夏季温湿指数与气象敏感电力负荷的研究

为了深入了解夏季电力日峰荷与气象因子之间的关系,从负荷资料中分离出随气象因子变化的气象敏感负荷,在考虑气象因子对气象敏感负荷的累积效应基础上,建立了气象敏感负荷变化率与气象因子间的关系模型。对2004～2005年某市夏季气象敏感负荷与温湿指数、日平均温度、日最大温度进行的灰色关联分析结果表明:温湿指数是对夏季气象敏感负荷影响最大的关联变量。在此基础上建立了夏季气象敏感负荷与温湿指数的三次多项式模型,计算分析了气象敏感负荷变化率与温湿指数的关系,为电网负荷的预测和运行调度提供依据。     

基于人体舒适度指数的夏季负荷特性分析

针对夏季气象因素对日峰荷的影响,在总结常规负荷特性分析缺陷的基础上,提出用人体舒适度作为综合气象指标来反映其对日峰荷的影响.以综合考虑温度、湿度、风速等因素的综合气象指数为切入点,并以其为关联变量建模,在对历史负荷数据进行处理的基础上探讨日峰荷随气象变化的规律,从而为今后更准确地预测日峰荷和建立合理、实用的数学模型进行必要的理论准备.     

夏季日峰荷与有效温度的灰色建模及灵敏度分析

为了深入了解夏季日峰荷与气象因素之间的关系,定量掌握夏季气象因素对日峰荷的影响,作者首次提出用人体舒适度作为综合气象指标来反映夏季气象因素对日峰荷的影响.对2000年北京市夏季日峰荷与人体舒适度、日平均温度进行的灰色关联分析的结果表明:有效温度是对夏季日峰荷影响最大的关联变量.在此基础上建立了夏季日峰荷与有效温度的灰色GM(1,1)模型,并进行了单位有效温度的变化引起日峰荷增量变化的灵敏度分析,为电力部门在制定夏季运行方式或电力需求计划时,如何确定解释变量、定量地掌握夏季日峰荷随气象因素变化的规律提供了理论依据.     

夏季日峰荷与人体舒适度的灰色关联分析

为了深入了解夏季日峰荷与气象因素之间的关系,首次提出了运用人体舒适度作为气象因子以分析它对夏季日峰荷的影响,并以2000年北京市夏季日峰荷、气象因子(温度、湿度、风速等)数据为分析基础,运用灰色理论的关联分析方法,分别计算了2000年北京市夏季日峰荷与日平均温度、人体舒适度参数的关联度,得出了北京地区夏季日峰荷,在芒种至立秋期间,与人体舒适度关联较之与温度参数的关联更为密切的结论,从而为电力运行部门、计划部门在制定夏季日峰荷运行方式或电力需求计划时确定合适的解释变量提供了充分的理论依据。     

温湿变化对北京城区气象敏感电力负荷的影响分析

为研究气象条件与近年来北京城区空调用电负荷压力不断增加之间的关系,利用2012年和2013年北京夏季日瞬时最大电力负荷和城区逐日气象资料,并引入反映温湿变化的气象指数,采用统计方法分析了北京城区夏季温湿变化对日瞬时最大电力负荷的影响,发现日瞬时最大电力负荷受温湿指数的影响比平均气温以及考虑了风速的北京舒适度气象指数要更加显著,当温湿指数变化1个单位时,日最大气象敏感负荷将增加或减少38.6万kW。同时,建立了基于温湿变化的日最大气象敏感负荷的计算方程,并进行了应用分级和服务用语编写。     

计及气象累积效应的特征解耦峰荷预测模型

夏季峰荷是电力部门的关注焦点,温度累积效应对于夏季峰荷预测具有重要影响。为此,提出一种计及气象累积效应的特征解耦峰荷预测模型。建立具有3个输入分支的深度神经网络模型,从结构上对输入特征实现解耦,称为特征解耦模型。3个分支分别以时间特征、负荷特征、气象特征为输入,其中负荷分支、气象分支应用了长短期记忆(LSTM)网络隐藏层并基于LSTM网络的时序处理能力能对负荷及气象序列进行处理来反映累积效应,进而应用于峰荷预测。最后,通过实例分析,与温度修正等常规方法进行对比,验证了特征解耦模型更适合于计及气象累积效应的峰荷预测。     

电力负荷特性与气温关系及其预测

以铜仁市电网06年10月-08年9月每日整点负荷和气温数据为基础,分析了铜仁市电力负荷特性,并对日峰荷与三项气温因子的线性相关性进行了分析,最后提出一种基于相似日和多元线性回归的预测模型。实例预测结果分析表明：该模型简捷实用,对铜仁市电网具有较好的拟合和预测效果,可以将其运用于铜仁市电网日常负荷预测工作之中。     

基于虚拟相似日与DA-LSTPNet的地区电网短期负荷预测

针对短期负荷预测精细化的需求,提出一种基于虚拟相似日与双阶段注意力机制的长短期时序神经网络(DA-LSTPNet)的地区级短期负荷预测方法.为获得与负荷相匹配的细粒度实时气象数据,首先基于粗粒度的气象数据,利用灰色关联度和关联度加权法获取含细粒度气象数据的气象虚拟相似日.然后,采用最大信息系数(MIC)对气象特征信息与负荷进行非线性关联性分析,构建MIC加权下的负荷虚拟相似日选取算法,解决选取历史日作为传统负荷相似日而导致的过分局部相似乃至非相似的问题.最后,针对过往预测模型缺乏考虑特征因素与局部负荷细粒度变化之间联系特性的问题,构建能够有效挖掘负荷特征数据长期宏观以及短期局部变化特性的DA-LSTPNet进行日前短期负荷预测.以中国南方某地区电网实际负荷数据为例,采用多种形式的仿真验证了所提预测方法具有更高的预测精度和普适性.     

基于小波去噪的电力系统日负荷分析

介绍了小波去噪的基本原理及方法,简要说明了其消噪的步骤。进一步说明了小波包去噪的原理和步骤,并给出了1个给定含噪信号去噪的实例。由于影响日负荷因素的复杂性,本文采用4个气象指数来量化温度、湿度和风速等气象因子对负荷的综合影响。首先介绍了小波去噪原理,然后通过小波去噪消除负荷和气象数据中的伪数据和噪声。结果表明,去噪以后从关联性上看效果显著,为最终进行负荷预测工作提供指导依据。     

气象因素与电力负荷关系探讨

对保定地区所属的市区、阜平县、淶源县和涿州市4个区域的电力负荷特点及波动规律进行了分析,引入生物气象学中的实感温度、寒湿指数、温湿指数、舒适度指数4个指标来综合衡量气象因素对电力负荷的影响,并给出电力负荷与各指标的比值曲线.通过同一区域的曲线比较说明引入各气象指数的合理性,通过不同区域的曲线比较说明不同区域的电力负荷与气象指数关系的差异.     

基于关联分析及堆栈自编码器的气象敏感负荷功率估算方法

气象敏感负荷的逐年增长是夏季电网负荷不断攀升的重要原因,准确估算此类负荷功率对电网运行调度、估计地区需求侧响应能力均有益处。提出了改进典型相关分析方法,建立了负荷-气象非线性关联模型,基于此可计算历史负荷数据中的气象敏感负荷功率。建立了基于堆栈自编码器(SAE)的气象敏感负荷功率估算模型,利用SAE的无监督学习提取日负荷曲线的降维特征,利用关联模型的计算结果作为有标签样本训练估算模型的全连接层,从而由日负荷曲线直接获得气象敏感负荷功率曲线。基于实际电网数据的算例结果验证了所提方法的有效性。     

基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测

针对气象变化时负荷曲线预测精度低、预测模型不能完全适应气象变化的情况,提出了一种基于模糊信息粒化与多策略灵敏度的短期日负荷曲线预测方法。提出了完全气象因子序列的概念,建立气象粒化集;采用空间多元回归及滞后模型结合多策略灵敏度分析法,建立了针对复杂气象条件下的极值预测模型;基于改进的K-means聚类分析法查找并获取气象特征日,计算初步预测曲线,主动判断预测曲线畸变概率并进行优化修正,得到最佳预测日负荷曲线;利用动态数据流对模型参数进行更新,实现精细化预测。最后采用该方法对我国南方某地区全年负荷曲线进行预测,验证了模型在多种气象条件下的预测准确性,尤其适用于短期内气象存在复杂变化的情形。     

基于用电采集数据的需求响应削峰潜力评估方法

目前,电网规划按规划年最大负荷场景对电网网架进行规划设计。需求侧响应能达到削减年度尖峰负荷的效果,对电网规划产生影响。文章提出了一种基于用电采集数据的需求响应削峰潜力评估方法。首先,利用统计分析确定峰荷时段。其次,提出利用K-means聚类算法,以日负荷率、日峰谷差率、峰期负荷率、平期负荷率、谷期负荷率5个关键指标,对单一负荷进行降维聚类分析,从而确定适用于评估需求响应能力的用户典型日负荷曲线。在此基础上,综合考虑负荷所在行业的需求响应降负荷率和负荷峰谷差,量化评估负荷的削峰潜力。最后,根据拓扑结构,通过逐层叠加计算总需求响应的潜力及对峰值负荷的总影响。此文提出的方法可以帮助电网规划人员有效量化需求响应对系统峰荷的影响潜力,从而在规划时能考虑需求响应的影响,制定合理的未来电网投资方案。     

面向新能源消纳能力评估的年负荷序列建模及场景生成方法

全年负荷序列是开展中国省级电网新能源消纳能力评估的基础,文中提出了基于聚类分析和马尔可夫链技术的年负荷序列建模和场景生成方法。首先,通过自组织映射对历史负荷数据进行典型日聚类分析,并采用离散马尔可夫链描述不同典型日之间的状态转移特性。针对每类典型日,采用核密度估计和t-Copula函数构建日负荷特性指标的联合概率分布模型。然后,通过马尔可夫链蒙特卡洛随机抽样生成每日的典型日状态和日负荷特性指标。最后,通过构建日负荷序列优化模型,实现每日负荷序列的优化重构,直至生成全年负荷序列场景。算例基于中国某省级电网全年负荷数据进行测试,并利用所生成的负荷序列场景开展未来年度新能源消纳能力的评估,结果验证了所提方法的有效性及实用性。     

北京地区日最大电力负荷预测模型初探

基于2009—2013年北京地区电力负荷以及自动站气象资料,分析讨论了日最大电力负荷的变化特征以及与气象因子之间的相关关系,并使用2009—2012年资料,通过多元回归建立日最大电力负荷预测模型。研究分析结果表明：日最大电力负荷主要出现在09：00—17：00并与气温存在明显相关性,其中在18.7 ℃以上呈正相关,在18.7 ℃以下呈负相关。使用2013年的数据对模型进行验证,其预报准确率达到91.6%,展现出了良好的预报能力。     

基于数据驱动的母线负荷特性分析

深入分析母线负荷的特性对于提高负荷预测精度,评估电网的安全性和稳定性,辨识需求响应潜力等具有重要的意义。有别于传统的负荷率、峰值出现时刻等指标,提出了一套基于数据驱动的母线负荷特性分析方法。在对母线负荷进行数据清洗、标幺化处理的基础上,利用基于马氏距离的聚类算法对每日母线负荷曲线进行聚类分析;在此基础上,从不同维度提出和采用了模式切换熵、相对波动率、日平均负荷、温度敏感度等4个指标作为凸显母线负荷差异性的评估标准;最后根据提取的特征,利用K最邻近算法对母线负荷进行分类。对广州130条母线负荷数据进行了算例仿真,结果表明所提出的指标能够较好地刻画母线负荷特性,并能取得较好的分类效果。     

基于变化趋势和气象因子的加权负荷预测方法

针对采用趋势变化法预测电力负荷时,存在因未充分考虑气象因素而影响预测精度的问题,提出了一种基于变化趋势和气象因子的加权负荷预测方法。该方法综合考虑气温、湿度和天气类型3个气象因子,对基于变化趋势的电力负荷预测方法进行修正。分析了基于变化趋势的电力负荷预测方法存在的2个问题：未考虑外界因素对电力负荷变化趋势的影响和预测电力负荷时存在累计误差。在充分研究日内平均负荷变化率和点间平均负荷变化率的基础上,给出了算法的详细计算步骤,并将其应用于苏北某地区电力负荷的预测算例中。结果表明该方法的预测误差为3.42%,预测精度高且数据波动小,验证了该方法的有效性和可行性。