探究电力调控运行系统的优化方法

电力调控运行系统能够为电力安全提供保证。基于此,本文阐述了实施电力调控运行系统的必要性,同时,提出了优化电力调度运行系统的设计目标、优化电力调度系统的原则、优化电力调度自动化系统、优化电力监控系统等优化电力调控运行系统的方法,为电网管理人员提供一些参考。     

基于负荷曲线分类的电力负荷预测方法

根据负荷曲线的特性对负荷进行分类,用简单的模型描述和预测,对用户的月用电数据的预测结果表明,新方法能够得到更准确的结果,较准确地反映负荷变化情况.     

县级电力调控安全控制思考

随着国家电网公司正在进行"大运行"的生产体系改革,这项体系将电网调度和运行监控业务有效的整合到一块,这样县级调度"调控一体化"的管理模式就会实现。笔者主要针对县级电网调度安全目前存在的弊端以及风险因素进行分析和探讨,在此基础上提出一些解决的建议和措施,希望这些措施和建议对县级电网调度的安全运行有一定的交流意义。     

电力负荷特性在线记录系统软件设计

提出了一种基于电铁牵引变电站电力负荷特性在线记录系统的软件设计方案,以提供电力系统负荷建模所需的数据。系统以PC机进行后台数据处理并上传数据记录,可以对电铁牵引变电站双变压器并列运行实现全时间点状态监测和负荷特性记录,具有存储容量大、功能齐全、调试简便、开发周期短、测量精度高等优点。通过仿真和实际测试证明,开发工作是成功的,该系统能够满足电力系统负荷特性数据采集的要求。     

基于优化决策树的短期电力负荷预测

电力负荷预测是一项重要和具有挑战性的工作.从寻求准确预测电力系统负荷的目的出发,提出了基于优化决策树的短期负荷预测新方法,有效地考虑了非负荷因素对短期负荷预测的影响.文中先将样本数据进行预处理,利用粗糙集理论对决策树的测试属性进行优化约简,然后建立了短期负荷预测的决策树模型.良好的实例分析效果说明,该方法可提高短期负荷预测的精度,具有实用性和优越性.     

一种通用电力负荷预估方法及其系统实现

本文针对电力负荷预报系统中传统方法在普适性方面的不足,提出了一种基于多分辨率遗传算法的神经网络方法,并将其应用在短期电力负荷预报系统中,运行结果表明,该预报方法具有预报精度高、训练速度快,鲁棒性和适应性强等特点,使系统具有较强的通用性。     

电网供电系统短期电力负荷预测优化仿真

对电网供电系统短期电力负荷预测模型进行优化,能提升预测结果的准确性和鲁棒性.虽然现有预测模型可以满足预测速度的要求,但预测结果的精确性和稳定性却无法保证.为了得到更加准确和稳定的预测结果,提出了细菌觅食算法优化极限学习机预测模型.首先在电力负荷样本数据中形成训练样本和预测样本集,利用细菌觅食优化算法对极限学习机预测模型中的不确定参数进行优化,然后利用改进后的模型进行电力负荷预测.新模型的优化仿真结果显示,利用细菌觅食算法优化极限学习机预测模型的预测精度和稳定性均优于传统预测模型的预测结果,该算法具有很好地实用性.     

配电网长期电力负荷自动调度方法

常规的配电网长期电力负荷自动调度方法主要使用峰荷能量削减模型进行调度求解,易受电力负荷转换作用的影响,导致电力负荷峰谷差过高,因此,需要设计一种全新的配电网长期电力负荷自动调度方法。根据相空间重构理论预测了配电网长期电力负荷,构建了配电网长期电力负荷自动调度模型,生成了电力负荷自动调度策略,从而实现了配电网长期电力负荷自动调度。结果表明,设计的配电网长期电力负荷自动调度方法的调度电力负荷峰谷差较低,证明其调度效果较好,具有可靠性和一定的应用价值。     

电力负荷预测参数模型方法研究

该文论述几种电力负荷参数模型预测方法基本思想,并对某些方法给出了实现技术,在实际应用中取得了良好的效果。     

一种短期电力负荷预测方法

针对短期电力负荷预测中影响因素多、变化随机、非线性等特点,提出一种相似日的优化BP神经网络短期电力负荷预测方法。考虑到短期负荷波动的影响因素较多,相似日的选取综合了气象因素、日期因素和时间距离因素。同时,在负荷预测中常用的BP神经网络预测方法的基础上,引入遗传算法对BP神经网络算法的初始权值和阈值寻优进行改进。仿真表明优化BP神经网络算法与相似日结合的方法预测时在稳定性和精确度方面得到较大的提高。     

基于神经网络的电力负荷预测方法研究

电力负荷预测易受到高频、低频和超低频振荡干扰,导致预测准确性不高,提出基于神经网络的电力负荷预测方法。在无线ZigBee组网协议下进行电力负荷传感器信息组网,构建电网负荷数据采集模型并进行模型修正。根据电力负荷数据采集结果,去除高频、低频和超低频振荡干扰因子。进行神经网络样本数据训练,去除冗余数据,输出电网负荷数据集合。对获得的数据集采用神经网络分类器进行分类融合处理,根据电力负荷数据的融合结果实现电力负荷预测。仿真结果表明,采用该方法进行电力负荷预测的准确性较高,预测过程的抗干扰性较好,在电力负荷的实时监测和信息调度中具有很好的应用价值。     

基于DCE-LAE的电力负荷异常检测方法

针对传统的用电负荷数据异常检测方法精度低、提取时间特征困难、特征提取与检测过程分离的问题,提出一种基于深度卷积嵌入LSTM编码器(deep convolution embedded LSTM auto-encoder, DCE-LAE)的电力负荷数据异常检测方法。将长短期记忆网络融入自编码器架构,利用编码器的非线性特征提取能力和长短期记忆网络的时序特征记忆能力提高电力负荷的异常检测精度,将深度卷积层嵌入至该架构中提高感受野,提取更多时间序列特征;将卷积损失和重构损失相结合作为损失函数联合优化,防止卷积嵌入微调对重构空间的扭曲,进一步提高结果的可靠性。实例仿真通过与其它方法进行对比,验证了DCE-LAE的异常检测精度与时序重构能力均优于其它算法。     

基于PCA-BPNN方法的中长期电力负荷预测

针对基于反向传播神经网络(Back-Propagation Neural Network,BPNN)的中长期电力负荷预测算法中,预测模型的精度和泛化能力易受输入样本变量影响这一问题,利用主元分析(Principal Component Analysis,PCA)方法能消除变量间相关性的特,对BPNN的输入空间进行重构,消除重叠信息,提取主导因素,优化了网络结构,提高了预测精度.通过实例验证了该方法的有效性.此方法可以使用电计划部门实时、准确的预测电力负荷,以此最优的配比发电机组,也可减少由于预测不准确带来的电力系统各种故障的发生.     

基于VMD-GRU的电力短期负荷预测方法

针对电力短期负荷的非平稳性影响预测精度的问题,文中提出一种基于变分模态分解(VMD)和门控循环单元(GRU)的电力短期负荷预测方法。首先,利用VMD对电力负荷数据进行分解,得到一组比原始负荷数据更具有规律性的模态分量;然后,采用GRU网络学习每一模态分量动态变化特征,并对该分量进行预测;最后,将每一分量的预测结果叠加,得到最终的预测结果。采用LSTM、GRU、EMD-LSTM、EMD-GRU、VMD-LSTM、VMD-GRU预测模型进行对比实验,得出VMD-GRU模型的平均绝对百分误差仅为2.081%。实验结果表明,所提的基于VMD-GRU的方法可以有效地提升电力短期负荷预测精度。     

中长期电力负荷神经网络预测方法的实现

本文应用含一个隐含层的BP网络对电力负荷做中长期预测,采用了优化算法,取得了满意的预测效果。     

电力负荷管理系统的应用及其实施措施

首先介绍了电力负荷管理系统的功能,并分析了电力负荷管理系统各项功能的具体应用,进而阐述了电力负荷管理系统的实施措施,最后通过应用实践说明了电力负荷管理系统的有效性和实用性。     

基于改进型k-means算法的变电站电力负荷特性分析

电力负荷具有复杂性、分散性以及时变性等特点,变电站负荷特性分类能够为典型变电站的负荷建模提供依据.其中大数据分析及聚类分析方法在电力负荷特性分析中发挥了重要作用.论文对比了各类聚类分析方法,针对k-means算法对于孤立数据(离群点)敏感等缺点,考虑到变电站负荷数据的分散性,提出一种改进型k-means算法.该算法首先...     

智能优化LS-SVM在电力负荷预测中的应用

研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种因素的影响,系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题,提出了一种核函数KPCA和KICA的最小二乘支持向量机(LS-SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包去噪预处理,同时对不同频段的负荷分量进行区别处理以提高预测精度;利用核函数KPCA和KICA分析方法提取数据特征,提高预测模型的泛化能力和预测精度;采用混沌粒子群算法优化LS-SVM参数提高预测模型的收敛速度。实验表明,改进算法在预测精度、泛化能力及收敛速度方面较突出,具有良好的预测效果。