基于改进MOPSO-BP算法的短期电力负荷预测研究

短期电力负荷预测为电力规划的科学性、电力调度的合理性、电力运行的经济性提供了有效的指导,近年来,神经网络在预测短期电力负荷中得到了广泛应用。针对BP神经网络预测方法的自主学习能力强但预测结果容易陷入局部最小值的缺点,首先建立了三种短期电力负荷预测模型,分别是基于BP神经网络的预测模型,基于自适应网格法的多目标粒子群优化算法(MOPSO)优化BP神经网络的MOPSO-BP预测模型,以及基于拥挤距离法改进的MOPSO优化BP神经网络的改进MOPSO-BP预测模型;再利用Matlab软件进行仿真对比,研究哪种模型预测电力负荷的精度更高。结果显示,基于拥挤距离法的改进MOPSO-BP模型预测结果比其他两个预测模型的预测结果更接近真实负荷值,这表明利用改进MOPSO-BP模型对电力负荷预测的效果最好,可以为现场短期电力负荷预测提供理论依据与借鉴。     

基于柔性负荷响应特性的超短期预测方法

在自动需求响应系统(ADRS)中,当大量的用电负荷数据被自动实时采集时,受节假日、天气、温度等因素的影响,用户侧负荷用电特性会随着响应策略的变化而发生变化。传统负荷预测方法的预测精度也将会被降低,不再满足ADRS要求。针对这一问题,基于柔性负荷的响应特性,将"预测-调度-响应"各环节视为一个闭环控制系统,把自动响应(AD)信号作为一个输入变量引入系统。基于丰富的负荷用电数据,采用"黑匣子"思想建立了闭环超短期负荷预测模型,并用仿真结果验证了模型的有效性。结果表明,该模型与传统预测模型相比,预测精度明显提高。     

基于IPSO-LSVM的短期负荷预测方法

传统基于支持向量机(SVM)的短期负荷预测模型存在着输入变量不易确定以及模型参数难以最优化的问题。针对这两个缺点,本文提出了一种基于IPSO-LSVM的短期负荷预测方法。首先引入LASSO回归筛选SVM预测模型中的滞后负荷,将筛选结果和其余影响因素作为SVM预测模型中的输入变量,建立LASSO与SVM的耦合模型(LSVM);然后采用IPSO算法对LSVM预测模型中的参数进行优化,提高预测结果的准确性和稳定性;最后采用优化后的模型进行预测。算例分析表明,IPSO优化LSVM的方法能够有效提高短期负荷预测的精度。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数.经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法(FAPSO)并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测,实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值.     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

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.     

自适应电力用户群短期负荷预测方法

随着我国电力市场化改革的推进,用户侧电力负荷预测在电力需求侧管理中呈现出日益重要的作用。因为不同电力用户负荷特性差异较大,单一的短期负荷预测方法无法满足所有用户的预测精度要求,为此提出一种自适应电力用户群短期负荷预测方法。针对不同类型的电力用户群,提出多种基于变分模态分解算法和长短期记忆神经网络的负荷预测方法,根据波动性系数的范围自适应地选择电力用户群短期负荷预测方法进行训练、测试,得到负荷预测结果。以南方地区60家企业电力用户为研究对象,对所提的负荷预测算法进行了验证,结果表明所提方法能有效提高负荷预测精度,获得了较为理想的预测结果。     

基于自适应粒子群优化的SVM模型在负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统支持向量机(SVM)模型在负荷预测中存在的参数的选取问题,提出一种新的预测模型:用改进的自适应粒子群优化算法寻求SVM模型的最优参数。经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法（FAPSO）并对其进行收敛性测试,将基于改进粒子群算法FAPSO优化的SVM模型用于短期电力负荷预测。实例仿真结果表明该预测模型精度高于传统SVM预测模型,具有一定实用价值。     

基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测

在智能电网条件下,用户的用电模式将会发生重大变化,其中一个显著的变化就是用户可以根据电能需求结合实时电价调整其消费模式。这使得用户负荷预测更为复杂。在对影响短期电力负荷特性的各种因素进行分析的基础上,综合考虑了实时电价的影响,提出了一种用遗传算法优化改进的灰色神经网络方法,利用灰色模型可以弱化数据的随机性以及神经网络的高度非线性,对短期负荷进行预测,采用遗传算法对网络进行优化,从而提高了预测的精确度。实例证明该算法能较好地解决实时电价下的短期负荷预测问题。     

基于改进极限学习机的短期电力负荷预测方法

为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM) 在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。     

基于电力系统负荷变动速率的美国得州ERCOT短期负荷预测

基于大量历史负荷数据,研究负荷数据曲线的变化性,并提出了负荷变动速率(RLF)与速率影响因子(IFR)概念。通过对ERCOT数据的分析,总结得出了得克萨斯州用电特点和相同时段内RLF的相似性。依据对RLF的历史数据统计分析,得出经验RLF值,并结合用电负荷的实时数据对短期负荷做出修正与准确预测。该方法可以应用在短期负荷预测系统及对区域中长期用电负荷变化规律的总结上。     

基于负荷分解的日最大负荷预测方法研究

提出了1种基于负荷分解的日最大负荷预测算法,即将负荷分解为正常负荷分量和天气敏感负荷分量,用结合指数趋势和周期趋势的组合模型预测正常负荷分量．用神经网络法预测天气敏感负荷分量。同时,在分析最大负荷和人体舒适度相关性的基础上,在预测中用人体舒适度替代了常规气象因子。预测结果表明,该方法可以取得较为满意的预测效果。     

On influence of load modelling for undervoltage load sheddingstudies

This paper explores the influence of load models on decisions of undervoltage load shedding in power systems. A controlled load rejection can be used as an emergency countermeasure to avoid widespread blackout when system voltages are unstable. In this paper, dynamic simulations of a small power system using both static and dynamic load models are presented. When using a static load model, the system includes an explicit model of a transformer with load tap changer. The aim is to demonstrate how different load models influence the analysis and calculation of the amount of load needed to be shed to stabilise the system voltage     

基于DTW的多状态负荷的非侵入式负荷分解

非侵入式负荷监测（NILM）是大数据和人工智能的重要应用领域,能够显著提升电网的智能化水平和节能效果。长期以来在NILM中采用稳态特征进行负荷分解时,优点是可识别功率近似的负荷,但是不能处理多状态负荷。为此,采用滑动时间窗作为事件探测算法,提出一种基于动态时间规整（DTW）的多状态特征的NILM模型。该模型首先对多状态负荷进行特征提取,并建立多状态特征的稳态波形模板库;然后利用滑动时间窗算法提取待分解负荷的稳态波形特征,将提取的稳态波形运用DTW算法与稳态波形模板库中的负荷特征计算最小距离进行辨识。该方法能够显著提升稳态条件下多状态负荷的辨识效果。最后采用公共数据集REDD进行测试验证,证明了所提方法的有效性。     

计及负荷预测误差的可中断负荷优化管理

综合考虑了在可中断负荷管理中存在的电力公司与用户信息不对称性、用户潜在的违约概率以及负荷预测误差等问题,创建了计及负荷预测误差的可中断负荷优化管理模型.该模型应用委托一代理理论来解决信息不对称问题,采用模糊概率理论求解包含违约惩罚的中断补偿,分析了负荷预测误差修正对电力公司支出的影响.算例证明,该模型能够激励用户上报真实的中断类型以获得最大补偿;促使用户减小违约概率从而增加其所获补偿;同时,引入负荷预测误差修正之后,可以减少电力公司的支出,有利于电力公司降低由负荷预测误差带来的市场风险.     

基于动态负荷特性指标化的集中式低压减载方案

针对考虑负荷模型的最优减载问题,在戴维南等值电路的基础上指出传统依据静态负荷指标考虑低压减载问题可能导致分析不准确的原因.推导了基于本地量测信息的动态电压稳定裕度指标,该指标考虑节点负荷特性,能够通过本地量测量信息实时得出,不用进行复杂的节点戴维南等值,在电压变化的关键区域能够近似线性地反映出该点的负荷裕度,从而降低优...     

电网负荷采用最大3d平均负荷指标的探讨

分析了采用最大3d平均负荷指标对电网运行的经济性和必要性.随着国内电力供需矛盾趋缓,采用最大3d平均负荷作为电网最大负荷的时机已趋成熟,应参照日本等国的经验,尽早采纳该方法.     

基于负荷曲线修复的夏季空调负荷计算

夏季空调负荷的估算能为制定高峰时段的负荷调控政策和措施提供科学依据。提出了基于峰谷差率的负荷曲线修复方法和基于指定日的集中空调负荷估算方法．并根据浙江省2002～2004年的96点负荷数据．估算了浙江省2004年的夏季最大空调负荷和集中空调负荷。调研分析结果证明了所提出方法的可行性和有效性。     

大波动地区级系统短期负荷预测方法研究

提出了针对容量较小、负荷波动较大的地区级电力系统适用的短期负荷预测方法,共分为四个步骤：①原始数据的预处理,②用模糊系统预测预测日的峰谷值,③用人工神经网络预测预测日的24h负荷值,④根据第②③步的结果用专家系统决定最终的负荷预测值。利用本文提出的方法对福建永安电力系统1999年1月至2000年6月的数据进行预测,结果证明了方法的快速性和准确性。     

大波动地区级系统短期负荷预测方法研究

提出了针对容量较小、负荷波动较大的地区级电力系统适用的短期负荷预测方法 ,共分为四个步骤 :①原始数据的预处理 ,②用模糊系统预测预测日的峰谷值 ,③用人工神经网络预测预测日的 2 4h负荷值 ,④根据第②③步的结果用专家系统决定最终的负荷预测值。利用本文提出的方法对福建永安电力系统 1999年 1月至 2 0 0 0年 6月的数据进行预测 ,结果证明了方法的快速性和准确性。