电力系统多级负荷预测及其协调问题(二)基本协调模型

电力负荷预测是一个包含空间、时间、属性等多维度多级别的复杂体系.文中针对具有"直接加和"特性的多级负荷预测问题,借鉴电力系统状态估计思想,建立了多级负荷预测的基本协调模型,提出了相应的基本协调方法.在基本协调模型中引入预测可信度的概念,详细分析和比较了不同可信度情况下基本模型的协调结果.引入调整系数和相对调整系数的概念,阐明了基本协调方法的物理机理.为便于比较不同协调方法的协调效果,提出了协调效果的单项评价指标及综合评价标准.最后指明了基本协调模型的应用场合,并用实例验证了所提出的方法的有效性.     

城网空间电力负荷预测中的负荷规律性分析

空间电力负荷预测(spatial load forecasting,SLF)是城市电网规划必不可少的计算,其预测结果是确定所需配置供电设备容量和分布的基础,预测结果准确与否对城市电网建设及其运行的经济性和安全性都有影响。文章从城市电网的空间结构分析入手,以分层分区处理为原则,以目标层级的负荷元胞为基础,描述和刻画了该层级下空间电力负荷的规律性,着重分析了10 kV电压层级下元胞负荷的周期性、增长的非平稳性及元胞之间的负荷转移。通过实例进一步阐述了该负荷规律性分析方法,结果表明该方法能够充分合理地描述空间电力负荷的特点,客观反映SLF方法的优劣,为寻找更有效的SLF方法奠定了基础。     

电力系统多级负荷预测及其协调问题（四）约束最小二乘可信度

多级负荷预测的基本协调模型和关联协调模型能够较好地解决各种具有直接加和特性的多级预测协调问题.文中在分析其模型特征的基础上,针对原有的加权最小二乘可信度容易出现对预测值调整幅度过大的不合理现象,提出了约束最小二乘可信度优化模型,使得由此形成的多级协调模型可以更加有效地提高电力需求预测的精度.文中还分析了基于约束最小二乘可信度的多级协调模型提高预测精度的机理,并通过实例验证了约束最小二乘可信度的有效性及其对多级预测效果的改善.     

考虑本位元胞接受能力和相邻元胞负荷影响的空间负荷预测

针对现有空间电力负荷预测方法没有考虑待预测区域内各供电小区之间的负荷相互影响关系的情况,提出一种考虑本位元胞接受能力和相邻元胞负荷影响的空间负荷预测方法,主要适用于城市电网规划年负荷预测.首先,利用变异系数建立本位元胞接受负荷影响的量化模型,来反映本位元胞对相邻元胞负荷影响的接受能力;其次,考虑待预测区域内各元胞之间的距离因素和用电负荷相似性因素生成空间复合权重矩阵,并利用空间卷积建立相邻元胞产生负荷影响的量化模型,来反映相邻元胞对本位元胞产生的负荷影响;然后,综合考虑本位元胞接受负荷影响的能力和相邻元胞产生负荷影响的共同作用,构建空间电力负荷预测模型;最后,通过工程实例分析验证了所提方法及模型的正确性和有效性.     

基于元胞自动机理论的电力负荷空间分布预测

根据元胞自动机(CA)的基本理论及其在城市动态演化模拟中的应用，提出了新的电力负荷空间分布预测方法。该方法从元胞自动机的基本定义出发，研究了CA理论对于电力负荷空间分布预测的适用性，提出了电力负荷元胞、元胞样区、元胞时空数据库、样本数据库的概念，制定了考虑多种相关因素的负荷元胞转换规则和相关参数，并进行了简单的试验。算例结果说明了该方法的可行性及其预测结果的合理性。     

基于元胞自动机理论的电力负荷空间分布预测

根据元胞自动机(CA)的基本理论及其在城市动态演化模拟中的应用，提出了新的电力负荷空间分布预测方法。该方法从元胞自动机的基本定义出发，研究了CA理论对于电力负荷空间分布预测的适用性，提出了电力负荷元胞、元胞样区、元胞时空数据库、样本数据库的概念，制定了考虑多种相关因素的负荷元胞转换规则和相关参数，并进行了简单的试验。算例结果说明了该方法的可行性及其预测结果的合理性。     

基于多级聚类分析和支持向量机的空间负荷预测方法

为充分利用元胞负荷与元胞属性之间的相关联系来改善空间负荷预测效果,提出了基于多级聚类分析和支持向量机的空间负荷预测方法。首先生成元胞并建立元胞属性集合,根据各属性对元胞进行多级聚类分析,其中采用改进的k-均值算法确定聚类数目和初始聚类中心,来得到逐级细化的元胞分类;然后针对不同类型的元胞建立各自的支持向量机预测模型,同时利用遗传算法进行参数优化以提高预测模型的适应度;最后将待预测元胞的相关属性作为输入向量并代入所建立的预测模型中计算出目标年各元胞负荷最大值,从而实现空间负荷预测。工程实例分析表明了该方法的实用性和有效性。     

基于遗传算法的母线负荷预测双向协调优化研究

正电力负荷多级预测是我国电网现行分级管理制度下的必然要求。母线的多级负荷预测为电网潮流计算、离线安全校核提供数据支撑,是保证电网安全经济运行的重要基础。针对母线多级负荷预测结果的偏差问题,基于遗传算法建立了双向协调优化机制,并提出两种方式进行协调量的优化调整,得到了可信度较高的协调预测结果。最后,通过实例分析了协调优化机制的实际效果,验证了该机制的有效性。     

空间负荷预测中确定元胞负荷最大值的概率谱方法

针对元胞负荷中异常数据会给空间负荷预测带来不利影响的问题,提出一种用于确定元胞负荷最大值的概率谱方法。该方法从城市电网规划需求的角度入手,结合城市电网的实际运行方式,对元胞负荷中出现的异常数据进行了分类,阐明了各类异常数据对空间负荷预测产生影响的作用方式,揭示了元胞之间负荷转移、元胞负荷非平稳增长、元胞负荷数据奇异与规划所需数据之间的内在联系,通过计算元胞负荷的概率谱曲线来描述和刻画不同类型异常数据的各自特点,在采用高斯拟合技术处理过的元胞负荷概率谱曲线上对元胞负荷最大值进行限定和约束。实例分析表明,使用概率谱方法确定的元胞负荷最大值进行空间负荷预测,提高了预测精度。     

基于信息再修正的负荷协调预测方法研究

负荷预测的准确性与规划的匹配性越来越重要,而在多级负荷预测中,由于预测误差的存在,不同等级的负荷预测结果会出现不统一、不协调的情况。针对该问题提出一种基于信息再修正的负荷协调预测方法,首先以预测年前一年预测结果的预测误差为先期参考数列计算各级预测结果的可信度;然后将同一预测方法下预测年协调前后的负荷预测差作为新的参考数列,替换原先参考数列,进行信息再修正,求得新的可信度,并利用该可信度建立协调预测模型,进而得到协调结果;最后根据算例分析,验证了文中所提方法的正确性。     

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。     

滨州电网负荷预测管理

总结滨州电网负荷预测管理现状,分析研究影响滨州电网负荷预测准确率的主要因素,研究负荷预测专业管理中存在的主要问题,制定滨州电网提高负荷预测准确率有关的对策和建议,提高负荷预测管理水平,合理安排调度计划,调整电网运行方式。     

空间负荷预测中确定元胞负荷合理最大值的主成分分析法

针对若直接使用元胞负荷实测数据中的年最大值进行城市电网空间负荷预测,则极有可能将测量、通信等误差造成的随机波动带入预测结果,而导致预测精度降低的问题,提出了利用主成分分析技术确定元胞负荷合理最大值的方法。该方法通过分析元胞负荷历史数据,利用主成分分析法将元胞负荷分解为表征元胞负荷总体信息的主成分分量和刻画随机波动的非主成分分量。通过剔除非主成分分量来抑制随机波动带来的不利影响,提取出主成分分量中的最大值作为元胞负荷合理最大值,并使用该最大值进行空间负荷预测。实例分析表明,该方法是有效的。     

基于EEMD-SE和PSO-KELM的短期负荷区间预测方法

准确的短期负荷预测在电力系统中发挥着至关重要的作用.近年来,大量短期负荷预测研究表明,与点预测相比,负荷的区间预测可以更有效地保证电力系统的安全运行.因此,提出一种基于EEMD-SE和PSO-KELM的短期负荷区间预测方法.首先,使用集合经验模态分解(EEMD)将原始负荷序列分解为一系列的子序列;然后,通过样本熵(SE...     

基于人工神经网络的城镇日负荷预测

电力负荷预测是进行电网规划建设的依据,为准确预测清溪镇日负荷情况,对神经网络预测原理进行了研究,对清溪镇日负荷数据进行调查,依据BP神经网络的预测方法建立日负荷预测模型,通过Matlab实现清溪镇日负荷预测并对预测结果进行分析,结果表明基于BP神经网络的预测方法在城镇日负荷预测中效果理想。     

基于智能技术的短期负荷预测研究

电力系统负荷预测是电力研究的一个重要组成部分,随着电力智能化的加快发展,为电力负荷预测提供了更准确有效的方法。目前有多种电力负荷预测方法,但由于预测模型适用条件的限制,使得负荷预测存在困难。因此,本文选择了基于统计理论的支持向量回归方法来进行预测。文中结合贵州某经济开发区短期电力负荷的历史数据,应用支持向量回归法对该负荷进行了预测,得到了精度较高的预测结果。     

考虑小区发展不均衡性和不确定性的多阶段空间负荷预测

为减少小区发展不均衡性和不确定性对空间负荷预测精度的影响,结合聚类分析与马尔科夫理论提出了一种多阶段空间负荷预测模型.首先,提取单位面积最大负荷、用电量、平均负荷百分比作为表征小区发展不均衡性的指标,利用k-means算法对小区聚类,确定各个发展阶段的负荷密度.其次,统计不同发展阶段间的转移概率,形成马尔科夫链的状态转...     

基于分配因子和信息熵的母线负荷组合预测模型

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求。因此,母线负荷预测是解决这一问题的关键途径。然而,系统内母线数量庞大,负荷基数小,特性各异,波动性强,给母线负荷预测工作带来了困难。本文研究了母线负荷预测模型,根据实际电网情况提出了负荷分配因子的概念及预测思路;充分考虑历史数据的有效性,采用日特征量和趋势相似度综合选择相似日,并提出基于信息熵的变权重组合预测方法,提高各类型负荷预测精度;结合类型负荷预测结果和负荷分配因子,最终得到各条母线的预测结果。采用某区域电网负荷进行实例验证,结果表明,本文所建立的预测模型具有良好的预测精度和稳定度。     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。