基于长短期记忆神经网络的配电网负荷预测方法研究

高渗透率分布式光伏接入配电网后,将削减配电网负荷。由于光伏出力与配电网负荷均具有强随机性,且与温度、太阳辐照等相关气象因素耦合特性不同,导致配电网净负荷随机性提高、预测难度增加。为满足强波动性配电网净负荷短时预测需要,提出基于长短期记忆(long short term memory,LSTM)神经网络短期预测模型构建新方法。采用LSTM分别构建小时前配电网负荷预测模型和短期光伏出力预测模型,并分别使用交叉验证方法优化各个LSTM预测器结构超参数;最后,以两者预测结果相减,获得配电网净负荷。实测数据实验表明,相较于支持向量回归(SVR)等方法,采用LSTM的新方法能够自适应挖掘历史负荷、光伏出力特征与预测对象间的相关性,避免了复杂的特征选择环节,且预测精度优于SVR预测方法。     

基于差值思想的母线分布式光伏辨识方法

利用不同自然日负荷间的相似性与差异性,提出一种基于负荷曲线间差值的母线分布式光伏无监督辨识方法。首先,采用模糊C-均值算法,根据外部环境因素将各自然日分为不同集合及子集。然后,求取子集间的平均集中式光伏出力差值曲线和平均净负荷差值曲线,利用相关性分析和集合经验模态分解进行差值曲线的筛选和滤波。最后,利用两差值曲线幅值之比和光伏模型求解母线分布式光伏安装情况及各时段出力,算例结果验证了所提方法的有效性。     

基于序列分解的母线负荷降噪预测方法

新型电力系统背景下，分布式电源和用户侧行为的多样性使母线负荷稳定性不足，对负荷短期预测提出了新的挑战。为此，提出一种基于序列分解的母线负荷降噪预测方法，将变分模态分解方法的构造与分解规则应用到母线负荷序列分解中，针对序列分解后的余项，利用局部加权回归方法进行平滑处理，实现母线负荷降噪预测。基于某地区母线负荷有功功率实测数据，构建循环神经网络对降噪后的母线负荷进行预测，结果表明该方法能够去除母线负荷序列噪声，序列趋于光滑且保留了原始母线负荷序列的特征，具有优良的预测曲线和精确的预测结果。     

基于改进灰色模型与综合气象因素的母线负荷预测

针对母线负荷与系统负荷的差异——母线负荷基数小、易受气象要素变化影响等,为了充分考虑气象要素、日类型、小电源等因素对母线负荷预测的影响,提出了一种利用指数加权法来处理原始数据的改进灰色模型。以预测日的日类型与综合气象要素为依据,将其模糊化为日特征向量,采用灰色关联度来选择最优相似日,作为改进灰色模型的原始序列进行预测,...     

基于灰色模型和Kalman平滑器的多母线短期负荷预测

提出一种基于灰色模型和Kalman平滑器的多母线短期负荷预测方法。首先利用频域分解消去母线负荷序列的周周期分量,建立序列的灰色模型;利用系统负荷预测方法得到系统负荷预测值。然后基于灰色模型,将各母线负荷的累加序列作为状态,系统负荷的累加序列作为观测,建立线性离散随机系统模型,利用Kalman平滑器计算各母线负荷累加序列的最优估计值,最后经过累减还原并加上周周期分量得到母线负荷的预测值。Kalman平滑器利用高准确率的系统负荷预测结果对母线负荷预测进行调整,降低预测误差。在实际系统中进行了仿真验证,证明了该方法的有效性。     

基于相空间重构ARIMA和SVR的母线净负荷预测

为实现对含分布式电源母线净负荷的实时跟踪和预测,以分布式光伏并入电网的母线负荷情况为基础,根据净负荷本身固有的线性和非线性属性,提出了基于相空间重构自回归滑动平均(autoregressive moving arerage,ARIMA)和支持向量机(support vector machine,SVR)的母线净负荷预测方法。首先基于历史净负荷数据使用ARIMA建立拟合模型,对净负荷线性成分预测分析,之后用CC法对非线性成分进行相空间重构,利用SVR模型对非线性部分进行预测。数据建模的结果表明,提出的ARIMA-CC_SVR预测模型对含有分布式光伏成分的母线净负荷适用性较强。     

基于PSR和DBN的超短期母线净负荷预测

随着电网优化调度的精细化、智能化和计及电力系统安全性与经济性的电网高级应用的广泛采用及分布式能源的大量接入,母线负荷预测的精度要求不断提高而负荷的不确定性和非线性特征进一步增强。针对上述问题,文中提出一种基于相空间重构(PSR)和深度信念网络(DBN)的超短期母线负荷预测模型,首先采用C-C法对净负荷时间序列进行PSR,然后利用DBN对重构后的数据进行拟合并得出负荷的预测值。文中利用某市变电站实测负荷数据检验了该超短期母线负荷预测模型的有效性,证明该模型在分布式电源渗透率较高且母线负荷波动较大的情况下仍然有较高的预测精度。     

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...     

参照系统负荷预测的母线负荷预测修正方法

由于母线负荷预测结果的精确度相对系统负荷预测较低,提出了一种参照系统负荷预测值的母线负荷预测值修正方法。先根据母线负荷预测值之和与系统负荷预测值之间的差值确定需要修正的负荷点,再选择该点临近的连续数点系统负荷组成曲线,寻找系统负荷的相似曲线,对应相似日的各母线负荷组成样本、各样本修正值的期望和方差决定修正后的各母线负荷值的范围,采用最小二乘逼近建立二次规划问题,最后利用LINGO软件求解。算例表明了该方法从整体上提高了母线负荷预测的准确率。     

基于小波分解的支持向量机母线负荷预测

为提高母线负荷预测的准确性,提出一种基于小波分解和支持向量机的母线负荷预测方法。该方法利用小波分解算法将目标负荷序列分解为若干个不同频率的子序列,通过分析各个序列的特征规律,构造不同的支持向量机模型对各分量分别进行预测,再将各分量预测值进行重构得到最终预测值。对某一区域内15条母线进行预测,采用平均日母线负荷准确率进行评价。与单独使用支持向量机方法相比,应用所提方法提高了962点的预测效果,占总预测点数的66.8%;全系统的准确率由93.5%提高到了95.1%。     

高渗透率分布式光伏接入的新型电力系统净功率预测

在双碳背景下,分布式光伏发电的大规模增加以及并网接入,对新型电力系统带来了巨大的挑战。高渗透率分布式光伏出力与电力负荷因受天气因素的影响,具有较强的不确定性和波动性,这在一定程度上增加了配电网净功率的预测难度。为了提高配电网净功率的预测精度,文章提出了Attention-双向GRU神经网络配电网净功率预测方法。文章首先对光伏出力特性、用户侧负荷特性、以及配电网净功率影响因素进行分析,充分掌握净功率受分布式光伏出力和用户侧负荷变化规律的影响。然后将Attention机制融入到双向GRU神经网络中建立了配电网净功率预测模型。其中,Attention机制赋予输入特征不同的关注度,双向GRU神经网络能够学习到净功率的时序特征,二者的完美结合,大大提升了净功率预测模型的表示能力和泛化能力。实验结果表明,文章提出的方法大大提高了配电网净功率预测精度,且性能优于对比模型。     

考虑场景联合概率的主动配电网运行重构策略

分布式能源的大规模接入与电动汽车的普及使主动配电网的潮流波动更加剧烈。并且随着智能电网中技术的发展,配电网动态重构的频率将会进一步提升。以减少网络损耗、优化网络潮流为目的,提出一种主动配电网运行重构策略。对配电网重构模型与各元素建模分析,考虑时空分布的EV负荷与计及出力波动的风电、光伏电源;采用多场景模拟技术针对EV负荷与DG出力预测的不确定性进行若干离散联合概率场景的分解;为了使原始非凸非线性问题能够求解,采用二阶锥松弛技术对其进行优化,将问题转化为混合整数二阶锥规划(MISOCP)问题。算例结果证实了所提模型的有效性、鲁棒性与准确性。     

Optimal switching sequence path for distribution network reconfiguration considering different types of distributed generation

Minimizing power losses in a distribution system is commonly realized through optimal network reconfiguration. In the past, network reconfiguration research was focused on planning, where the final configuration with the lowest power losses was the main goal. However, power losses during switching operations from the initial state to the final state of the configuration were not considered. This paper presents the optimal switching sequence path to minimize power losses during the network switching operation. Apart from this contribution, the simultaneous optimal network reconfiguration for variable load network and distributed generation (DG) output is also proposed. The proposed methodology involves the (i) optimal network reconfiguration with variable load and DG output simultaneously, and (ii) the optimal sequence of switching operations required to convert the network from the original configuration to the optimal configuration obtained from (i). The selected optimization technique in this work is the firefly algorithm. To assess the capabilities of the proposed method, simulations using MATLAB are carried out on IEEE 33‐bus radial distribution networks. The results demonstrate the effectiveness of the proposed strategy to determine the sequence path of switching operations, as well as the optimal network configuration and optimal output of DG units. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于负荷组合与光伏电源匹配算法的微电网配置

微电网中的负荷与可再生电源的输出功率具有不同日分布特性,为此,建立了兼顾负荷侧与用电侧的微电网投资效益模型,提出了基于负荷与光伏电源功率匹配算法的微电网配置方法。通过构造有根树,对微电网供电可行域内的负荷组合进行遍历,评价不同组合下负荷叠加曲线对光伏电源发电曲线的适应度。根据适应度评价结果,划定微电网的最优供电区域。最后在此基础上,进行全年模拟运行,确定微电网内各微源和储能设备的容量,使投资效益达到最优。以RBTSBus6系统为例进行计算分析,验证所述方法的有效性。     

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。     

考虑可靠性与故障后负荷响应的主动配电网供电能力评估

针对传统供电能力评估中难以同时解决既避免单纯以负荷高峰时刻全网N-1准则为基础又细致计及分布式电源、储能和负荷需求响应影响等问题,提出了考虑可靠性柔性需求与故障后负荷响应的主动配电网供电能力评估方法。首先,结合出力不确定性与用户差异化的响应能力,对主动配电网中的分布式电源、储能与可响应负荷等基本元素进行建模;其次,构建了以最大供电能力为目标、以可靠性需求和故障后负荷响应经济性为主要约束的主动配电网供电能力评估模型;继而,发展了考虑分布式光伏、蓄电池以及需求响应的主动配电网可靠性评估准序贯蒙特卡洛模拟法,并提出了基于遗传算法的供电能力评估模型优化求解方法;最后,通过算例验证了所提方法可有效挖掘主动配电网供电能力,提升资产利用效率。     

直流配电网光伏变流器柔性出力自适应分段下垂控制

在含光伏的直流配电网系统中,传统的下垂控制在光伏出力变化的情况下,存在功率分配不均衡及母线电压偏差大等问题。针对光伏出力受环境因素影响较为严重,引起传统下垂控制效果变差这一问题,根据光伏出力变化情况自适应调节下垂特性曲线,使其在重载条件下实现功率的精确分配,在轻载条件下,实现母线电压的稳定控制。通过建立下垂控制输出阻抗模型,分析了下垂系数自适应变化对系统环流抑制能力及均流度的影响。在MATLAB/Simulink中搭建光伏直流配电网进行仿真验证。理论分析和仿真验证表明所提光伏变流器柔性出力自适应分段下垂控制能够按照光伏电源出力动态调节功率分配任务,在重载时可以提高系统功率分配精度,轻载情况下可以减小直流母线电压偏差。     

Impacts of load models and power factor control on optimal sizing of photovoltaic distributed generators in a distribution system

This paper studies the impact of optimal sizing of photovoltaic distributed generators (PV‐DGs) on a distribution system using different static load models (i.e., constant power, constant current, and constant impedance) and various power factor (PF) operations. A probabilistic approach with Monte Carlo simulation is proposed to obtain the optimal size of PV‐DG. Monte Carlo simulation is applied to predict the solar radiation, ambient temperatures, and load demands. The objective is to minimize average system real power losses, with the power quality constraints not exceeding the limits, i.e. voltage and total harmonic voltage distortion (THDv) at the point of common coupling (PCC). A modified Newton method and a classical harmonic flow method are employed to calculate the power flow and THDv values, respectively. An actual 51‐bus, medium‐voltage distribution system in Thailand is employed as a test case. Results demonstrate that the proposed method performs well to provide the optimal size of PV‐DG based on technical constraints. Further, the results show that the three static load models do not affect the optimal PV‐DG size but the model has a different impact for various PF operations. PV‐DGs may improve the voltage regulation and decrease the losses in distribution systems practically, but the THDv values could increase. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.