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。     

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。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划,减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,基于神经网络用相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明该方法建立的预测模型具有较高精度,能够为调度运行人员提供决策辅助。     

新型电力系统下考虑分布式光伏并网的配电网可靠性评估

新型电力系统下，大量分布式光伏接入配电网，考虑其出力及负荷的随机特性，须对配电网安全性进行多角度综合评价。针对分布式光伏灵活接入配电网对其可靠性产生影响的问题，首先根据分布式光伏典型的出力特性，建立分布式光伏出力概率的模型。随后，确定光伏并网评估的指标以便对配电网风险进行量化，其中包括电压越限、功率越限及失负荷风险指标。最后在MATLAB仿真平台建立含分布式光伏并网的配电网模型，并考虑不同光伏出力场景、并网方式、并网容量对配电网的影响，对含分布式光伏并网的配电网进行可靠性评估。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划和减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。首先利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,再基于神经网络将相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;然后以预测日天气预报信息作为神经网络的输入来获得预测日的功率预测值;最后基于数学量化的由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明,该方法建立的预测模型具有较高的精度,进而为调度运行人员提供决策辅助     

考虑分布式光伏和电动汽车接入的配电网空间负荷预测方法

针对大规模分布式光伏和电动汽车接入配电网对空间负荷预测影响的问题,提出一种考虑远景年屋顶分布式光伏饱和安装、大规模电动汽车参与V2G的城市配电网空间负荷预测方法。区分不同小区,依据相应的容积率和可利用率系数计算屋顶光伏饱和安装面积,结合历史辐射值数据计算光伏出力。基于改进型停车生成率模型预测停车需求,结合日行驶里程、停车特性和充放电策略,建立电动汽车V2G负荷预测模型,利用蒙特卡罗仿真得出V2G负荷时空分布情况。采用改进型负荷密度指标法,实现对考虑时序的配电网传统日负荷的预测。以某规划区为例,预测结果表明:屋顶分布式光伏和电动汽车V2G对配电网空间负荷预测结果影响较大,且对不同小区负荷影响的程度不同。     

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难.为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法.首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF).然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测.最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果.采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度.     

主动配电网规划中的负荷预测与发电预测

负荷预测和发电预测是配电网规划中的关键环节,是变电站、网架规划重要计算依据。考虑主动配电网下新型负荷和分布式电源接入等因素,提出适用于主动配电网的概率型负荷预测和发电预测方法。首先全面分析了主动配电网的负荷分类,提出含友好负荷的整体负荷预测方法;其次构建主动配电网分布式电源装机容量及分布预测模型,考虑分布式电源出力的概率特性,进而提出分布式电源可信出力预测方法;最后以负荷预测和发电预测结果为基础,分析了新型负荷和分布式电源对主动配电网规划的影响。     

基于分布式光伏发电量预测分析的运行优化策略研究

针对目前分布式光伏发电系统发电量的影响因素较多,不易预测,与其他发电系统之间运行优化策略不完善等问题.文章参考国内外光伏行业大数据应用的典型经验,基于光伏发电数据和用户的负荷需求数据,提出了一种基于RBF神经网络的光伏发电量预测和负荷预测模型,通过对数据的归一化处理和对天气因素的量化和相似度处理,对未来一段时间内的光伏用电量和负荷进行预测;采用青岛市某光伏电站的实际数据进行学习和预测,取得较好效果,从而验证了模型的可行性.此外通过对负荷的预测和对发电量的预测数据,以经济性能最优为目标制定了运行优化策略,实现了光伏发电的有效利用,使发电侧和负荷侧功率平衡,大大降低了网损和线损,提升了分布式光伏用电可靠性和经济性.     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。     

基于SEELM多专家模型的分布式光伏系统负荷预测方法

针对分布式光伏系统负荷所具有的非线性和非平稳等数据分布特性,基于神经网络与挂起规则,提出一种基于多模型集成式极限学习机的分布式光伏负荷预测方法。首先,设计多个神经网络作为子专家模型,并随机选取每一个网络的初始输入权值。构建挂起规则,依据数值波动范围在相应时间节点划分各神经网络的类别。针对其中数值波动较大的大误差网络,基于对应数值概率分布实施在线动态更新,以实现训练误差、输入权值的双维度同步优化。最后,将各个子专家模型的优化结果进行整合,并汇总输出,从而降低初始权值选取步骤中潜在误差波动的不利影响。基于某地区实际分布式光伏系统实施实证仿真,结果表明：在光伏负荷高波动这一特殊数据环境下,所提出预测模型在预测精度以及输出稳定性两方面均能够保持一定优势,可进一步推动并改善光伏接入背景下系统负荷预测的性能与效果。     

数据驱动的无精确建模含源配电网无功运行优化

分布式光伏的接入使得配电网无功电压运行控制需求及解决措施与传统配电网差异较大。针对配电网测量设备安装不全、网架参数难以准确获取,无法进行精确数学建模的问题,提出了无精确建模的含分布式光伏的配电网电压优化控制模型。以节点电压合格为优化目标,使用高速公路神经网络拟合网架节点注入功率与关键节点电压之间的映射关系;考虑分布式光伏的出力约束,进而采用定向寻优策略和反馈机制对优化模型进行求解;通过改变分布式电源逆变器出力来控制电网电压,实现全局系统电压控制。以不同规模的配电网实际数据为例,验证了所提优化运行控制模型的有效性。对比分析了采用普通神经网络和高速公路神经网络的电压拟合精度及收敛速度,证明高速公路神经网络应用于解决无精确建模的多节点含源配电网无功运行问题,可以实现拟合精度和拟合速度的双重优化。     

基于模糊C-均值聚类的时序概率潮流快速计算方法

为衡量光伏出力与负荷的时序变化特性对电力系统运行状态的影响,基于模糊C-均值聚类算法提出一种时序概率潮流快速计算方法.将一天分为24个时段,采用自适应扩散核密度估计法分别建立光伏出力与负荷的概率密度分布模型,提高概率模型局部适应性,并通过Copula理论描述二者之间的相关关系;利用模糊C-均值聚类法划分光伏出力与负荷场...     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集...     

基于并联时序卷积神经网络的电力负荷短期预测

电力负荷的短期预测可以合理地确定机组运行方式,安排日调度计划,提高计量精准度,对实现系统功率平衡和保障系统的安全经济运行具有重要意义。在利用神经网络进行负荷短期预测时,若训练数据不足,模型的学习能力会大大降低。同时,由于电力负荷数据存在小时周期、日周期、周周期、季节周期特性,常规神经网络训练模型无法反映负荷的不同周期特性,对预测结果的准确性也会造成一定的影响。为此,首先提出一种数据增强方法,有效解决电力负荷预测中训练数据不足的问题。其次,针对负荷的周期性特征,进一步提出使用不同周期特征的并联时序卷积神经网络模型的融合方案,有效反映负荷数据的多周期特征,从而提升电力负荷短期预测的准确度。通过对某地市不同电压等级线路负荷数据的建模和训练,验证所提方法在短期预测方面的有效性和优越性。     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。