缘计算的台区短期负荷预测方法,将台区智能配变终端存储30天的历史负荷数据作为样本数据,通过核平滑法对样本数据进行清洗,因样本数据较少考虑将样本归一化后,拆分为标幺曲线与基值分别计算提高预测结果精度。然后通过相关系数法构建历史负荷数据的相关系数矩阵,用相关系数矩阵替换仿射传播相似度矩阵后聚类求得相似日的标幺曲线,再通过加权求和求得待测日的标幺曲线。同时,按照相似日原理预测待测日基值,最终通过待测日标幺曲线和基值反归一化后得到待测日负荷曲线完成预测工作。通过山东某配变30天的历史负荷数据计算后表明,所提方法可以实现台区负荷量级小、样本少、波动大情形下的合理预测,占用主站计算资源较少,对配网精益化运维具有积极意义。     

考虑双尺度相似性的负荷曲线集成谱聚类算法

负荷聚类可以依据形态特性差异对负荷曲线进行归类,实现用户用能行为规律分析,为需求侧响应、电网客户服务等提供重要的决策信息。文中提出一种考虑双尺度相似性的负荷曲线集成谱聚类算法。首先,为了克服欧氏距离在负荷特性相似程度度量上的局限,基于负荷差分向量的余弦距离实现负荷形态变化的相似性度量,提出一种双尺度相似性度量方式;然后,基于双尺度相似性与谱聚类算法,建立差异化基聚类模型;最后,依据聚类评价指标自适应计算基聚类模型权重,以加权一致性矩阵与谱聚类实现聚类集成。算例结果证明,所提方法可有效挖掘负荷形态特性差异,在不同数据集中性能表现稳定,具有显著的聚类有效性和鲁棒性。     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于分布式光伏功率分区拟合的统调负荷预测方法

分布式光伏的大规模接入对地区统调负荷预测准确率带来极大影响,因此提出了一种基于分布式光伏功率分区拟合的统调负荷预测方法.首先将分布式光伏覆盖区域进行分区,针对每个小区域,采用区域内集中式光伏功率预测数据对分布式光伏出力进行类比预测;然后将各个小区域内分布式光伏出力预测数据进行累加得到全地区分布式光伏出力预测值;最后在此基础上对地区统调负荷进行预测.该方法在张家口地区负荷预测工作中取得了良好效果,有效提高了地区统调负荷预测准确率.     

基于分形特性修正气象相似日的节假日短期负荷预测方法

节假日负荷易受气象信息、国家调休政策等影响,预测精度较低。为解决上述问题,提出了基于分形特性修正气象相似日的节假日短期负荷预测方法。采用归一化处理和日期适当调整,解决了数据值之间的差异性、经济增长率和负荷变化趋势不一致的问题;将分形特性的自相似性引入节假日短期负荷预测,剔除气象突变带来的不良影响,在海量历史样本集中精准确定相似日查找范围;依据相似性原理,综合考虑气象、日类型等影响因素,建立曲线辨析函数计算负荷的差异系数,在特定范围内查找与待预测节假日气象最相似的一天。以南方某电网数据为实际算例进行仿真,结果表明所提出方法满足工程实际的需求,其中2015年春节期间96点日负荷准确度达97.63%。     

考虑数据新鲜度和交叉熵的电动汽车短期充电负荷预测模型

研究了公交车充电站短期负荷预测方法,提出了一种基于数据新鲜度和交叉熵的组合预测模型。首先,对公交车充电站的负荷特性进行分析,发现日充电负荷具有波动大、周期性、与气象条件(温度、降雨等)密切相关的特点。其次,对组合预测模型在累积历史预测误差的过程中作了如下改进:1考虑充电负荷样本数据的时间特征和波动性特征,给出了基于灰色关联度的相似日选取方法;2考虑单一模型在预测过程中的精度和稳定度,基于交叉熵和正态分布概率密度函数建立组合预测模型,动态地调整权重系数;3充分考虑数据源的时间有效性,提出新鲜度函数的概念,改善了单一预测方法的概率密度分布函数,进而优化组合预测的权重系数,进一步提高组合模型预测精度。基于北京市某公交车充电站的历史充电数据构建训练样本和测试样本,通过与单一预测模型和其他组合模型的预测结果进行比较,证明了所提组合预测模型的有效性。     

复杂环境下新型电力系统扩展短期负荷预测研究

由于能源结构的多元化和用电需求的多样性,电力系统的运行环境和负荷变得越发复杂,导致短期负荷预测精度低。针对上述问题,提出复杂环境下新型电力系统扩展短期负荷预测。通过分解大量的历史负荷数据,发现负荷变化的多种趋势和周期性特征。计算负荷序列的形态系数,反映负荷序列的动态变化。选取趋势相似日找到与目标预测日气候条件、节假日安排等相似的历史日,在得到相似日的负荷数据后,对数据进行处理和参数优化,进而预测目标日的负荷。实验结果表明,该预测方法预测精度较高,最终能输出较为准确的短期负荷预测结果。     

含有历史不良数据的电力负荷预测研究

传统负荷预测算法在历史负荷序列无不良数据的条件下已能对短期负荷做出较为理想的预测。由于实际负荷数据在监测、集抄、存储过程中难免会产生错误或有所误差,此时仍依靠传统预测算法进行负荷预测,可能在某些时间节点会引起较大误差。为了解决此问题,提出含有历史负荷序列不良数据辨识与修正能力且能对负荷进行相似度预测及负荷偏差纠正的预测模型。通过运用实际电力负荷数据进行验证,该模型能较好地避免了不良数据的干扰,有效地提高了含有不良数据的历史负荷序列的预测精度。