面向云边协同的配变短期负荷集群预测

配电变压器是配电网中连接用户的重要设备,研究其负荷变化规律是十分重要的。随着物联网技术在电力系统中的推广,配电网中监测的配电变压器将越来越多,但对众多设备逐一分析建模会导致工作低效。因此,提出面向云边协同的配变负荷预测框架,并着重研究云端的集群预测模型。首先,集群预测模型对配变进行日负荷曲线聚类,提取日负荷模式,并分析各配变日负荷模式变化规律,采用聚类方法划分具有相似用电行为的配变。然后,将同类别配变负荷数据整合训练,利用STL-LSTMs-XGBoost预测模型实现配变的短期负荷集群预测。最后,通过使用某市配变的负荷数据作为算例进行分析,实验结果验证了所提方法的可行性和有效性。     

特殊负荷对日负荷的相关性分析方法

针对由于特殊负荷的不确定性导致不准确的日负荷预测,本文提出了一种基于灰色关联分析和模糊推理的相关性分析方法。根据不同特殊负荷对日负荷的影响因素的本质不同,将特殊负荷进行分类,并将特殊负荷的影响因素作为联系特殊负荷与日负荷的中间变量。该方法可以很好地实现特殊负荷对日负荷的相关性分析,进而得到相关性数据,为日负荷预测提供有效的依据。通过对某地区电力部门的历史数据进行验证,证明了该方法的准确性。     

配变中期负荷预测新方法

针对配变负荷曲线与用电结构有关的特点,提出了一种基于人工神经网络和模糊推理的预测新方法:首先根据实际经验将配变负荷类型划分为村组、集镇、城郊、商业区、商住区、住宅小区6种类型,并研究确定各类典型日负荷曲线的特征;然后利用人工神经网络模型把配变负荷数据进行分类,再根据配变负荷的增长率进行自动类别侦测;最后通过线型推理策略预测指定时期的日负荷曲线和负荷极值。     

电力系统中压配变短期负荷预测方法研究

实现准确的中压配变负荷预测有助于降低配变损耗和提升无功补偿控制效率。考虑配变负荷数据易缺失和高噪声的特征,应用Hermite插值和高斯滤波技术提升负荷数据质量,提出了基于高斯过程回归的配变负荷预测方法,具有鲁棒性好和准确性高的特征。经实际典型配变负荷数据验证表明,所提方法能够提高配变负荷预测的准确性。最后,比较了不同历史数据规模和区间时预测准确性的差异。     

基于大数据的配变重过载预警分析

本文旨在利用大数据技术对电力数据进行系统挖掘,提供精准负荷预测,为供电安全监视、预防性控制和紧急处理提供依据。文章结合西安地区配电网运行中存在的问题,综合分析配变重过载的外部环境、配变运行信息、配变属性信息、配变供电客户类型等因素,应用大数据机器学习算法、大数据预处理技术、数据挖掘建模技术、大数据可视化技术等,分析研究各影响因素对设备重过载影响的相关性和重要程度,使用分类预测挖掘手段及随机森林算法,分析计算影响变量和目标变量,建立关系模式挖掘模型,构建配变重过载分析及预警模型,完成模型验证与纠偏,实现配变未来一周重过载情况准确预警、配变安全系数评价、重过载配变因素及特征分析与展示等,为电网运维提供有力支撑。通过基于大数据的配变重过载预警分析,提高运维工作效率,实现电网安全可靠运行。     

多级负荷聚类和解耦机制的配电网短期负荷预测方法

为解决配电网供电分区负荷特性因用电结构与用户用电习惯差异呈现多样性,导致泛化的预测模型难以提供满意计算精度,以及新投运配变由于缺乏历史数据积累,无法为机器学习提供大量训练样本的问题,提出了一种多级负荷聚类和解耦机制的短期负荷预测方法.首先,进行基于变电站用电量以及台区用户用电特性差异的多级负荷特性聚类.随后,对不同聚类配变构建基于脉冲神经网络的短期负荷预测模型,并采用负荷标幺曲线和基准值分开预测的解耦机制应对新投运配变的小样本问题.最后,综合分类预测结果得到日负荷预测曲线.实例证明该方法能实现负荷预测的精细化,并减小新投运配变的预测误差影响,改善了综合预测结果.     

基于数值天气预报的母线负荷综合预测模型

母线负荷预测是电网安全校核和编制发电调度计划的基础。基于母线负荷历史数据和数值气象数据,通过相关性分析将母线负荷进行分类,提出了一种基于数值天气预报的BP神经网络母线负荷预测方法。进而以倍比平滑法和基于数值气象数据的BP神经网络法为基础,建立了分时段变权重的综合预测模型。对烟台地区的母线负荷预测结果表明,所提出的母线负荷综合预测模型有效地提高了预测准确率,对含大规模风电接入电网的输电设备安全校核具有重要的实用价值。     

基于大数据和多因素组合分析的单元制配电网精细化负荷预测

为了实现配电网侧差异性规划和精益化管理需求,对单元制配电网展开精细化负荷预测已经成为新的发展趋势。首先利用改进K-means方法,根据历史负荷数据,对区域内的负荷进行分类,并匹配到单元制配网的实际负荷类型;然后结合负荷密度、用户数量、天气状况、国民经济等因素,应用回归方法归纳出各类型负荷的典型单位曲线,实现各类负荷的单独预测;最后考虑节假日和用电习惯等主客观因素对预测结果进行校正,叠加各类负荷实现单元制配网总负荷的预测。算例表明,基于大数据和多因素的单元制配网精细化负荷预测方法不仅能够提升配网负荷的预测精度,还能依据负荷类型划分结果指导配网规划和扩建。     

基于竞争分类的神经网络短期电力负荷预测

根据电力负荷的特点,在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上,提出了一种基于竞争分类的神经网络短期负荷预测方法.应用神经网络的竞争学习对相关数据进行分类,将历史数据分成若干类别从而找出与预测日同类型的预测类别.利用相应的BP算法对未来24小时负荷进行短期预测,该方法充分发挥了神经网络处理非线性问题的能力.结果表明,该方法取得了较满意的预测精度.     

基于模糊聚类与改进BP算法的日负荷特性曲线分类与短期负荷预测

提出了一种将模糊聚类技术与人工神经网络中的BP网络相结合的日负荷特性曲线分类与短期负荷预测的方法。通过模糊聚类技术将不同用户的负荷特性曲线进行分类,建立出不同的典型负荷曲线。然后利用同预测曲线相同类型的典型曲线,结合温度、日类型、湿度等对短期负荷预测影响较大的因素作为学习样本建立相应的BP网络模型。针对传统BP算法的不足,利用变学习速率和附加动量来改进BP算法并预测日负荷曲线。通过对实际日负荷曲线样本进行分类和对短期负荷进行预测证明该方法预测精度较高,在实际应用中具备可行性。     

基于小波聚类的配变短期负荷预测方法研究

为了进一步实现对配电变压器的精细化无功补偿控制,从配电变压器负荷随机性强的特点出发,分析并实测了传统的负荷预测方法和数据预处理方法在配变负荷预测上的适用性,提出了基于小波变换和层次聚类分析的配变短期负荷预测方法。对标幺曲线与基值分别进行预测,利用小波变换获取标幺负荷曲线的细节信息,通过聚类分析寻找相似曲线,并使用核函数平滑的方法获得标幺预测曲线,最后通过倍比平滑法获得预测基值,从而完成预测。对济南某配电变压器1个月的实际负荷进行预测的结果表明,所提方法的预测精度优于传统的频域分量法、倍比平滑法和点对点倍比法,在台区的负荷预测方面适用性更强。     

基于边缘计算的台区短期负荷预测方法

配变台区是配电物联网与用户交互的重要纽带,台区短期负荷预测对实现配电物联网的精益化管理具有重要意义。为缓解全部台区上传负荷数据所带来的通信压力,本文提出一种基于边缘计算的台区短期负荷预测方法,将台区智能配变终端存储30天的历史负荷数据作为样本数据,通过核平滑法对样本数据进行清洗,因样本数据较少考虑将样本归一化后,拆分为标幺曲线与基值分别计算提高预测结果精度。然后通过相关系数法构建历史负荷数据的相关系数矩阵,用相关系数矩阵替换仿射传播相似度矩阵后聚类求得相似日的标幺曲线,再通过加权求和求得待测日的标幺曲线。同时,按照相似日原理预测待测日基值,最终通过待测日标幺曲线和基值反归一化后得到待测日负荷曲线完成预测工作。通过山东某配变30天的历史负荷数据计算后表明,所提方法可以实现台区负荷量级小、样本少、波动大情形下的合理预测,占用主站计算资源较少,对配网精益化运维具有积极意义。     

考虑用户行为及户均容量优化的配变容量规划

配电网是连接输电网和用户之间的关键部分,而在配电网规划过程中,配电变压器的规划又是其中的关键。目前配变容量的规划一般将重点放在负荷预测以及经济性上,缺乏对于用户用电特性和户均配变容量的分析,这使得规划结果可能不能满足负荷需求。为解决上述问题,提出了一种考虑用户行为及户均容量优化的配变容量规划方法,从负荷特性、用户数目以及负荷总量等方面分析用户行为并计算出配变的经济运行区间,并在对户均配变容量进行分析的基础上对配变容量进行优化,利用上述规划方法对实际配电网的配变进行规划,算例结果证明了有效性和实用性。     

最小二乘法在配网馈线年度负荷预测中的应用

配网馈线年度负荷预测对配网网改、大修改造以及运行方式的调整具有重要意义。以配网馈线上年度最高负荷以及上年度该馈线上的报装负荷为自变量来建立二元线性回归分析的预测模型;以上年度馈线最高负荷数据、上年度报装负荷数据以及本年度馈线的实际最高负荷为样本,通过最小二乘法的原理来获取线性回归分析预测模型的两个系数;并以本年度馈线最高负荷数据、本年度报装负荷数据来预测下年度的馈线负荷。该方法解决了长期以来配网馈线负荷预测的随意性,文中的实例验证了此方法的有效性。     

基于时间序列的台区配电负荷峰值预测

负荷预测是台区配电扩容规划的基础工作。根据台区配电负荷日峰值数据表现出的周期性和渐变性,建立基于时间序列的台区配变负荷峰值预测方法,以某省某台区为例对台区配电负荷峰值进行了预测。模型由自相关和移动平均两个部分构成,根据时间序列的自相关系数与电力负荷数据的先验知识分别确定这两个部分的滞后阶数。预测误差率的分析结果显示,本方法的预测结果精度好,准确性高。该方法克服了台区配电负荷影响因素繁杂、差异性大、难以量化的困难,具有很强的实践性,易于推广。     

基于关联分类技术的短期负荷数据缺损处理

为了找到负荷值与各种影响负荷预测精度因素之间的关系来进行缺损数据处理,提出一个基于关联分类技术的短期负荷数据缺损处理模型。该模型首先对负荷信息系统应用数据规约方法得到规约集,然后利用关联分类算法挖掘出隐含在其中的有趣的满足用户指定的最小支持度和最小信任度的强关联规则,最后通过规则匹配对含有缺损数据的记录进行修补,对有问题的数据判断异常。经仿真分析,应用这种新的数据缺损处理策略可以得到更加精确的预测结果。     

LSTM对配电台区短期负荷预测的适用性研究

为研究长短期记忆LSTM(long-short term memory)神经网络对不同类型配电台区短期负荷预测的适用性,以某市多个配电台区为对象,构建了LSTM短期负荷预测模型并进行适用性分析.采集各台区的负荷数据,通过K均值聚类算法、台区容量和用电类别对台区进行分类,标记并修正不良数据.考虑工作日和季节因素,采用LSTM建立配电台区负荷预测模型,分析不同类型台区的预测结果.研究结果表明,平均负荷和缺失值占比对预测精度影响较大,且LSTM更适用于平均负荷在40 kW以上的配电台区短期负荷预测,而对于平均负荷小于40 kW的配电台区的预测,效果随平均负荷的减小而降低.     

负荷监测系统在配电网运行特性分析中的应用

配电网中大量10 kV配变负荷数据的获取是准确进行配电网运行分析的基础,负荷监测系统可实时监测配电网中10 kV配变负荷的数值,为准确进行配电网潮流计算和配电网运行特性分析提供了数据来源。研究了负荷监测系统在配电网运行特性分析中的应用。首先,介绍了负荷监测系统的组成和功能;其次,给出了基于负荷监测系统的配变负荷模型;然后,给出求解配电网潮流的前推回代计算方法;最后,以松江电网实际的一条配电出线为例,基于负荷监测系统数据对配电网运行特性进行详细分析,讨论了负荷类型、线路长度和线路类型等对配电网运行特性的影响。     

基于联合时序场景和改进TCN的高比例新能源电网负荷预测

为充分挖掘新型电力系统建设过程中高比例新能源并网对负荷预测的影响,以风光负荷数据为研究对象,提出一种基于联合时序场景和改进型时间卷积网络的短期负荷预测方法。首先,基于3σ准则对风光负荷历史数据进行分析,剔除异常数据,然后应用联合时序场景刻画负荷需求与风光出力的相关性,分类出不同负荷预测场景。接着,利用随机森林算法进行负荷预测特征量提取,构建随机森林-时间卷积网络(RF-TCN)预测模型,并采用Bootstrap算法对预测结果进行修正。最后,以甘肃省2022年数据为例进行仿真,并设置4种对比算例。仿真结果证明了所提方法的有效性,以期在新型电力系统建设过程中发挥积极作用。     

电力负荷预测方法在配网规划中的应用

在配网规划中,负荷预测结果的精度直接影响系统运行的安全性和经济性,因此选择恰当的电力负荷预测方法尤其重要。从配网规划中的电力负荷预测角度入手,在对电力消费现状分析的基础上,采用单耗法、趋势拟合法及回归分析法对河北省2018—2022年的电力消费进行预测,并对预测方法及其在配电网规划中的应用进行分析比较。结果表明:3种方法的数据样本、适用条件及建模思路均不相同,在进行配网规划时,应根据电力消费的发展情况及影响负荷的因素来选择恰当的方法进行负荷预测。