使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

基于D-S证据理论的母线负荷预测

基于D-S证据理论,提出一种母线负荷预测新方法。该方法对BP神经网络、改进的BP神经网络和支持向量机(SVM)的母线负荷预测模型分别建立权重提取和权重融合模型,并运用D-S证据理论对3种预测模型的权重进行融合。通过对预测数据进行分析,提取证据理论样本,并将可信度函数的融合结果作为母线负荷预测模型的权重,最终得到待预测日的母线负荷预测结果。仿真结果表明,与单一的母线负荷预测模型相比,经D-S证据理论融合的母线负荷预测模型更有效,也具有更高的预测精度。     

母线负荷预测中样本数据预处理的新方法

选择SCADA量测数据作为原始数据源,针对目前母线负荷数据中3类典型的异常数据,提出了一种样本数据预处理方法。采用改进的数据横向比较法识别并修正数据丢失点和由突发事件等原因引起的异常突变点,随后采用db4小波阀值去噪法处理由信道噪声等原因引起的数据波动,使负荷曲线平滑化。该方法能够有效识别连续数据丢失点和异常突变点,在保持原有负荷曲线变化趋势的基础上剔除异常波动数据,实现平滑处理,为下一步直接进行母线负荷预测提供高质量的样本数据,在一定程度上提高最终的预测精度。     

基于VMD-LSTMQR的滚动母线负荷区间预测

负荷区间预测能够对负荷出力变化进行概率化分析,准确量化不确定性因素对负荷的影响。相较于传统的点预测,区间预测更能直观反映负荷变化趋势,有助于保障电力系统的安全稳定运行。基于此,文中提出一种基于变分模态分解-长短期记忆神经网络分位数回归（VMD-LSTMQR）的滚动母线负荷区间预测方法。首先,文中采用VMD将原始母线负荷分解成一系列不同频率特征的子序列;接着,确定不同子序列的最优滚动步长并采用LSTMQR分别对不同子序列进行区间预测;最后,将不同子序列的区间预测进行重构,得到原始母线负荷预测结果。文中利用220 kV和10 kV母线负荷数据验证了所采用的区间预测模型相较于传统区间预测模型在预测精度、区间宽度方面得到明显改善。     

虚拟母线技术及其应用(二):虚拟母线负荷预测

与系统负荷不同,母线负荷水平较低,波动性强,规律性弱,可预测性差,引入虚拟母线技术有利于提高母线负荷预测的工作水平与预测精度。在电网中存在一些紧密联系的连通的局部网络,其内部各母线对关键断面具有相同或相近的发电机输出功率转移分布因子(generation shift distribution factor,GSDF),同时其内部母线的负荷曲线具有一定的相似性,这些母线所组成的连通局部母线组为虚拟母线。根据虚拟母线概念,提出一种新颖的聚类预测方法:虚拟母线负荷预测方法;对虚拟母线负荷预测与独立预测的精度进行了比较,分析了预测误差的形成机理,提炼出预测误差的数学表征;针对虚拟母线聚类判据对于提高预测精度的有效性进行了分析;采用河北南网的实际数据验证了虚拟母线负荷预测方法的有效性。     

基于相似日的超短期母线负荷概率性区间预测

为了满足电网调度的实时控制需要,较为准确地预测配电网中低压侧35kV和10kV母线的超短期负荷,结合超短期负荷预测和母线负荷预测的特点,提出了一种基于相似日的超短期母线负荷概率性区间预测方法。利用模式聚类和模式识别的方法分析了历史负荷数据,选取了相似日,并以负荷求导法为基础,得出历史负荷的预测值,计算历史负荷的预测误差,通过统计历史预测误差分布进行概率性区间预测,得到一定置信水平下的预测区间。实例计算结果表明,基于相似日的超短期母线负荷概率性区间预测的准确率为97.36%,该方法提高了母线负荷预测的准确度和计算速度,适合工程实际应用。     

母线负荷异常数据复杂不确定性检测与基于综合云的修正模型

母线负荷数据异常具有复杂不确定性,是进行母线负荷预测、确定电网运行方式和安全校核等必须解决的重要课题。用聚类分析法确定待测日负荷的相似集,基于母线负荷纵向分布规律和横向连续性,提出异常数据复杂不确定性检测方法;研究母线负荷数据的期望、熵和超熵等数学特征,提出基于综合云的异常数据修正模型。以所提方法对某电网110 k V母线负荷数据进行了分析和预测,结果证明了该方法的可行性、正确性和有效性。     

面向节能发电调度的母线负荷预测平台

根据节能发电调度对母线负荷预测提出的新要求,提出了建设母线负荷预测平台的总体方案.采用多层体系的B/S结构和J2EE技术,应用高性能网络数据库作为后台数据支持,建立了以母线负荷分析和预测为核心,集数据采集与管理、预测后评估分析和预测结果的上报考核管理一体化的信息管理和预测系统.提出了母线负荷建模方法、母线负荷预测模型方法库、自适应训练机制、预测过程控制等关键技术,为进行详尽的数据挖掘分析、高质量的需求预测和一体化的母线负荷管理提供灵活的网络化操作平台.该平台适应电网调度管理精益化的新要求,可为提高母线负荷预测精度、提升负荷预测工作的管理水平、保障电力系统安全经济运行提供有力的技术支持.     

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。     

考虑负荷特性的母线负荷异常数据修正方法

介绍了异常数据的种类、特点和识别母线负荷异常数据的方法根据母线负荷特性的影响因素生成特征向量,通过灰色关联度来选取相似参考样本,以相似样本为基础采用模糊C均值聚类获得聚类中心曲线,并根据识别出的异常数据种类,结合聚类中心曲线与修正算法进行异常数据修正实例证明该修正方法对不同的异常数据类型都能有较好的修正效果,确保了母线数据的完整性,提高了母线负荷预测的工作效率和预测精度     

小波分析在电力系统不良数据辨识中的应用

历史负荷受各种因素的共同作用可能造成数据失真,为了能够给EMS或DMS的高级应用软件提供良好的数据基础,首先必须对历史负荷数据进行处理,去除其中的错误数据。实际上,不良数据可以看成是负荷曲线中的奇异点及不规则的突变部分,而离散二进小波变换系数的模极大值的位置和幅度同信号的局部奇异性密切相关。在此基础上提出了一种基于小波奇异性检测和小波除噪的电力系统不良数据辨识方法。通过对大量实际的负荷数据分析,证明了所提出方法的正确性和有效性。     

基于多级负荷智能协调的母线短期负荷预测

为提高母线负荷预测精度,提出一种基于多级负荷智能协调的母线短期负荷预测方法。首先对预测母线负荷序列进行历史负荷与当前负荷的相关性分析,再进行系统空间母线与预测母线的相关性分析,根据两次相关性分析结果合理设置算例,得到预测网络的最优输入方式,然后利用长短时记忆网络(LSTM)建立母线短期负荷预测模型,最后运用吉林省某地区的实测数据将提出模型与反向传播(BP)神经网络和支持向量机(SVM)的预测结果进行对比分析,验证本文提出的预测模型具有更高的精确度。     

三相三线并联型有源电力滤波器的数字化实现

基于整流桥非线性负载电流分析,给出三相并联型有源电力滤波器的一种新型谐波检测算法。对新型谐波检测算法的原理进行了阐述并给出其实现方法,阐述了谐波检测滤波器的设计方法,分析和研究对负载突变时谐波检测算法对直流母线电压影响机理,指出负载突变时直流母线电压波动的原因。最后,就全谐波检测算法和新型谐波检测算法进行仿真和实验对比研究,结果验证了新型谐波检测算法的可行性和可靠性。     

基于数据驱动的母线负荷特性分析

深入分析母线负荷的特性对于提高负荷预测精度,评估电网的安全性和稳定性,辨识需求响应潜力等具有重要的意义。有别于传统的负荷率、峰值出现时刻等指标,提出了一套基于数据驱动的母线负荷特性分析方法。在对母线负荷进行数据清洗、标幺化处理的基础上,利用基于马氏距离的聚类算法对每日母线负荷曲线进行聚类分析;在此基础上,从不同维度提出和采用了模式切换熵、相对波动率、日平均负荷、温度敏感度等4个指标作为凸显母线负荷差异性的评估标准;最后根据提取的特征,利用K最邻近算法对母线负荷进行分类。对广州130条母线负荷数据进行了算例仿真,结果表明所提出的指标能够较好地刻画母线负荷特性,并能取得较好的分类效果。     

间接预测法在母线负荷预测中的应用

为避免220kV母线供电区域内负荷转供、停电以及小电源等因素对母线负荷预测的不利影响,提出了一种间接预测母线负荷的方法。首先把母线下网负荷转换成该母线供电区域内的理想用电负荷,再将该理想用电负荷作为历史负荷数据采用系统负荷预测的算法进行预测得到初步预测结果,同时获取待预测日各种影响因素的值,初步预测结果剔除各种影响因素...     

EMS中负荷预测不良数据的辨识与修正

分析了实际电力系统中负荷异常数据的主要成因,并针对2类主要的坏数据各自的特点,分别使用不同的方法处理负荷预测样本数据.针对自动化系统故障造成的坏数据,提出了具有负荷预测应用特点的总加值动态多源处理技术,从而能够充分利用采集设备或网络通道对负荷总加值而言的多重冗余配置;针对大负荷的突发性偶然波动造成的坏数据,采用对电网终端负荷的逐一扫描辨识,部分避免了对单一总加数据预处理的误判和漏判.     

基于模糊负荷聚类的不良负荷数据辨识与修正

为辨识和修正不良负荷数据,在利用模拟退火遗传算法优化的模糊C均值（Fuzzy C-Means,FCM）算法进行负荷曲线聚类的基础上,提出将待测曲线与相应特征曲线进行比较计算差量系数的方法.差量系数大于电力公司确定的阈值的负荷点即为不良负荷数据.通过算例验证表明,该方法克服了统计历史数据中不良数据的影响,提高了不良数据辨识的可操作性和实用性.同时提出了考虑不良数据测量点外所有其他测量点负荷信息的不良数据修正方法,与仅考虑不良数据测量点前后2个测量点负荷信息的修正方法相比,提高了不良数据修正的精确性和有效性.