城市电力规划负荷预测之我见

在城市电网规划工作中,电力负荷预测是电力系统规划的基础和重要组成部分,是合理确定城市电源电网规模和布局的基本依据。文章对城市电网电力负荷预测模型方法进行简单阐述,力负荷综合预测体系进行了详细分析研究,最后结合当地电网规划设计实例,详细分析了空间负荷预测法在城市电网规划设计中的应用。     

基于智能优化的电力负荷预测方法研究

为了使电力系统短期负荷预测精度得到提高,提出了基于智能优化的电力负荷预测方法.通过粒子群优化算法的分析创建智能优化预测模型,通过模型能够得出优化阈值与权值;创建神经网络,确定不同层神经元权值.通过创建的神经网络模型实现电力负荷预测算例的分析,以某地区电力信息为例对文中电力负荷预测方法的精度进行研究.研究结果表明,文中算...     

对于中低压电网电力负荷预测研究

随着社会的不断发展,科技的不断进步,我国各个领域均得到了很好的发展,人们的生活质量也有了更大的提升.电力行业在社会发展中一直占据着十分关键的地位,如今各行各业均在积极进行着改革与升级,为了能够满足发展要求,需要对电力负荷预测方法进行创新和优化.本文通过查阅相关资料,简要介绍了电力负荷预测种类、传统中低压电网电力负荷预测方法,以及现代中低压电网电力负荷预测方法,以期能够为促进我国电力建设完善化提供有价值的参考.     

基于Attention-LSTM的电力负荷自动预测方法

电力负荷预测方法异常数据筛选能力较差,导致预测精度较低,为此,基于Attention-LSTM研究一种新的电力负荷自动预测方法,构建ZigBee组网协议下的数据采集信息组网,采集电力负荷原始数据,建立自动预测模型,将电力负荷数据输入到数据处理模块中,构建模态序列,将各个子序列中的模态分量结果重组叠加,得到电力负荷功率的预测结果。实验结果表明,该方法能够筛选出绝大部分异常数据,异常数据筛选率在90%以上,预测精度在99%以上,预测时间低于15 s。     

气候对电力负荷预测的影响分析

在电力系统运行过程中,电力负荷预测具有十分重要的作用,精确的负荷预测能够确保电力系统生产安排、经济调度的顺利开展,并且还可为系统运行安全提供保障。在当前宏观经济形势环境下,气候作为影响电力负荷的重要因素,对负荷预测准确度有着重要的影响。本文从电力负荷预测的概念及作用出发,着重分析了气候对电力负荷预测的影响。     

空间电力负荷预测方法综述与展望

随着社会的发展,科技的进步,电力企业开始对电力系统实施精细化管理,而电力系统精细化管理的规划工作主要是依靠空间电力负荷预测来进行,所以空间电力负荷预测问题成为当中重要的研究课题。本文结合该领域当中的研究成果,针对空间电力负荷预测进行了更深层次的探索,对如今现有的各种空间电力负荷预测方法进行分析,并提出几点意见以供参考。     

基于LSTM的油田电力负荷预测研究

鉴于油田配电网中包含多种类型异常数据,不利于负荷预测、电能决策处理和调度分配等工作,因此异常负荷的辨识与修正对提高负荷数据的有效性、可靠性和建立安全、高效和可持续发展的电力系统十分必要。基于上述原因,提出了一种箱线图和生成式对抗网络（WGAN）相结合的数据异常辨识方法,该方法运用箱线图法完成油田电网有功功率、无功功率、电流等数据的异常识别,使用基于Wasserstein生成式对抗网络（WGAN）算法实现数据拟合和生成,为后续基于LSTM(Long-and-Short Term Memory)的负荷预测模型提供数据支撑。在原始数据存在较多缺失的情况下,模型预测值的绝对百分比误差均小于4%,说明预测准确性较高。     

城市电网规划的负荷预测方法探讨

在对城市电网电力负荷预测模型方法进行简单阐述后,对城市电网规划设计的电力负荷综合预测体系进行了详细分析研究。最后,结合当地电网规划设计实例,详细分析了空间负荷预测法在城市电网规划设计中的应用。     

基于离群点检测算法的电力大数据异常值检测

目前提出的电力大数据异常值检测方法由于检测过程中无法提取异常特征,因此检测到的异常电流和异常电压所在时间不同,为此提出基于离群点检测算法的电力大数据异常值检测方法。利用高斯混合模型中提取电力大数据异常值的特征,通过离群点检测出符合距离要求的异常值,初步检测易于识别的异常数据。分析离群点与异常值分布密度之间的关联性,确定更深层次的异常值,使用离群点进入数据簇中和聚类中心中寻找缺少异常特征的异常值。实验结果表明,基于离群点检测算法的电力大数据异常值检测方法检测到的异常数据离散情况和振幅波动响应状态具有一致性,异常电流和异常电压所在时间都为0.3～0.4 s,证明了方法的可行性。     

Anomaly detection of smart metering system for power management with battery storage system/electric vehicle

A novel smart metering technique capable of anomaly detection was proposed for real-time home power management system. Smart meter data generated in real-time were obtained from 900 households of single apartments. To detect outliers and missing values in smart meter data, a deep learning model, the autoencoder, consisting of a graph convolutional network and bidirectional long short-term memory network, was applied to the smart metering technique. Power management based on the smart metering technique was executed by multi-objective optimization in the presence of a battery storage system and an electric vehicle. The results of the power management employing the proposed smart metering technique indicate a reduction in electricity cost and amount of power supplied by the grid compared to the results of power management without anomaly detection.     

基于大数据的电力信息网络流量异常检测机制

随着智能电网建设的加强,电力信息网络及其承载的业务系统得到迅猛发展,网络业务流量的检测和预警具有重要的安全意义.针对目前电力信息网络缺乏处理流量异常问题的有效技术手段,提出了一种基于大数据的电力信息网络流量异常检测机制,并通过对改进的局部异常因子(M-LOF)和支持向量域数据描述(SVDD)两种常用异常检测算法的对比分析,总结出适合电力信息网络的流量异常检测方法.     

组合预测方法在电力系统负荷预测中的应用研究

本文阐述了组合预测方法与电力系统符合预测概念和组合预测方法的应用原则、模式和基本形式,并通过对组合预测在电力系统负荷预测中的作用及意义,就对组合预测方法在电力系统负荷预测中的应用研究进行了分析。     

时间序列不确定数据流中异常数据检测方法

结合小波分析和不确定聚类方法的优点,提出一种基时间序列不确定数据流的异常数据检测方法,该方法主要考虑数据流中元组的不确定性,同时平衡检测的计算代价与检测精度。仿真实验证明,该检测方法能够良好地适应数据流的不确定性。在一定条件下可获得相当好的检测效果。     

基于异构数据的电力短期负荷大数据预测方案

随着多种可再生能源电力的接入,电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测,特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案,该方案收集来自智能电表和天气预报的数据,预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理;设计并实现了一个长短期记忆递归神经网络模型,用于确定负荷分布并预测未来24 h的住宅小区用电量;最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试,并使用均方根误差和平均绝对百分比误差两个指标,对比了预测模型与两种经典算法的性能,验证了所提模型的有效性。     

面向智能电网峰值负荷降低的用电数据分析

随着用电负荷需求不断增加所引发的峰值负荷过载问题,文中建立了智能家居(SH)和智能电网(SG)服务器之间数据通信模型,给出了配电网负荷需求管理的总体条件,并提出了一种面向智能电网(SG)的负荷数据分析DR管理方法,通过对用户的SH收集用电数据进行分析,设计了峰值负荷情况下的DR决策,分别从用户、电力公司和瞬时负荷变化三个角度设计了不同的峰值负荷降低算法。仿真结果表明,所提出的方法在很大程度上有效地降低了配电网的峰值负荷。     

基于MRA与回归分析法的短期电力负荷预测

为提高电力系统短期负荷预测准确度,首先利用多分辨分析的小波变换对短期电力负荷序列进行分解处理,根据其在小波各尺度上子序列的特性分别进行回归预测,再将预测结果进行小波重构,得到了满意的预测结果。     

数据流异常检测及其在僵尸网络检测中的应用

目前大多关于P2P僵尸网络检测的研究都采用传统的逆向工程方法,这些方法检测都比较准确,但其工程实施难度太大,效率较低,且对于变种病毒,该类检测方法无能为力。本文尝试通过数据流异常检测技术的应用,找到一种适合数据流应用场景的异常检测方法,并尝试将其应用于P2P僵尸病毒的检测当中,通过监控网络数据流,能够有效地发现P2P僵尸病毒在传播过程当中的特殊行为,并通过捕获这些行为来实现发现僵尸主机的目的。     

一种风电功率的复合预测

本文以东南沿海地区某风力发电场数据为背景,在分析原始数据特点后,确定了相应的缺失数据的填补方法以及数据的预分解方法。之后针对数据预处理结果建立了基于时间序列和优化的BP神经网络复合预测模型,并给出风电功率预测结果。最后比较了复合模型与其它模型预测的均方误差以说明复合预测模型在提高预测精度方面的优势。     

基于相空间重构的电力系统负荷预测

近年来,混沌理论在非线性系统中得到了越来越广泛的应用。针对电力系统负荷时间序列的复杂性和混沌行为,采用基于相空间重构技术的电力负荷时间序列混沌预测也成为电力负荷预测的一大研究方向。在总结和归纳的基础上,对基于相空间重构的负荷预测进行了分析论述,并展望其应用前景。