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.     

基于预测可信度的多级协调空间负荷预测方法

提出了一种基于负荷预测可信度的多级协调SLF方法。该方法首先确定了元胞历史负荷数据的评价指标,并运用灰色关联度理论,计算出各元胞的负荷预测可信度。然后建立空间电力负荷多级协调模型,并将元胞负荷预测可信度应用到多级协调模型中,最后利用该模型调整元胞目标年的预测值。空间电力负荷多级协调模型以不同层级负荷之间的关系为基础,在一定程度上能够消除上下级电网的预测结果之间出现的不均衡、不协调的现象,从而提高了空间负荷预测结果的准确性,为进一步的电网规划打下了坚实的基础。选取了指数平滑作为预测方法,并对预测结果采用空间电力负荷多级协调模型进行优化调整,调整结果表明空间电力负荷多级协调模型具有实用性和有效性。     

考虑相关因素的最小二乘支持向量机风速预测方法

准确的短期风速预测对电网的安全稳定性及降低运行成本具有重要意义.提出了考虑相关因素的最小二乘支持向量机风速预测方法,通过相关性分析,寻找对风速影响较大的因素,作为预测风速的信息特征参考量,并利用灰色关联分析方法,对风速数据进行预处理,筛选出某些与预测日特征相似的历史样本作为最小二乘支持向量机模型的训练样本,定量分析了预测模型的输入变量.由于训练样本与预测日风速信息的相似度极高,通过实例验证,有效提高了预测结果的可信度和精确度.     

非线性偏最小二乘回归在电力负荷预测中的应用

非线性(二次多项式)偏最小二乘既能够解决线性偏最小二乘只能提取线性成分的问题,它又借鉴了偏最小二乘回归方法能够有效地解决自变量集合多重相关性的问题,因而它更具有先进性,其计算结果更为可靠.本文将二次多项式非线性偏最小二乘回归应用于泉州地区的电力负荷预测.文章还将二次多项式偏最小二乘的预测结果并线性偏最小二乘和logistic模型的预测结果进行比较,实例预测结果表明,非线性偏最小二乘具有较高的预测精度,它能满足实际工程的要求.     

基于VFFRLS算法的锂电池参数辨识

动力电池性能是影响电动汽车综合性能的关键因素,因此准确辨识锂离子电池模型的参数对后续电池系统的荷电状态估计和健康状态预测至关重要。为了提高锂离子电池模型参数辨识算法的精度,以磷酸铁锂电池作为研究对象,建立电池二阶RC等效电路模型,并采用基于变量遗忘因子的最小二乘算法对锂离子电池模型进行在线参数辨识。通过搭建测试平台进行充放电实验,基于2种不同工况的实验数据,分别用文中算法、递推最小二乘算法和传统的带遗忘因子的最小二乘算法进行参数辨识,根据辨识结果估计出的端口电压与实验测试得到的实际值的误差比较来描述文中算法辨识结果的准确度。实验结果表明,基于变量遗忘因子的最小二乘算法在锂电池参数辨识方面表现出快速的收敛性和较高的估计精度。     

基于灰色和偏最小二乘方法的年度负荷预测

将偏最小二乘方法应用于年度负荷预测,可以利用有限容量样本剔除冗余信息,建立线性回归方程,但其对随机因素影响的相对重要性提升会降低预测精度.根据年度负荷以及主要影响因素的趋势变化特点,采用灰色模型对其进行模拟,以经验风险最小的预测值代替原始数据进行偏最小二乘建模,从而削弱随机因素的影响,提高预测精度.试验证明该方法有效可行.     

基于LSSVM与SMO稀疏化算法的短期负荷预测

针对最小二乘支持向量机(LSSVM)仅考虑等式约束,失去了支持向量机(SVM)解的稀疏性,影响了二次学习效率的问题,把最小二乘支持向量机与序列最小优化算法(SMO)相结合,后者应用改进的剪枝算法对解进行稀疏化处理,解决了上述问题;算法与最小二乘支持向量机相比降低了计算的复杂度,提高了计算精度.将此方法应用到电力系统短期负荷预测,与SVM和LSSVM算法比较表明该方法运行速度快,精度高,取得了较好的预测结果.     

年径流预测的最小二乘支持向量机-马尔可夫链组合模型

基于最小二乘支持向量机(LLSVM)与马尔可夫链(MC)提出了一种新的年径流预测模型——最小二乘支持向量机-马尔可夫链组合模型(LLSVM-MC).首先利用LLSVM模型对年径流进行第一步预测;其次将预测误差看作是马尔可夫过程,用MC对预测误差进行估计,作为第二步预测;最后,将两步预测结果叠加得到年径流预测值.实例预测表明,建议模型有效地提高了预测精度.     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

基于离散粒子群和偏最小二乘的湖库型水源地水体悬浮物浓度和浊度遥感反演方法北大核心CSCD

用离散粒子群优选反演悬浮物浓度和浊度的特征波段,可减少水质参数偏最小二乘反演模型的输入参数个数和建模过程的不确定性,提高偏最小二乘反演模型的预测精度。以2014年7月21—23日在南四湖获取的水体实测光谱数据和同步水质分析数据为例,分别建立南四湖水体悬浮物浓度和水体浊度的偏最小二乘(PLS)反演模型和离散粒子群-偏最小二乘(NDBPSO-PLS)反演模型并进行验证。结果表明:经NDBPSO优选之后,反演悬浮物浓度和浊度的NDBPSO-PLS模型输入特征波段由PLS模型的370个分别减少到127个和134个,输入特征变量由PLS模型的60个减少到21个,反演悬浮物浓度和浊度的NDBPSO-PLS模型建模精度和预测精度均优于PLS模型。该方法可以有效提高PLS模型反演水体悬浮物浓度和浊度的精度。     

电力系统多级负荷预测及其协调问题(一)研究框架

基于对传统负荷预测中总需求与各子需求预测结果的不均衡现象的深入分析,揭示了电力系统负荷预测问题所具有的"多维多级"特点。在此基础上,提出了电力系统中多级负荷预测协调的科学问题,阐明了多级负荷预测和多级负荷预测协调的新理念。进一步分析了负荷预测模型的"量测"特性,并将多级预测协调与状态估计进行了类比,阐明了多级预测协调的理论基础。文中还探讨了多级负荷预测协调问题的类别及其各自的特点,提出了基本协调和关联协调模式,由此建立了多级预测协调问题的理论研究框架。希望该研究能够丰富和发展负荷预测理论,为广大预测人员提供一些参考。     

电力系统多级负荷预测及其协调问题(三)关联协调模型

考虑到多级负荷预测协调的关联特性,将多级负荷预测的基本协调模型扩展为多维多级。首先针对典型的2维2级协调问题,建立了关联协调的标量模型和矩阵模型,并提出了相应的关联协调方法。引入了不平衡向量和调整系数矩阵的新概念,从而阐明了2维2级关联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,文中继承和扩展了基本协调模型的评价标准,提出了关联协调模型的单项评价指标和综合评价标准。最后,通过实例验证了关联协调模型的协调效果。     

多级负荷预测的基础问题分析

围绕多级负荷预测及其协调问题,首先剖析了多级负荷预测的基础---负荷预测的分类方式,通过拓展不同的分类角度,提出了基于雷达图的负荷预测的分类方法,从而清晰地表征负荷预测的“多级”特性。从供应侧和需求侧的角度分析了相关因素对预测对象的影响途径,提出了多级负荷预测中不同级别电网对相关因素的处理策略;研究了多级负荷预测体系下母线负荷预测与系统负荷预测的关系,提出了“虚拟母线”的概念和应用方法;最后总结了多级负荷预测的分析思路和研究内容。该文的研究为建立多级负荷预测理论提供了广阔的空间。     

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。     

基于主成分分析L-M神经网络高峰负荷预测研究

在论述电网高峰负荷预测重要性和特点的基础上,将高峰负荷样本,按节气工作日和节假日样本进行聚类,从输入空间入手,采用主成分分析法,减少输入向量的维数,并保留原来输入向量的有用信息,再利用L-M优化算法的多层神经网络预测模型对辽宁电网高峰负荷进行了模拟预测,预测精度令人满意。     

基于最优可信度的月度负荷综合最优灰色神经网络预测模型

月度负荷具有增长和波动二重趋势.作者首次提出以纵向历史数据为原始序列,用灰色预测模型进行增长趋势预测;以横向历史数据为原始序列,用人工神经网络模型进行波动趋势预测的方法,并在此基础上,引入最优可信度的概念,同时考虑了月度负荷的两种趋势,建立了综合最优预测模型.该模型兼顾了前两种模型的建模特点,优于只考虑单一发展趋势负荷预测的模型.对电力负荷预测应用实例的计算结果表明,该方法明显地提高了月度负荷预测的精度,也同样适用于进行周、季负荷等具有二重趋势的负荷序列的预测.     

节假日和极端天气电力负荷特征的萃取模型

负荷预测是电力系统的一个传统研究问题,通常情况下,相近日期的负荷曲线有较强的相似性,然而在特殊节假日和极端气象条件下,负荷的预测具有较强的不确定性。提出了一种节假日和极端天气条件下的电力负荷特征萃取模型,对传统遗传算法的编码机制和遗传操作进行了重新规定。以黑龙江省电网公司的历史负荷数据和气象数据为基础,从中萃取节假日和极端天气对负荷影响的相关规则,并通过实践证明了这些规则的可行性。     

基于Logistic模型的电能替代电量预测

随着电能替代战略的不断推进,电能替代电量规模将不断扩大,对未来电网中长期负荷构成将产生较大影响。现有电网中长期负荷预测方法对电能替代电量的考虑尚不够充分,有必要进行单独的分析预测。文中分析了政策对未来电能替代发展的重要影响作用,并给出了宏观层面电能替代电量的计算方法。在此基础上,基于Logistic模型分别对终端能源消费总量和电能占终端能源消费比例进行预测,在预测过程中充分结合目前已有的相关研究成果,最终获得电能替代电量预测结果。文中模型可作为传统中长期负荷预测方法的补充,用以指导未来电源、电网和相关能源规划。     

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。