基于TCN-LSTM和气象相似日集的电网短期负荷预测方法

为充分挖掘不同气象因素的相似日信息和输入特征蕴含的信息以提升负荷预测精度,提出一种基于时间卷积网络和长短期记忆网络组合（TCN-LSTM）和气象相似日集的电网短期负荷预测方法。首先通过Pearson系数和最大信息系数,选出与负荷强相关的气象因素;然后根据该气象因素,选取最佳相似日组成气象相似日集,以气象相似日集负荷、历史负荷、气象因素和时间因素作为预测模型的输入特征;最后,搭建TCN-LSTM预测模型,用TCN进行特征提取后,再用LSTM网络完成短期负荷预测。以中国某地区的实际历史数据进行仿真验证,结果表明所提预测方法可有效提升负荷预测精度。     

考虑实时气象耦合作用的地区电网短期负荷预测建模

传统的短期负荷预测中并未考虑实时气象因素的耦合作用,针对此提出了考虑实时气象耦合作用的时域卷积网络短期负荷预测方法。首先,分析了各项实时综合气象指数与负荷曲线的相关性,进而构建了混合日特征量与实时气象因素的相似日选取方法。然后,引入各项实时综合气象指数作为模型输入。最后,采用能够充分考虑并包容实时气象因素与负荷"时差性"特点的时域卷积网络进行日前负荷预测建模。实验仿真以某地区电网实际负荷为例,研究表明该预测模型能够有效提升地区电网日前负荷预测精度。     

基于OD矩阵的电动汽车充电负荷时空分布预测

电动汽车(ElectricVehicle,EV)出行存在时间、空间上的不确定性,考虑时空分布的EV负荷预测是研究其与电网之间的交互影响、电动汽车充电站选址定容、实现有序充电的重要基础。以电动私家车为研究对象,提出基于出行起讫点矩阵(Origin-Destination Matrix, OD矩阵)考虑时空分布的EV负荷预测方法。首先根据电动汽车充电模式等影响充电负荷的因素,建立充电负荷基础参数的概率模型。其次由实际路网建立其拓扑结构模型,由OD矩阵结合Floyd算法模拟电动汽车最短距离出行轨迹,采用车速—流量关系模型计算用户在既定起讫点时的行驶时间。然后考虑电池荷电状态的连续变化,基于蒙特卡洛方法(Monte Carlo method)建立EV充电负荷预测模型。最后采用所提方法计算包含居民区、商业区和工作区的某市辖区EV充电负荷时空分布。算例计算结果表明,不同功能区域的EV充电负荷在充电时间、充电方式及充电量上具有不同特征,居民区的大部分充电负荷充电需求在19:00至次日05:00,商业区和工作区的充电负荷集中在日间11:00—17:00,同时EV充电负荷加大了配电网的负荷峰值,影响了配电网的安全运行。所提出的EV充电负荷预测方法可为后续有序充电策略及充电站选址定容研究提供基础数据。     

基于路–电耦合网络的电动汽车需求响应技术

随着电动汽车(electric vehicle,EV)保有量的增长,大量无序充电负荷的接入可能给电网带来节点电压偏低、线路阻塞等影响。该文提出基于路-电耦合网络的EV需求响应技术,精确预测充电负荷时空分布特性并对其进行合理调度,以缓解或解决大规模EV无序充电引发的电网问题。首先分析路网交通信息与电网运行状态的交互影响,提出路网-电网耦合原则;在综合考虑路-电耦合对EV行为规律影响的基础上构建充电负荷预测模型,以获得聚合充电负荷的时空分布特性;进而提出考虑快充与慢充调控差异性的需求响应策略,其中快充调控可降低短时间内节点负荷,慢充调控可转移大量EV充电时间段;最后仿真结果表明,考虑路-电耦合能够更准确预测EV充电负荷并有效缓解电网电压偏低及输电线路阻塞问题。     

城市EV时空充电负荷预测及充电站规划研究

针对目前城市电动汽车（electric vehicle, EV）充电站存在盲目建设、规划不合理导致的部分充电站利用率低、用户充电满意度低等问题,同时为适应“双碳”目标下发展大规模EV的充电站规划需求,提出一种基于蒙特卡洛模拟和回声状态网络（echo state network, ESN）拟合的城市EV时空充电负荷预测方法,进一步开展EV充电站规划研究。首先考虑城市交通路网结构和区域主要功能,将待规划区域进行网格划分并作为待建充电站备选位置;利用蒙特卡洛方法对各类EV进行多种模式的出行链模拟,获取各网格区域内的EV充电负荷数据集;为拟合各网格内EV充电负荷的多样化分布特征,建立基于回声状态网络ESN学习算法的EV时空充电负荷预测模型,实现一定EV保有量下待规划区内EV时空充电负荷的预测。进一步考虑待规划网格区域内的最大充电预测负荷等约束条件﹑以充电站的建设和运维成本、EV用户充电出行成本以及配网损耗的综合成本最小为目标,建立EV充电站的规划模型,利用粒子群算法进行模型求解得到待规划区的充电站建设位置、数量及容量;最后以某城区EV充电负荷预测及充电站规划为例进行计算,验证了所提方法及模型的...     

基于路–电耦合网络的电动汽车充电决策优化方法

电动汽车(electricvehicle,EV)同时具备路网交通工具及电网用电负荷的双重属性,对其行驶、充电行为的有序调控有利于缓解充电拥堵并提升电网运行稳定性。提出基于路–电耦合网络的EV充电决策优化方法,在合理调控充电负荷的同时改善耦合网络运行状态。首先提出基于分层图论的路–电耦合网络模型及网络权重计算方法,量化分析耦合网络的实时运行状态;然后基于充电负荷时空分布情况及耦合网络权重制定并更新各充电站的实时充电服务费,提出综合考虑时间、充电费用、路况、荷电情况等因素的充电决策优化模型,为EV用户提供最佳充电时段及最低充电成本的决策;最后仿真结果验证了所提方法能够有效减少EV充电成本,缓解充电拥堵,改善路–电耦合网络整体运行状况。     

电动汽车充电设施接入配电网的最优布点规划

目前电动汽车(electric vehicle,EV)有序充电技术尚未成熟,在未来较长一段时期里,EV仍处于随机充电状态。由于EV充电行为的密集性和随机性,必然会对配电网产生较为显著的影响。为了研究EV无序充电对配电网的影响,首先通过统计EV历史出行数据拟合得到日行驶里程及起始充电时间概率模型,建立EV充电负荷模型,利用蒙特卡洛模拟法进行负荷预测;然后根据得到的EV充电负荷,以IEEE33节点系统为基础,对充电设施不同布点位置对电网的节点电压、网络损耗等的影响进行仿真分析;最后提出有利于配电网运行的充电设施规划建议。     

微网用户短期负荷预测相似日选择算法

微网用户负荷基荷小、波动性和随机性大,增大了短期负荷预测难度。科学合理地选择相似日可以在一定程度上改善短期负荷预测的效果。分析了相似日选择的影响因素,针对微网用户负荷特点,提出了一种负荷点尺度上的相似日选取算法。该算法考虑了前几日气象因素的累积效应、短期负荷的连续性和周期性及时间距离的影响,其相似日评价函数计及了日特征相似和局部形相似,并引入时间因子,克服了传统人工经验选取相似日算法的主观性,使得选择的相似日更加客观合理。实例验证表明,该方法所选择的相似日用于微网用户短期预测时,可以提高预测精度,有一定的使用价值。     

基于相似日和CNN-LSTM的短期负荷预测

为充分发掘历史信息,解决气象数据不足影响预测精度的问题,采用灰色关联分析(GRA)选取天气相似日和CNN-LSTM混合神经网络的方法来预测电力负荷。利用GRA计算每日各气象因素与日总负荷的灰色关联度,再计算各日与典型日的相同气象因素之间的欧氏距离,将各气象因素的欧氏距离分别乘以对应因素的关联度,并将同一天的结果累加,得到一个综合得分。选取待预测日之前分数最低的5天作为相似日,将相似日各时刻的负荷数据输入CNN-LSTM网络中,预测出待预测日的负荷,通过与其他模型对比,验证了该方法的有效性。     

基于相似日与多模型融合的短期负荷预测

为提高负荷预测精度，以相似日思想为基础，构建了一种基于相似日与多模型融合的短期负荷预测框架。首先，通过Pearson相关系数确定负荷的气象影响因素，并结合气象因素及负荷日期类型进行相似日选取，构造历史数据集；其次，采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)技术将历史数据集分解为不同频率下的固有模态函数(intrinsic mode function,IMF)分量；然后，采用长短期时序网络(long short term time-series network,LSTNet)及极限学习机(extreme learning machine,ELM)模型分别对高频及低频IMF分量进行预测，经过结果的融合得到最终的负荷预测结果；最后，经过实际电力负荷验证，所提出模型具有较高的负荷预测精度。     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。     

基于相似日选择和BP神经网络的商场短期负荷预测

为了改进传统楼宇短期负荷预测的准确度与效率,以上海市某商场建筑为研究对象,采取了基于相似日选取和BP神经网络的方法,对其夏季短期负荷进行了预测。首先,对夏季气象类因素进行去量纲处理,并采用灰色关联度挑选出对负荷影响最大的气象因素;然后,以关键气象因素为基准,采用加权相似度函数选择相似日,并按照相似度大小进行降序排列;最后,将相似日的负荷和关键气象因素数据输入到BP神经网络模型中,预测输出该商场2017年夏季短期负荷值,并对预测结果进行对比分析。通过实例数据进行了算例验证,结果表明,提出的方法具有较好的有效性和实用性。     

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法

气象因素是短期负荷预测中的重要因素,考虑气象累积效应选取相似日作为训练样本,提出基于改进粒子群优化算法的BP神经网络负荷预测方法(IPSO-BP)。首先通过相关性分析得出与日负荷相关程度较大的气象因素;在此基础上,采用加权几何距离选取与待预测日关联度较大的历史日作为相似日,并对IPSO-BP神经网络模型进行训练和预测。实际应用结果表明,所提出的预测模型和数据处理方法能够得到更加精确的预测结果。     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.     

基于聚类分析的电动汽车充电负荷预测方法

准确预测电动汽车充电负荷是研究大规模电动汽车接入对电网影响的基础,现有充电负荷预测方法缺乏考虑路况拥堵因素对电动汽车荷电量的影响。提出了一种基于聚类分析的电动汽车充电负荷预测方法,在分析常规充电负荷影响因素并初步建立概率分布模型的基础上,对每段行程的行驶里程和行驶时间构成的二维出行特征数据进行聚类分析。挖掘常规统计数据无法得到的道路拥堵因素,考虑不同路况条件下道路拥堵因素对电动汽车荷电状态的影响并叠加该变量到负荷预测模型中。以北京市为例分别预测并比较分析了工作日、周末、夏季、冬季电动汽车日充电负荷曲线。计算结果表明该方法可在一定程度上提高充电负荷预测的精确度。     

计及温度与交通影响的电动汽车充电负荷预测∗

为了提高电动汽车(Electric Vehicle,EV)充电负荷预测的准确性,首先在温度因素的影响下,建立了EV的电池容量和空调启动概率模型,其次在交通因素的影响下,结合交通指数和行驶速度等因素,建立了EV的单位里程能耗模型,最后结合以上模型建立了基于蒙特卡洛法的EV充电负荷模型.以某市EV为算例进行仿真分析,结果表明在不同温度与交通指数的影响下,EV的充电负荷曲线发生了显著的变化.     

基于相似日负荷修正的节假日短期负荷预测

针对短期负荷预测中节假日的特殊性,提出基于相似日负荷修正的算法。为了克服节假日样本较少所导致的预测困难,将近期周末扩充到相似日样本中。该算法评估相似性时综合考虑气象和时间因素。针对气象因素,采用灰色关联分析法来计算,而对于时间因素,兼顾到“近大远小”和“周期性”的原则,并以二者相似度的乘积量化总体相似性,选出若干相似日。考虑到类型日和年周期对负荷的影响,基于“历年节假日与周末负荷比例”和“负荷年增长率”分别修正相似周末和相似节假日的负荷。该算法应用到某地级市的预测中,平均相对误差为2.29%。     

基于相似日负荷修正的节假日短期负荷预测

针对短期负荷预测中节假日的特殊性,提出基于相似日负荷修正的算法.为了克服节假日样本较少所导致的预测困难,将近期周末扩充到相似日样本中.该算法评估相似性时综合考虑气象和时间因素.针对气象因素,采用灰色关联分析法来计算,而对于时间因素,兼顾到"近大远小"和"周期性"的原则,并以二者相似度的乘积量化总体相似性,选出若干相似日.考虑到类型日和年周期对负荷的影响,基于"历年节假日与周末负荷比例"和"负荷年增长率"分别修正相似周末和相似节假日的负荷.该算法应用到某地级市的预测中,平均相对误差为2.29%.     

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.     

计及相似日与气象因素的电动汽车充电负荷聚类预测

电动汽车充电负荷精准预测对于电网调度、电力市场交易、充电站规划建设等具有实际意义.由于电动汽车充电负荷特性异于传统的电力负荷,两者负荷的规律性及影响因素的敏感性各有不同,有必要针对电动汽车充电负荷影响因素及预测模型开展针对性研究.考虑到不同类型电动汽车充电负荷时间序列特性及影响因素存在差异,构建考虑日类型、最高与最低温...