智能配电网超短期负荷状态估计模型的改进

传统的电网负荷状态估计方法存在超短期周期下实时量测在线准确率低的问题,提出一种改进的智能配电网的超短期负荷状态估计模型,其将采集到的数据反馈到数据采集服务器中。采用配电网并行分层估计方法,解决超短期实时预测节点负荷的小周期问题。融合各层的超短期负荷预测结果,得到总体配电网超短期负荷预测值。将电网负荷预测值反馈给上位机,提高状态估计的效率。实验结果说明,所设计模型对超短期负荷预测具有较高的精度和效率。     

基于自组织映射网络和遗传算法优化Elman神经网络的全网短期负荷预测模型

电网数据具有海量、高维的特点,现有的短期电力负荷预测模型无法提取用户的用电习惯.提出一种基于负荷聚类的全网短期负荷预测模型,首先采用自组织映射网络对全网负荷进行聚类,将不同特性的用户负荷曲线作为子网;然后引入遗传算法对Elman神经网络的参数进行寻优,得到针对不同子网负荷特性的差异化预测网络;最后基于负荷综合稳定度得到全网负荷预测结果.将该集成模型用于某市电网进行算例仿真,预测结果表明,所提方法比传统预测方法的准确率更高,同时适用于部分子网数据缺失而需要得到全网结果的情况.     

基于ARMA与ANN模型组合交叉方法的电网日负荷预测

用电负荷的预测是一个包含很多不确定因素的复杂问题,通常根据已有负荷数据建立模型进行预测,将近期负荷数据与远期负荷数据相结合,综合不同特征的负荷数据信息。针对单项预测模型在电网实时日负荷预测的局限性,建立了由ARMA模型和ANN模型为基础结合纵横交叉算法的混合预测模型。该模型采用时间序列模型处理连续纵向负荷数据,采用神经网络技术处理断续横向负荷数据,对计算得到的纵向、横向预测值加权计算,获得交叉预测值。提出的对纵向连续负荷数据和横向断续数据分别建模的纵横交叉预测法,以获取尽可能多的重要预测信息,提高预测精度。在某电网上进行了实例测试,具有较好的效果。     

考虑数据不确定性的中长期电力负荷预测

中长期负荷预测时间跨度较长,其基础数据受诸多因素影响,具有不确定性和不可控性。引入蒙特卡罗算法和区间算法处理中长期负荷预测中的数据不确定性问题。根据历史年度实际情况,假定基础数据在某一范围内存在不确定性,采用蒙特卡罗算法构建了计算流程,可以得到界于某一区间的负荷预测值;采用区间算法描述基础数据的不确定性,针对区间算法固有的过估计问题,通过推导适合的公式,可以避免产生过度保守的结果,只需一次计算,就可以严格分析数据不确定性对预测结果的影响,具有节省计算时间的优点。在考虑基础数据存在不确定性情况下,通过某省电网负荷预测实例计算并与传统预测方法相比较, 验证了两种负荷预测方法可以评估数据不确定性对负荷结果的影响,避免得到过度保守的负荷预测值。     

考虑数据不确定性的中长期电力负荷预测

中长期负荷预测时间跨度较长,其基础数据受诸多因素影响,具有不确定性和不可控性.引入蒙特卡罗算法和区间算法处理中长期负荷预测中的数据不确定性问题.根据历史年度实际情况,假定基础数据在某一范围内存在不确定性,采用蒙特卡罗算法构建了计算流程,可以得到界于某一区间的负荷预测值;采用区间算法描述基础数据的不确定性,针对区间算法固有的过估计问题,通过推导适合的公式,可以避免产生过度保守的结果,只需一次计算,就可以严格分析数据不确定性对预测结果的影响,具有节省计算时间的优点.在考虑基础数据存在不确定性情况下,通过某省电网负荷预测实例计算并与传统预测方法相比较,验证了两种负荷预测方法可以评估数据不确定性对负荷结果的影响,避免得到过度保守的负荷预测值.     

基于ARMA-GABP组合模型的电网大停电事故损失负荷预测

损失负荷作为衡量大停电事故风险的重要指标,如何对其进行准确预测对于电网的安全运行具有十分重要的参考意义。选取1981—2016年东北电网和西北电网的大停电事故损失负荷作为实验数据进行分析,为消除电网发展对数据分析产生的影响,采用相对值法对电网大停电事故损失负荷进行处理。根据实验数据的特点,将损失负荷相对值的数据结构分解为线性和非线性残差部分,建立自回归滑动平均(ARMA)模型和遗传算法(GA)优化的误差反向传播(BP)神经网络组合模型,对东北电网大停电事故进行综合分析与预测。将所提模型的预测结果与单一模型和ARMA-BP模型的预测结果相对比,结果表明,所提模型的预测精度更高,预测效果较为理想。为进一步验证该预测模型的有效性,将西北电网大停电事故数据代入预测模型,实验结果表明该预测模型在电网大停电事故损失负荷方面具有良好的预测效果。     

考虑负荷动态模型的智能电网灵活规划方法

为提升智能电网的运行质量,解决当前智能电网存在的负荷波动大、经济效益低的问题,在考虑负荷动态模型的情况下,提出智能电网灵活规划方法。根据用电电压划分智能电网的供电区域,针对不同区域构建相应的负荷动态模型;利用动态负荷模型分析电网负荷的波动特征,预测电网实时负荷值;从用电需求量、输电线路潮流和负荷平均密度3个方面,设置智能电网规划约束条件;通过对智能电网架构、线路等组成部分的规划,得出最终的规划结果。实验结果表明：所提方法规划后,智能电网负荷率的平均值更趋近于1,年线损量降低了2 777.41 k W,投入成本节省了15 724万元。     

基于门控循环单元网络与模型融合的负荷聚合体预测方法

随着智能电表的普及,以智能电表数据为基础,可按需求灵活划分不同规模的负荷聚合体并开展预测。由于负荷聚合体规模差异较大,并与用户负荷特性关系密切,传统预测方法不再适用。为此,提出了一种基于门控循环单元(GRU)网络与模型融合的负荷聚合体预测方法。首先,通过分布式谱聚类算法获得负荷特性相近的负荷群体,然后进行分组预测,采用GRU作为元模型,对时间序列进行动态建模,利用随机森林算法融合多个结构不同的GRU网络,实现对负荷群体的预测,最终将各群体预测值求和得到负荷聚合体预测值。算例表明,得益于分组预测、动态时间建模及模型融合技术,所述方法能充分利用不同模型的结构优势,发现时间序列动态规律,在不同时间尺度下预测精度更高,对不同规模的负荷聚合体适用性更强。     

基于区域负荷预测值综合评价的大电网短期负荷预测

为提高省级大电网短期负荷预测准确度,提出一种基于区域负荷预测值综合评价的短期负荷预测的新算法。该算法分成三个阶段:第一阶段,构建区域负荷预测值的多指标评价体系,运用变异系数法对各个指标进行评价;第二阶段,根据综合评价结果选择部分区域负荷预测值预测大电网负荷,并将预测结果进行最优组合;第三阶段,为防止极端误差的出现,定义不同的区域个数为不同的预测方案,再对各个预测方案的预测结果最优组合预测以获取大电网的最终负荷预测结果。目前,该方法已应用于某省的短期负荷预测中,并取得了良好的预测效果。     

基于超短期负荷预测的智能配电网状态估计

状态估计作为智能配电网自愈控制的数据出口和态势感知工具的核心板块,需要在1个数据采集周期内对全网进行1次状态估计计算,传统的配电网状态估计算法不能满足以上要求,需要研究高效的配电网状态估计算法。提出了一种基于超短期负荷预测的智能配电网的状态估计方法,为自愈控制状态评估模块和潮流计算模块提供所需数据。该算法将预测速度快、预测精度高的超短期负荷预测技术引入智能配电网状态估计,实时预测节点负荷,实现了配电系统节点负荷的实时跟踪;采用指数函数抑制不良数据的影响,提高了状态估计的精度;利用配电网潮流计算的前推回代算法计算状态变量的初始幅值和相角,提高了算法的收敛性;考虑了分布式电源接入,体现了智能电网透明开放的特点。基于IEEE36节点标准算例的计算分析,验证了算法的有效性。     

基于智能电能表误差检测的非侵入式电网故障定位及运维调度

为提升电网故障恢复的效率,提出一种基于智能电能表计量大数据的故障处理调度方案.使用状态估计方法,将故障作为系统的临时负载处理,从而将误差检测非侵入式地扩展到故障识别,并基于电能表大数据,使用可变权值矩阵,对故障进行远程定位.提出在考虑故障紧急程度的情形下利用迭代局部搜索算法对运维任务进行调度.实验结果验证了该方案的有效性.     

需求响应业务系统数据分析模型及应用

结合国内智能电网用户接口标准化现状,分析了用电侧的数据标准体系。在IEC PC 118的基础上扩展了支撑需求响应(demand response,DR)业务的信息交换接口及信息模型,以支撑DR执行效果的大数据评估方法的实现。从行业类属维度、时间维度、响应维度等方面分析了DR业务动态运行指标,通过在传统的数据关联分析方法中引入知识挖掘(knowledge discovery in database,KDD),构建了不同置信区间下的弱关联分析,为了降低系统的计算开销,在分析过程中采用剪枝技术以提高运算性能。最后,结合典型用能企业的负荷模型,对所提出的方法进行了验证,并实现了DR系统执行效果的潜在关键性因素分析,为未来智能电网用户侧能源管理、配网调度、第三方能源聚合商管理提供必要的技术支撑。     

基于状态估计的海量多元异构智能电网数据压缩存储方法

海量多元异构智能电网数据未经处理就进行压缩与存储,存在压缩误差大、运行时间长的问题,影响压缩储存效果。因此,提出基于状态估计的海量多元异构智能电网数据压缩存储方法。融合海量多元异构智能电网数据,推导出准确的智能电网数据,通过Tucker分解智能电网大数据压缩方法,压缩海量多元异构智能电网数据。采用可扩展标记语言（XML）技术预处理数据,结合非关系型的数据库技术,实现海量多元异构智能电网数据的快速存储。试验结果表明,该方法的线路电阻、电抗动态参数估计准确性高,数据压缩平均绝对误差、F 范数误差低,运行时间短,具有一定的实际应用性能。     

典型居民温控负荷建模及聚合特性研究

智能电网的发展为温控负荷参与电网调度提供硬件支撑。为研究温控负荷为电网提供负荷调度的容量特性,首先根据居民典型温控负荷的工作特性,建立可准确描述单个温控负荷工作原理的物理模型,并在此基础上通过核平滑技术建立了小区温控负荷的聚合模型,进而求得聚合负荷功率需求与相关参数的变化特性。最后对小区温控负荷的可调度容量做了相关特性分析,算例结果验证了所述方法的有效性。     

一种基于特征映射与深度学习的虚假数据注入检测方法

智能电网逐步发展为大型电力信息物理系统,信息与物理系统的交互降低了其抵御虚假数据攻击（false data injection attacks, FDIA）的能力。针对这一问题,研究并提出了一种基于多层递阶融合模糊特征映射方法（multi-layer hierarchical fusion fuzzy feature mapping, MLHFFFM）与条件深度信念网络（deep belief network, DBN）相结合的智能电网虚假数据注入检测方法。首先,对FDIA原理进行分析,基于MLHFFFM结合主成分分析法对智能电网负荷数据进行聚类,选取日负荷与预测日类似的近似日;然后,提出利用条件深度信念神经网络对近似日智能电网负荷进行分析,通过选取不同参数对日负荷特征进行动态捕捉从而检测FDIA;最后,结合某省实际负荷以IEEE33节点系统为例进行分析。案例分析结果表明,所提模型相比于其他模型,在不同攻击强度下准确率均保持在95%以上,错报率在5%以下,能够有效检测出虚假数据的注入。     

智能电网中用电感知的数据分析需求响应方案研究

在智能电网中,当前大部分需求响应(DR)管理方法在通过数据分析削减高峰负荷时,并未考虑到用户约束.针对此问题,提出了住宅负荷的数据分析需求响应(DADR)管理方案,以降低高峰负荷需求.提出的方法以从智能家居(SHs)采集的用电数据分析为基础,考虑到电器调节因子,电器优先级指标,电器限电优先级等因素.并基于这些因素,分别...     

智能电网大数据分析框架及其应用演进研究

随着智能电网的快速发展,大数据技术在智能电网中的应用也得到了进一步提升,掌握大数据技术对建设智能电网具有重要意义。本文在总结国内外智能电网及大数据研究现状的基础上,阐述了智能电网大数据的特征,并且结合国内外智能电网及大数据的研究成果,提出了具有通用性的智能电网大数据分析框架,并且分别从智能电网大数据的数据分析技术、数据管理技术、数据处理技术以及数据展现技术4个方面深入探讨了其核心技术的内容。最后,本文提出了智能电网大数据的应用演进路径,并且通过三个具体应用场景,阐述了智能电网大数据的应用。     

暂态稳定分析中低压切负荷对仿真结果的影响

负荷模型对电力系统仿真的结果有重要影响,随着系统中电压敏感负荷的增多,短暂低电压发生时负荷的切除对系统仿真结果的影响不可忽略。东北某变电站记录的大扰动实验时的实测数据表明,系统在低电压发生时存在负荷切除现象。10机39节点系统的仿真说明,切负荷现象对系统仿真结果影响巨大。在分析实测数据和原来综合负荷模型的基础上,通过增加有关低压切负荷因子,成功地模拟了电力系统在低压暂态过程中的掉负荷现象,所提出的新模型为研究电网大电压扰动下的动态稳定提供了借鉴。     

HBase在智能电网异构数据同步中的应用

未来的智能电网在运行中将会产生海量的多态、异构数据,对这些数据的可靠获取、实时分析、同步及处理会给电网信息系统带来前所未有的压力。因此,把电网大数据迁移到云端—数据中心,来实现异构数据的精准、实时同步则显得尤为必要。以解决未来智能电网大数据处理问题为出发点,通过对电网数据中心相关功能需求进行细致分析,对比传统的关系型数据库建模基础,提出了基于Hbase架构的智能电网数据中心的解决方案。最后通过对比MySQL性能进行模拟测试,得出所提出的设计方案能够很好地适用于未来智能电网数据中心的构建以及异构数据的同步,达到电网大数据的实时共享、监测及准确分析、处理的目的,在未来智能电网信息管理系统中具有广阔的应用前景。