虚拟母线技术及其应用(二):虚拟母线负荷预测

与系统负荷不同,母线负荷水平较低,波动性强,规律性弱,可预测性差,引入虚拟母线技术有利于提高母线负荷预测的工作水平与预测精度。在电网中存在一些紧密联系的连通的局部网络,其内部各母线对关键断面具有相同或相近的发电机输出功率转移分布因子(generation shift distribution factor,GSDF),同时其内部母线的负荷曲线具有一定的相似性,这些母线所组成的连通局部母线组为虚拟母线。根据虚拟母线概念,提出一种新颖的聚类预测方法:虚拟母线负荷预测方法;对虚拟母线负荷预测与独立预测的精度进行了比较,分析了预测误差的形成机理,提炼出预测误差的数学表征;针对虚拟母线聚类判据对于提高预测精度的有效性进行了分析;采用河北南网的实际数据验证了虚拟母线负荷预测方法的有效性。     

基于数值天气预报的母线负荷预测

针对母线负荷量大面广,易受气象变化影响,且传统天气预报与母线负荷之间存在极为松散的地理对应关系,提出了基于数值天气预报和负荷分类的母线负荷预测。通过获取母线负荷所属行政区域,如县、乡或市辖区的地理位置,提取与母线地理位置紧密对应的高精度数值天气预报信息。通过研究母线负荷与气象因素的相关特性,构建了基于数值天气预报和负荷分类预测的母线负荷预测模型。通过对某省母线负荷进行分析预测,验证了该方法的实用、有效性。     

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。     

福建电网母线负荷预测技术及管理措施研究

阐述了福建电网母线负荷预测工作特点、难点,提出了母线负荷预测技术支持系统的建设要点及业务管理措施,介绍了母线负荷预测在福建电网的应用成果。     

广东电网负荷特性

针对负荷增长和产业结构调整对电网负荷特性产生的影响,根据2008-2013年广东电网及各地市的负荷数据和气象信息,从年、月、日三个时间维度,构建了省、地负荷特性分析指标体系,对广东电网负荷特性进行了分析。基于负荷特性和气象条件,采用 K-MEANS 算法对广东省各地市进行聚类分析,并以广州为例,分析了典型地市的负荷特性。     

国外典型电网负荷特性分析

负荷特性分析是电力系统运行管理中的一个重要环节,掌握电力负荷特性的变化规律和发展趋势是建立负荷预测模型的基础。在参考相关文献的基础上,建立了较为完善的负荷特性指标体系,并收集了日本东京、美国东北部电网、纽约电网等多个地区电网的负荷数据,对上述地区的负荷特性曲线进行了深入分析,以期为我国电网的负荷特性研究提供参考。     

基于FCM与影响因子的母线负荷特性分析

以某地区的多条220 kV母线为研究对象,针对母线数量众多,负荷类型多样的特点,采用模糊C均值聚类的方法将母线进行初步分类。再选取每个类别的典型母线,分别从母线的负荷特性指标、负荷曲线特点、与气象因素以及日类型的关系等方面进行深入的研究和分析,总结出每个类型母线的重要影响因子和在不同日类型下负荷曲线的变化趋势,为下一步开展母线负荷预测工作提供服务,进而提高地区母线负荷预测的工作效率和预测精度。     

基于解耦机制的短期母线负荷预测方法

准确的短期母线负荷预测是实现节能降耗与调度精细化管理的基础,提出了一种基于解耦机制的预测方法。首先研究划分样本集最优簇结构的AFS（AP,FCM,Silhouette）聚类算法。利用AP聚类（affinity propagation clustering）计算样本集聚类数的搜索区间;从大到小排列各样本点的密度指标,得到初始化矩阵;通过Sil—houette指标进行有效性检验,获取最优聚类结果。将预测过程分为负荷水平预测和标幺曲线预测两部分,并制定适应其各自特点的预测策略。采用改进的灰色关联分析计算各日特征相关因素关联负荷水平的权值,并将该权值赋予相似选择的目标函数,由最小二乘支持向量机训练相似集进而做出预测;划分标幺曲线样本集的最优簇结构,利用逐步判别分析建立的Bayes判别函数将目标日归类,并根据相似度加权平均该类历史标幺曲线。实例分析验证了该预测机制及模型的优越性。     

母线负荷预测在宁夏电网中的应用

宁夏电网母线负荷预测系统充分考虑电网特性,采用模式匹配算法,同时考虑了机组检修、小机组出力、气象条件等多种因素对预测结果的影响,使调度计划方式科学化,且预测结果满足各项考核指标。     

基于SNN-密度峰值聚类算法的商业用户典型负荷模式提取

对商业用户典型负荷进行精确、迅速、高效地提取及分类,是电网公司摸清商业用户用电行为和需求规律不可或缺的重要工作。大数据背景下传统聚类算法用于高维汇集、类簇结果差别大的商业用户负荷曲线时,存在截断距离选取困难、聚类效果不够清晰、负荷模式提取效率低等问题,为此,提出一个改善局部密度测量和聚类中心点选取的算法。首先,将数据预处理,剔除掉完整程度较低的负荷曲线;接着,运用PCA分析方法降低处理后的商业用户负荷曲线维度,并在构建样本点共享邻域集合的基础上利用改进SNN-DPC算法计算出距离矩阵,代替原算法的距离矩阵作为输入数据;然后在重新定义SNN相似度、样本局部密度ρ和距离最大密度点距离δ的算法计算基础上,利用拐点确认聚类中心,并完成对抽样曲线的聚类分析。总之,改进算法通过样本点之间的共享近邻定义样本的相似性,精准分析了一些多维异构的负荷数据,通过拐点实现了真实聚类中心点的确定,解决了主观意志择取聚类中心的问题,从而大幅度提升负荷聚类效果。算例结果表明：1）对于商业用户实测负荷数据集,所提算法能够更加准确选择聚类中心,运行效率高。2）相对于传统的算法,基于该改进算法所提出负荷模式识别模型可以更好地帮助电网公司分析用户的用电特性,验证了该模型针对不同商业用户典型负荷模式可以进行更加精确地识别。综上,所提策略在现实商业用户场景下存在效能优势。