电铁牵引负荷的构成分析及其功率模型

电铁牵引负荷具有较强的随机波动性和冲击性,为了分析其对局部电网的影响,需要建立合适的电铁牵引负荷功率模型。根据电铁牵引负荷的波动特性,基于波形分解与小波变换,将牵引功率的波动分解为阶跃分量、低频缓坡分量与高频随机分量。对阶跃分量用阶跃序列建模,对低频分量和高频分量用ARMA模型建模。进一步通过再合成,建立了一种基于时间序列的功率模型,能够反映牵引负荷的随机波动性和冲击性。最后采用现场数据进行应用,结果表明,该方法能够很好地拟合实际功率波动曲线,验证了该方法的可行性和有效性。     

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

基于仿射传播聚类算法的广义负荷稳态特性建模及其应用

大规模可再生新能源并网增加了网络节点功率流向的不确定性,使节点的源、荷特性不再清晰,给广义负荷建模带来了新的挑战。因此提出一种基于仿射传播(AP)聚类算法的广义负荷稳态特性聚类方法。对广义负荷节点根母线功率数据进行特征分析,利用动力学的波动强度理论选取功率波动序列的最小时间长度。以时段内各最小时间长度的样本波动强度序列以及时段内样本数据数字特征为指标构造日时段特征向量,并以该特征向量为聚类指标,应用AP聚类算法自适应调整建模数据的聚类数和聚类中心。通过引入概率信息的广义负荷建模方法对各聚类类别样本建模并检验聚类方法的有效性。算例分析表明,该聚类方法自适应确定聚类类别且聚类效果好,能够充分反映日时段特性,聚类后通过特性综合得到精确广义负荷模型,应用于风电接入后的风险分析仿真计算。     

含源荷相似度和曲线波动度约束的源荷储协调优化模型

电力系统源网荷储协调运行必将改变原始源荷曲线,为了定量刻画协调运行的效果,针对源荷曲线的数据分布特性与形态波动特征,提出一种新能源–负荷相似度指标和曲线波动度指标。改进时间序列相似性度量方法,求取负荷曲线与新能源出力曲线的数值、形态相似性距离,作为新能源–负荷相似度指标;计算曲线各相邻时段平均波动程度,作为曲线波动度指标。应用指标建立了含相似度与波动度指标约束的源荷协调两阶段优化模型。第一阶段,以上述两指标为约束,以传统机组运行成本最小、新能源与负荷的总调节量最小、新能源消纳量最大为目标,得到期望的总负荷曲线和新能源出力曲线;第二阶段,基于变分模态分解将原始曲线与期望曲线差值序列分解为低频序列与高频序列,作为能量型、功率型电池的充放电功率约束;以云储能与需求响应总调节成本最低为目标,将原始曲线调整为期望曲线。算例表明,所提指标和模型能有效减少弃风弃光、降低系统运行成本、改善各功率曲线性状,可为储能调度、需求侧管理以及源网荷储协调优化提供有效的理论支撑。     

基于非参数GARCH的时间序列模型在日前电价预测中的应用

电力市场中电价序列具有较强的波动性、周期性和随机性,以致经常出现价格尖峰,这在很大程度上影响了电价预测的精度。提出了一种基于小波变换和非参数GARCH(generalized auto regressive conditional heteroskedasticity)模型的时间序列模型对日前电价进行预测。利用小波变换将历史电价序列分解重构概貌序列和细节序列,分别建立累积式自回归滑动平均(auto-regressive integrated moving average,ARIMA)模型进行预测,采用非参数GARCH模型对电价序列预测残差的随机波动率进行建模,从而提高对价格波动性的预测能力和ARIMA模型的预测精度。将该模型应用于美国宾夕法尼亚—新泽西—马里兰(Pennsylvania-New Jersey-Maryland,PJM)电力市场的日前电价预测。算例结果表明,非参数GARCH模型可以更好地拟合电价序列剧烈波动的特性,该模型能够提高电价的预测精度。     

VMD滤波重构的时间序列自回归建模研究

为了获取反映磁流变减振系统自身特征的分析信号,选取适合系统的时间序列自回归模型,提出了谐波系数搜索最优惩罚因子和分解模数的变分模态分解(VMD)滤波重构方法,通过建立与系统的动力学模型同阶的重构分析信号时间序列ARMA和AR模型,对比基于快速傅里叶变换(FFT)、经验模态分解(EMD)信号滤波重构算法,分析了各模型模拟精度。研究表明,3种滤波重构方法中,未简化的高阶模型均比简化的低阶模型拟合精度高,同阶ARMA模型模拟精度均比AR模型高,采用谐波系数搜索最优惩罚因子和分解模数的VMD滤波重构方法的自回归模型模拟精度最高,其中基于VMD重构信号的ARMA(4,1)模型建模精度最高,最适合用于系统的建模与分析。     

小波分析和考虑外生变量的广义自回归条件异方差模型在电价预测中的应用

电力市场中的电价序列存在很大的随机波动和价格尖峰。文章提出根据电价序列的变化特点,通过小波变换将其分解为概貌序列和细节序列,从而在不同尺度上反映电价的变化规律。通过概貌分量找出电价的主要波动规律,并由此对电价进行预测,剔除细节分量所反映的电价的随机波动影响。建立考虑异方差的广义自回归条件异方差模型(generalized autoregressive conditional heteroscedasticity,GARCH)对概貌序列建模,并在GARCH模型中加入外生变量形成GARCHX模型,以弥补传统时间序列模型忽略外界影响的缺陷。对美国PJM电力市场的实例研究表明,所建立的W-GARCHX模型比传统时间序列模型的预测精度有明显提高。     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用。小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度。本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法。算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度。     

基于Mallat算法的日负荷预测实用方法研究

小波变换在时域和频域都具有良好的局部化性质,在电力系统负荷预测中得到了广泛应用.小波变换的实质是卷积运算,在负荷预测过程中存在边界效应,降低了预测的精度.本文采用阈值处理和差分补偿数据延拓方法对原始数据进行处理,然后采用Mallat分解算法对处理后的负荷序列进行分解,针对电力负荷为随机序列的特点,利用时间序列法的随机模型对小波子序列分别进行预测,最后采用Mallat重构算法对预测结果进行重构,提出了一种基于Mallat算法的负荷预测实用方法.算例结果表明该方法有效地减小了边界效应对预测结果的影响,针对具有随机序列特点的电力负荷的预测具有良好的计算精度.     

基于谱聚类和优化极端学习机的超短期风速预测

较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。     

基于状态数决策模型的风电功率序列建模方法

为了构建准确的风电功率时间序列模型,提高风电功率的建模精度,本文提出一种基于状态数决策模型的马尔科夫链-蒙特卡洛(MCMC)法.首先,对原始功率序列进行滤波处理,利用Metropolis-Hastings算法抽样生成风电功率状态序列,提高风电建模的计算效率和精度,进而根据生成的功率状态序列,利用前一时刻的功率值叠加波动...     

混合WPD和ACPSO的负荷预测模型

为了解决传统BP神经网络对负荷高频分量预测精度不高、泛化能力弱的缺点以及粒子群算法(PSO)在解决高维、多模复杂问题时容易陷入局部最优的问题,提出了一种混合小波包变换和自适应交叉粒子群算法(ACPSO)优化神经网络的短期负荷预测新方法。通过小波包变换对负荷样本进行多层序列分解,对单支重构所得的负荷子序列采用自适应交叉粒子群算法优化的神经网络进行预测。最后叠加各子序列的预测值,得出实际预测结果。通过实际电网负荷预测表明,新模型能充分掌握负荷波动的变化规律,有效提高负荷波动大的地区的预测精度,且预测模型具有较强泛化能力。     

基于波动划分及时移技术的多风电场出力相关性研究

多风电场相关性研究对于准确把握风力发电出力变化规律,进行风电场出力预测及时间序列建模具有重要意义,因此提出一种基于波动划分和时移技术的多风电场出力相关性分析方法。首先,通过风电场时间序列散点图分析和回归分析得到多风电场整体相关特性;然后,通过波动划分和波动配对算法,提取按波动过程划分的风电场出力序列局部特征并对多风电场波动进行配对;最后,采用基于Pearson相关系数的时移技术和格兰杰因果检验得到最优时移量和时移方向。通过具体算例分析可以证明,所提方法一方面可以精确提取风电场出力波动局部特征,进而更准确地描述风场出力相关特性,另一方面可得到大、中波动对应波动对的最优时移量,其可作为多风电场时间序列建模的约束条件,提高多风电场出力建模精度。     

面向风电光伏并网的储能容量配置频谱分析方法

随着风电、光伏等新能源在电网中的装机比例不断提升,新能源的间歇性、波动性给电网的安全稳定运行带来了诸多挑战。在现阶段,储能电池容量的配置原则与方法是实际储能工程建设中面临的问题之一。本文以平滑新能源并网功率波动为目标,结合储能电站当地风、光资源特性,采用离散傅里叶变换分解新能源功率得到其频域信息,并利用电池储能对高频波动分量进行平抑,提出了一种考虑单日电量均衡的储能容量配置方法。以新疆哈密地区某风场历史出力数据为样本对上述储能容量配置方法开展了研究,结果表明:本方法可以根据新能源出力并网波动率目标科学配置储能容量,且保证储能均衡连续运行,对电池储能工程建设具有指导意义与实用价值。     

考虑空间相关性和天气类型划分的多光伏电站时间序列建模方法

提出了一种考虑多光伏电站在地理位置及天气类型上的相关性、适用于电力系统中长期规划及电网运行方式安排的光伏发电时间序列建模方法。首先分析了光伏发电时间序列相关性的影响因素及表达方式,根据地位位置与天气类型两方面影响因素将光伏出力分为净空出力与相对出力两部分,其中净空出力能够准确表达光伏电站间的空间相关性,相对出力的聚类识别及分解能够有效体现各电站天气类型大概率相同前提下波动出力的随机性。在此基础之上,提出了基于空间相关性及天气类型划分的光伏发电时间序列建模方法,建模生成的光伏发电时间序列不仅继承了原始序列的单电站均值、方差、概率分布及波动等出力特性,而且保留了多个场站在不同时间维度上的出力相关性。最后基于某省光伏电站的实测出力数据进行模拟仿真,分析验证了文中建模方法的有效性。     

基于EWT-FC方法的氢-超级电容混合储能功率分配

为平抑风电功率波动,弥补单一储能的不足,引入氢和超级电容构成的混合储能装置平滑风电功率波动。针对传统功率分配方法难以建模,容易出现模态混叠现象等问题,以及为了提高储能系统可靠性,提出了一种经验小波变换EWT（empirical wavelet transform）-模糊控制FC（fuzzy control）策略方法。首先,为了验证EWT算法能实现储能设备间功率精确分配,将EWT算法与经验模态分解EMD（empirical mode decomposition）和小波变换WT（wavelet transform）算法进行对比;其次,采用EWT算法分解重构风电原始功率得到并网功率和混合储能平抑功率;最后,考虑超级电容荷电状态SOC（state-of-charge）和储氢罐压力对系统安全稳定运行的影响,采用模糊控制修正储能元件的充放电功率。仿真结果表明, EWT算法避免了模态混叠,实现了储能设备间功率精确分配。该控制策略能有效平抑风电波动,保证了SOC和储氢罐压力在合理范围内,延长了设备寿命,实现系统稳定运行。     

基于改进Prophet算法的短期日负荷预测方法研究

将Prophet算法引入负荷预测领域,并结合XGBoost算法提升Prophet负荷预测准确性。Prophet算法基于时间序列分解及机器学习的拟合,将负荷数据分解为趋势项、周期项、随机波动项3部分,引入XGBoost算法改进Prophet算法对随机波动项的预测,将XGBoost 算法对随机波动的预测结果与Prophet算法对趋势项和周期项的预测结果叠加,获得最终的预测结果。该算法适用于用电负荷这种具备一定周期变化特征的序列,易于理解,预测准确性较高。通过某地区用电信息采集系统提供的专公变用户日冻结数据实验验证,结果表明在相同条件下,改进后的算法预测的结果的平均绝对误差百分比较原始的Prophet算法可降低2.5%,同时均方根误差降低幅度可达30.79%,体现出显著的改进效果。     

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型.首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报.为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了"分解-预测-重构"模型.经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点.     

基于时序分解与深度学习的堆石坝变形预测

堆石坝变形监测数据是一种时间序列数据,可以用时序预测模型挖掘其规律并进行预测。本文利用时序预测模型提出一种堆石坝变形预测方法,该方法首先采用时间序列分解（seasonal-trend decomposition procedure based on loess,STL）将堆石坝变形监测数据分解为趋势项、周期项和不规则波动三部分,再使用经验模态分解（empirical mode decomposition,EMD）对不规则波动平稳化处理,最后利用长短期记忆网络（long short-term memory,LSTM）预测分解后的序列,并利用贝叶斯优化方法进行超参数优化。为评估该方法的预测效果,以水布垭面板堆石坝为例,通过控制训练时长、预测时长、离群值数目等变量进行多组仿真实验,并与其他时序预测模型对比。结果表明该方法预测精度较高,适用性较广,对于堆石坝的性状评估具有一定的应用价值。     

基于近场扫描和相似性度量的电路板故障区域检测

故障区域检测是电路板故障诊断的重要内容之一,近年来大量研究工作致力于通过理论仿真探索电路板故障诊断方法,但仿真条件与实测环境之间的差异降低了此类方法在实际应用中的可行性。结合实测电路板数据的特点,本文提出了一种基于近场扫描和时间序列相似性度量的电路板故障区域检测方法,该方法通过近场扫描获取正常状态、故障状态下的电路板的电磁辐射数据,采用变分模态分解(VMD)方法进行原始数据降噪,此后将两种状态的数据视为两类时间序列,运用改进的时间序列相似性度量算法计算两类时间序列的距离值,根据距离值判断电路板故障区域。根据数据集实验结果,使用本文的相似性度量算法处理时间序列相对其他算法展现出更佳的度量能力,距离值的分类精度也比3种对比算法分别高出6.3%、8.4%、4.2%。同时,实测数据实验结果和理论仿真结果的一致性验证了本文方法的可行性和实用性,该方法为电路板故障诊断提供了新的实现方式。