基于人群搜索算法的电网短期用电负荷预测研究

针对传统预测方法缺少对未知变量的分析,导致预测效果较差的问题,提出了基于人群搜索算法的电网短期用电负荷预测研究。将电力系统负荷时间序列进行分解,获取负荷时间序列的高低频分量,并对电网短期用电负荷特性展开分析。借助人工智能研究成果,研究人群搜索算法原理,充分考虑电网短期用电负荷受到温度因素影响,选取输入变量,并以此构建人群搜索算法预测模型。通过设计预测流程以及对未知变量分析,实现对电网短期用电负荷预测。通过实验结果可知,采用该预测方法具有良好预测效果,为保障电网稳定运行提供依据。     

基于序列理论的电网用户用电负荷自动预测分析

为解决用电负荷时间序列波动较大的问题,以及用户用电负荷预测存在较大误差的情况,本文提出一种基于序列理论的电网用户用电负荷自动预测系统。该系统能对电网用户历史用电负荷信息进行预处理,并对负荷序列进行分解,采用时间序列理论模型,通过分析用户历史用电负荷规律,预测未来某个阶段用户用电负荷,保证用户用电负荷的预测精度,以期为相关人员提供参考。     

基于时间卷积网络和门控循环单元的短期用电量预测方法

针对智能电网建设环境下用电数据所呈现出的采集频率低、时变性显著等特点,提出了一种基于时间卷积网络和门控循环单元的短期用电量预测方法。考虑电类特征、环境特征和时间特征,从常见用户用电量的影响因素中筛选出模型的输入数据,分别训练时间卷积网络和门控循环单元两种深度学习模型并建立所提方法的整体架构。对某地区低采集频率用电数据进行仿真分析,与传统的长短期记忆网络、一维卷积及多层感知机等方法相比,所提方法具有更高的预测精度,有效可行。     

高新产业用户负荷接入关键要素辨识与预测

鉴于各产业用电要求存在差异,为全面响应用户侧的需求,电网在规划过程中需要根据该地区可能落址的用户及其供电需求进行合理规划。对大用户落户影响因素进行研究并构建大用户落户情况的短期预测,综合电网因素和非电网因素构建大用户落户影响因素体系,依据相关历史数据对不同产业类型的用户建立多元线性回归模型并进行可行性检验,应用SPSS软件分析多元线性回归模型得到回归预测方程,回归系数的正负判断所选取的影响因素对大用户的落户是否会产生积极影响;同时根据所确定的产业落户回归预测方程对短期内地区大用户落户情况进行预测,通过预测模型的精度对比,结果表明,电力公司可以根据模型分析结果研究产业落户的变化情况并进行短期预测,从而对城市电网规划进行合理的调整。     

梯度采样下的市场用电短期能耗优化预测仿真

为了提高市场用电短期能耗预测正确率，降低二次规划与用电能耗，提出梯度采样下的市场用电短期能耗优化预测方法。根据最小二乘支持向量机回归算法，将湿度、气温、气压、节假日变量作为输入，构建市场用电短期能耗预测模型，依据梯度采样序列二次规划方法优化用电能耗预测模型参数，进行了梯度采样序列二次规划，逐步优化求解LS-SVMR模型目标函数，完成市场用电短期能耗优化预测。实验结果表明：湿度、温度、气压、节假日因素对用电能耗产生影响，采样数量越大，优化性能越好，且能耗预测误差小。实现市场短期用电能耗的预测，预测准确度高，预测能力突出。     

西北电网短期负荷预测软件系统的设计与实现

本文介绍了西北电网短期负荷预测软件系统。该系统包含相似日、时间序列、人工神经网络和偏最小二乘回归分析四种短期负荷预测方法。预测结果表明该系统能够满足西北电网短期负荷预测的需要,预测结果合理,界面友好、操作方便,在很大程度上提高了调度人员的劳动效率。     

企业最大用电需量预测模型及实测偏差

精确的最大用电需量预测有利于合理安排负荷运行,有利于降低用电成本,对于节能方法的选择、用电策略的制定以及对电网电力调度有着重要的意义。基于灰色预测法对企业最大用电量展开预测模型分析,指引企业合理调整用电负荷及配备储能装置的充放电来顺应电网负荷和电价的变化,以达到节省能源、削减用户电费压力、保护用户安全用电、提升电网稳定性和安全性的目标。     

基于CNN-Bi-LSTM的太阳辐照度超短期预测

针对太阳辐射引起光伏出力的不确定性和波动性,进而造成大量光伏发电并网时对电网稳定性和安全的危害,提出一种新的太阳辐射超短期预测方法.该方法通过构建一维卷积神经网络,对多个关键气象变量进行数据融合和特征转换,然后构造双向长短期记忆网络预测模型,实现对未来15 min的太阳总辐照度的超短期预测.实验结果表明,所提出的预测模...     

基于ARIMA模型对汽车工厂用电量分析与预测

研究了利用时间序列基本分析方法-ARIMA模型分析法,对汽车工厂每月用电量进行数据分析、处理、拟合、检验及预测。以2015年1月至2018年9月用电计量数据作为分析样本,使用Eviews 10软件对该时间序列进行回归建模。通过对比不同模型,最终选择ARIMA(1, 1, 1)(1, 1, 1)12模型;通过用电量预测方程,预测2018年10、11月的用电量分别为19 816 784、21 868 199 kW·h,与实际值进行对比验证,预测误差分别为3.82%和2.94%,结果显示该拟合模型对汽车工厂每月用电量具有良好的预测效果,满足直购电申报量的误差在5%以内的要求。     

基于熵值法的组合模型用电量预测方法研究

电力系统的中长期负荷预测是配电网规划的基础,对实现电网的安全经济运行起着重要作用。以年度用电量预测作为研究的对象,年度用电量预测采用4种主要方法,即分别按照年度、季度、月度和行业用电量预测得到对应年用电量预测值,在此基础上再按其发展序列预测结合起来,建立了一种线性组合预测模型。并采用熵值法对组合模型的权系数进行求解,实证分析表明该模型使预测精度得到了明显提高,具有良好的预测效果。     

A hybrid short-term electricity price forecasting framework: Cuckoo search-based feature selection with singular spectrum analysis and SVM

Under the liberalization and deregulation of the power industry, price forecasting has become a cornerstone for market participants' decision-making such as bidding strategies and purchase plans. However, the exclusive nonlinearity dynamics of electricity price is a challenge problem that largely affects forecasting accuracy. To address this task, this paper presents a hybrid forecasting framework for short-term electricity price forecasting by exploiting and mining the important information hidden in the electricity price signal. Moreover, a hybrid feature selection method (HFS) is introduced into the forecasting strategy. To exhibit the dynamical characteristics of electricity price, we primarily perform a singular spectrum analysis (SSA)-based systematic analysis process by using the merit of SSA and analyzing the multiple seasonal patterns of short-term electricity price series, providing a meaningful representation of the hidden patterns and time-varying volatility of electricity price series. Aiming at selecting the key features, the candidate variables are constructed considering the dynamic behavior of price series; further, to capture the optimal features from the candidates, the correlation threshold θ is defined for the adjustable parameters in HFS and optimally determined by the intelligent search algorithm. Additionally, triangulation based on the Pearson, Spearman and Kendall rank correlation coefficient is performed to strengthen the reliability of the proposed method. The proposed hybrid forecasting framework is validated in the New South Wales electricity market, which demonstrates that the developed approach is truly better than the benchmark models used and a reliable and promising tool for short-term electricity price forecasting.     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。     

Time series models (Grey-Markov,Grey Model with rolling mechanism and singular spectrum analysis) to forecast energy consumption in India

The present study applies three time series models, namely, Grey-Markov model, Grey-Model with rolling mechanism, and singular spectrum analysis (SSA) to forecast the consumption of conventional energy in India. Grey-Markov model has been employed to forecast crude-petroleum consumption while Grey-Model with rolling mechanism to forecast coal, electricity (in utilities) consumption and SSA to predict natural gas consumption. The models for each time series has been selected by carefully examining the structure of the individual time series. The mean absolute percentage errors (MAPE) for two out of sample forecasts have been obtained as follows: 1.6% for crude-petroleum, 3.5% for coal, 3.4% for electricity and 3.4% for natural gas consumption. For two out of sample forecasts, the prediction accuracy for coal consumption was 97.9%, 95.4% while for electricity consumption the prediction accuracy was 96.9%, 95.1%. Similarly, the prediction accuracy for crude-petroleum consumption was found to be 99.2%, 97.6% while for natural gas consumption these values were 98.6%, 94.5%. The results obtained have also been compared with those of Planning Commission of India's projection. The comparison clearly points to the enormous potential that these time series models possess in energy consumption forecasting and can be considered as a viable alternative.     

基于改进时间卷积网络的短期光伏出力概率预测方法

为提高光伏出力的预测精度，提出基于改进时间卷积网络的短期光伏出力概率预测方法。首先，通过递归特征消除确定特征数量，采用分组整合方法进行特征选择；然后，采用变分模态分解处理光伏出力序列；最后，构建一种结合注意力机制的改进时间卷积网络预测模型，得到未来时刻不同分位数下的预测值，再利用核密度估计得到概率密度曲线。实验结果表明，提出方法具有更高的预测精度，可有效反映光伏出力的不确定性。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于EVMD和布谷鸟算法的短期风功率区间预测

为提高短期风功率预测精度和预测的可控性,提出一种基于能量差优化变分模态分解和布谷鸟优化组合神经网络的短期风功率预测模型。采用能量差优化变分模态分解（EVMD）的模态数,将EVMD用于短期风功率分解,基于EVMD分解序列的不同模态特点,对非线性序列采用布谷鸟优化反向传播神经网络（CS-BPNN）,对平稳序列采用自回归滑动平均模型（ARMA）,并重构加权得到点预测值,并基于EVMD分解所丢失的序列信息构建核密度估计,在点预测模型的基础上,进行风功率的区间预测。将所提预测方法用于澳大利亚风电场的实际算例,实验结果表明,该方法可提高短期风功率预测的准确性。     

电网谐波溯源及治理研究

随着现代电子技术的迅速发展,电能质量已经成为当今电网必须面对的一个重要问题.一方面,电网中存在越来越多的谐波污染源,谐波在电网中传递、叠加甚至放大,影响范围不仅仅局限于局部地区;另一方面,低压客户中某些新式电器对谐波含量非常敏感,由供电谐波引发的居民用电异常事件也倍受关注.通过将长时全局监测数据与短时集中实测数据进行有机结合,在对上海电网电能质量监测网数据进行挖掘的基础上,利用电能质量监测网对电网的谐波分布进行全面分析,并结合现场谐波测试,辨识主要谐波来源,探讨电网谐波溯源的方法.分析认为,改变运行方式虽能迅速解决投诉区域的谐波超标问题,但不能从根本上减缓电网整体的谐波含量,只是在局部薄弱地区破坏了谐振放大的条件.为此,从精细化管理角度出发,提出了治理电网谐波超标的五大措施.     

基于多层语义融合注意力机制的短期风电功率概率密度预测方法

获得未来风电功率的短期概率性信息将有助于电网的综合能源调度,为此提出一种结合多层语义融合注意力机制的短期风电功率概率密度预测方法。为尽可能获得更多语义层下的编码信息,在编码阶段引入循环高速网络（RHN）并通过深层的RHN网络结构最大程度地提取输入特征的底层关联信息。设计多层语义融合注意力机制以融合不同语义层下的局部注意力向量,进一步加强编码特征向量的表达能力,并将网络的输出与分位数回归和核密度估计方法结合,得到不同分位点下未来短期风电功率的预测结果与连续概率密度分布。实验结果表明：提出的短期风电功率概率密度预测方法不论是在预测的得精度上,还是在具有不确定性的预测结果分布上均优于其他比较模型。     

基于生成对抗网络的风电爬坡功率预测

风电的波动性和随机性,尤其是功率爬坡事件严重威胁着电网运行的安全和稳定。功率爬坡是极端天气影响下产生的,属于小概率事件。其极低的发生概率导致历史爬坡样本数量严重不足,并制约了传统功率预测模型的预测精度。针对此类问题,提出一种基于生成对抗网络的风电爬坡功率预测方案。将历史爬坡数据和模拟特征量作为输入,通过生成器和判别器的对抗训练,生成大量与历史爬坡数据特征相似的模拟爬坡数据,实现爬坡数据集的扩充。再将扩充后的爬坡数据集输入给长短期记忆神经网络算法,进行风电爬坡功率预测。通过仿真测试,验证了该方法在历史爬坡数据匮乏情况下风电爬坡功率预测的有效性。并与传统预测方法进行了对比,证明了其预测的精确性。