基于聚类与自适应划分的短期负荷预测

针对季节性划分不准确及气象条件动态变化对短期电力负荷预测造成的影响,提出一种基于负荷聚类与趋势自适应分段的电力负荷短期预测算法.算法首先对历史数据进行聚类以实现对负荷曲线的季节性划分,然后提取各季节负荷变化趋势并对负荷曲线自适应分段,最后通过改进ORELM模型实现各季节负荷的多分段建模与预测.实验结果表明,相比于支持向量回归及极限学习机等已有方法,文中算法取得更优的预测精度和对不同季节及气象条件的鲁棒性.     

基于小波聚类的配变短期负荷预测方法研究

为了进一步实现对配电变压器的精细化无功补偿控制,从配电变压器负荷随机性强的特点出发,分析并实测了传统的负荷预测方法和数据预处理方法在配变负荷预测上的适用性,提出了基于小波变换和层次聚类分析的配变短期负荷预测方法。对标幺曲线与基值分别进行预测,利用小波变换获取标幺负荷曲线的细节信息,通过聚类分析寻找相似曲线,并使用核函数平滑的方法获得标幺预测曲线,最后通过倍比平滑法获得预测基值,从而完成预测。对济南某配电变压器1个月的实际负荷进行预测的结果表明,所提方法的预测精度优于传统的频域分量法、倍比平滑法和点对点倍比法,在台区的负荷预测方面适用性更强。     

基于时间分解技术的中远期逐时负荷预测模型

中远期电力负荷预测对于引导电网规划建设和提升电力系统资源优化配置具有重要意义。为解决当前中远期负荷预测时间尺度过大、预测精度有限的问题,利用时间分解技术,对电力负荷的长期趋势与短期特征分别进行建模分析,从而提出一种新型预测方法,将中远期负荷预测的时间尺度缩短至小时,实现中远期逐时负荷预测。算例分析表明,所建模型在中远期逐时负荷预测方面的性能优于现有的同类模型,具有较高的全局精度和稳定性。同时,能够有效呈现电力负荷的概率密度特征和极值特性,有望为中远期电力规划提供参考。     

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。     

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。     

基于局部相似与神经网络的超短期负荷预测方法

为提高超短期负荷预测精度,特别是负荷曲线在拐点处的精度,在模糊聚类分析的基础上提出了一种选取局部相似日的改进模型。通过该模型选取局部相似日,并结合RBF网络提出一种新的预测超短期负荷方法。采用该方法建立2个预测模型,分别用于预测下个时刻和下一个小时段的数据。将该方法与灰色关联分析预测方法进行比较,发现该方法在预测精度上具有显著优势,证明新的预测超短期负荷方法有较高的可靠性与有效性。仿真结果表明,新的预测超短期负荷方法在工作日或休息日负荷曲线拐点处的预测上,均具有较高精度。     

电力市场中扩展短期负荷预测的动态支持向量机模型研究

日负荷预测并不利用最新获得的负荷和天气等信息及时更新预测模型输入,不能动态跟踪最新的负荷变化。扩展短期负荷预测利用最新获得的信息,预测当前时刻以后若干小时的未知负荷,可以明显提高预测精度。通过支持向量机建立动态预测模型,滚动引入最新获得的负荷相关信息,对当日未知的多点负荷分别利用不同模型进行滚动预测。研究实例表明该动态模型预测误差较一般短期预测降低1/3左右。     

计及误差补偿的两阶段短期电力负荷预测方法

针对短期电力负荷预测中的不确定性和波动性问题,提出了一种计及误差补偿的两阶段短期电力负荷组合预测方法：第一阶段,采用变分模态分解将电力负荷数据分解为若干个简单模态,利用基于萤火虫扰动优化的麻雀搜索算法对双向长短时记忆神经网络的超参数进行寻优,建立负荷预测模型,得到初始负荷预测功率值;第二阶段,综合考虑误差序列以及外界影响因素,建立误差补偿模型,得到误差补偿值,将两个阶段的值相加即为最终的负荷预测结果。以两个地区小区的实际负荷数据进行算例仿真,与其他的组合预测方法相比,本研究提出的方法具有更高的预测精度,平均绝对百分比误差和均方根误差分别达到1.26%、16.20 kW,验证了所提方法的有效性。     

短期电力负荷预测中的数据处理技术

科学合理进行数据处理是提高短期电力负荷预测精度的最基本环节之一。提出从采集样本数据到预测结果最终生成的数据处理流程;应用盆形曲线的体感温度标准化模型和模式识别96点相似采集样本技术进行采样前的标准化处理和样本选取;基于小波局部奇异性理论提出异常数据辨识与处理技术;利用最小平方误差法对预测曲线进行平滑处理。大量实际负荷数据分析和工程应用结果证明了此数据处理技术的有效性与实用性。     

基于超短期负荷预测的电力系统动态状态估计

在常规动态状态估计的基础上,引入高精度的超短期负荷预测数据,将预测的节点注入功率作为滤波步的输入,实现了系统状态的实时跟踪预测。仿真表明,基于超短期负荷预测的电力系统动态状态估计算法提高了动态状态估计的计算精度．具有一定的现实意义和理论价值。     

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。     

0.4kV配电网无功补偿优化模型的构建策略

针对0.4kV 配电网负荷波动性,采用分时段无功补偿优化模型改善配电网运行质量.基于配电网日负荷曲 线构建了无功补偿优化分段模型,然后根据配电网网损灵敏度和电压偏移指标建立了无功补偿点筛选方法,并通过分 析多优化目标对所有模型进行求解,在配电网负荷分段和负荷曲线分段点下确定最优无功补偿优化方案.以IEEE33 节点为例对构建的无功补偿优化模型进行仿真分析,验证了所构建模型的有效性.     

基于解耦机制的小地区短期负荷预测方法

小地区短期负荷预测是电网企业精细化管理的重要手段。针对小地区短期负荷预测的特点,提出了基于解耦机制的误差分析模型和预测机制,将短期负荷预测分为负荷水平预测和标幺曲线预测两部分。小地区负荷结构单一,标幺曲线相对稳定;负荷基数较小,负荷水平的波动比较明显;标幺曲线和负荷水平受不同因素的影响,影响机理不同,分别预测有利于提高预测精度。提出了标幺曲线和平均负荷预测方法,理论分析和实践均证明,该方法能较好地把握负荷发展规律,提高了标幺曲线和平均负荷的预测精度,使总预测效果得到了改善。     

考虑分散接入配电网的光伏系统对母线负荷预测影响的功率预测技术研究

基于提出的功率渗透率指标和负荷数据重构方法,分析分散接入配电网的光伏系统对常规负荷预测模型及其精度的影响。在分布式光伏渗透率分别为0%、5%、10%、15%、20%、24.46%、30%、35%、40%、50%、60%和75%下,短期负荷预测精度呈现明显下降趋势,可见,分布式光伏有功出力有必要作为负荷补偿原始负荷。文章提出基于BP神经网络的分布式光伏短期功率预测模型,详细分析其模型训练和验证过程,通过分析典型日的分布式光伏功率预测精度,该模型具备工程化应用能力。     

计及广义负荷不确定性和激励型需求响应的电力现货市场竞价方法

以国内目前电力现货市场运营机制为基础,提出一种计及分布式发用电单元功率预测不确定性以及激励型需求响应资源功率调节能力的广义负荷参与日前电力现货市场竞价的方法,并构建相应的市场出清模型。统计得到广义负荷净功率预测误差的条件概率分布,推导广义负荷日内购电期望和需求响应补偿的成本函数,揭示价格引导模式下广义负荷激励型需求响应的响应量-申报电价-申报电量之间的关系,使广义负荷原本多元、随机的报价曲线等效转化为符合市场统一规范的一元确定性报价曲线。采用不均匀最优分段技术将连续型报价曲线转化为规范的离散型阶梯曲线,并将其代入动态市场出清模型中进行竞价出清。仿真结果验证了出清电价对分布式新能源发电和负荷用电平衡情况的刻画能力。     

非迭代与分时段最优的风电功率短期预测

风电功率短期预测模型多数以数值天气预报信息(numerical weather prediction,NWP)为输入,然而NWP数据存在一定的局限性。且以历史统计数据为输入时,误差会随预测提前时间的增大而急剧增加,因此常应用于超短期预测。为此提出了一种非迭代–分时段最优预测模型,首先以历史数据为输入,采用非迭代方式预测未来24 h的风电功率。然后找出分别使各个预测时段误差最小的最优输入个数,并求得基于历史风速数据和历史功率数据2种模型的分时段最优权重。实验证明,非迭代-分时段最优模型有效地消除了累积误差增大了预测范围,大大提高了各个时段的预测精度。与其他预测模型相比,该模型数据来源方便、结构简单、预测精度高。     

基于优化稀疏编码的超短期负荷滚动多步预测

小时级的超短期负荷预测是调度部门制定日内滚动计划的基础。该文提出了一种基于优化稀疏编码的超短期负荷多步预测算法,对未来4h的负荷进行滚动预测。首先,将历史负荷功率序列组成具有时延的特征字典和目标字典,并利用稀疏编码算法建立多步预测模型;然后,基于负荷曲线的相似性特性,借助实时的负荷功率特征向量与特征字典中原子的拓展符号化距离对特征字典原子进行筛选,提高了稀疏编码的预测精度;最后,对预测结果进行误差分析。针对负荷爬坡时段误差偏大的问题,通过基于负荷增量预测值的修正模型进行优化,进一步提高了预测精度。采用实际负荷数据进行分析,验证了所提方法的有效性。     

基于局部形相似的超短期负荷预测

为了进一步提高超短期负荷预测的精度,特别是负荷曲线出现拐点时的预测精度,在选择相似日的基础上,提出了一种基于局部形相似的超短期负荷预测方法。通过西安地区实际负荷数据的仿真,验证了该方法既能保证负荷曲线拐点处的预测精度,同时又提高了总体的预测准确度。     

一种实用的配电网无功运行两层优化方法研究

针对多时段动态无功优化,将控制设备动作次数转化成设备调节费用并将其计入目标函数,建立以全天网损费用与设备调节费用之和最小为目标函数的优化模型。将Fisher有序聚类算法引入到负荷曲线分段问题中,使分段后的负荷曲线尽可能贴近实际负荷水平。提出一种基于改进遗传算法和准动态规划法的两层优化算法,以获取全天控制设备的动作方案,实现多时段的协调优化。为兼顾算法的寻优速度和搜索精度,可依据电网规模灵活设置各阶段保留的最优路径数,适合于大规模系统的动态无功优化。算例表明了所提方法的实用和有效。     

基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法

随着售电侧市场的逐步开放,集中式的供售电模式被打破,为获取更精确的区域短期负荷预测值,提出一种基于k-means聚类和变分位鲁棒极限学习机的短期负荷预测方法。首先利用传统的k-means聚类算法对历史电力负荷数据进行负荷模式的提取,获取相同用电行为的用户负荷曲线。然后采用变分位鲁棒极限学习机对不同类负荷曲线分别建立预测模型,最后叠加单个的预测值形成最终的预测结果。通过设定不同的分位值来模拟不同的预测场景,以此得到所有可能性的预测值,即实现变分位-多场景的VQR-ORELM灵活预测。为验证所提方法的有效性,采用2个实际案例进行仿真分析。结果表明,相对于支持向量机、BP神经网络、极限学习机模型、鲁棒极限学习机模型,所提模型在聚类前后预测精度始终最高,进一步验证了所提方法的优越性和灵活性。通过k-means聚类后,所有模型预测性能都有较大提高。