基于监测数据相关性分析的用户谐波责任划分方法

针对传统谐波责任划分方法无法实现长时间尺度的动态责任划分,需要专门量测,无法利用现有监测系统数据,以及无法划分同一馈线各用户谐波责任等缺点,提出一种基于监测数据相关性分析的用户谐波责任划分方法。首先,计算电能质量监测系统中谐波电压数据序列与用电信息采集系统中各用户平均有功功率数据序列的典则相关系数,将公共连接点谐波责任划分为背景谐波责任与所关注用户谐波责任;其次,计算谐波电压与各用户有功功率的动态扭曲相关系数,用于反映各用户用电行为与公共连接点谐波电压畸变的关联关系;最后,构造并计算同时考虑关联关系、用户用电容量的长时间尺度谐波责任划分指标。利用实际监测系统中的数据验证了所提方法的有效性和实用性,能基于现有监测数据实现馈线上每个用户的长时间尺度动态谐波责任划分。     

基于VMD和双重注意力机制LSTM的短期光伏功率预测

提出了一种基于变分模态分解(VMD)和双重注意力机制长短期记忆(LSTM)的短期光伏功率预测方法。针对光伏功率信号的波动性和非平稳性,利用VMD将光伏功率输出分解为不同频率的分量,使用LSTM对各分量进行预测,并在LSTM基础上引入特征和时序双重注意力机制。为自主挖掘光伏功率输出与各气象特征之间的关联关系,避免传统方法依赖于专家经验关联规则阈值的限制,引入特征注意力机制实时计算各气象特征量的贡献率,并对特征权重进行修正;同时,为挖掘当前时刻光伏功率输出与历史时序信息之间的关联关系,引入时序注意力机制自主提取历史关键时刻点信息,提高长时间序列预测效果的稳定性。基于中国西南某实际光伏发电站数据进行预测实验,并与其他方法进行对比,验证了该方法的有效性。     

基于数据关联性分析的工业用户电能质量特征识别

随着电力电子型用电设备的大量使用，电网公共连接点上干扰源用户的类型和数量越发增多，使得其电能质量扰动指标特征和时空特征更为复杂。针对目前电能质量监测装置难以对每条馈线上各终端用户均实现专门监测，且无法识别馈线上多个用户各自电能质量特征等问题，提出一种基于多源数据关联分析的工业用户电能质量特征识别方法。首先，以指标限值和累积分布图拐点为依据，提取监测点电能质量时间序列的超标和波动的数值及其时段，得到谐波关键指标、电压偏差、负序电压不平衡度等指标的扰动时序数据；其次，提出一种基于导数动态时间弯曲的时序距离计算方法，分析扰动时段下监测指标与工业用户用电数据的相关性，依据不同指标关联度识别用户的电能质量特征；最后，基于多类型干扰源仿真和实测算例，验证所提方法的可行性，可实现不同工业用户的电能质量特征识别。     

基于 GA-BP神经网络的稳态电能质量预测

针对稳态电能质量指标数据的时序性和非线性,提出一种基于遗传算法(GA)和BP神经网络的电能质量预测方法,将电能质量历史数据和负荷数据、气象数据作为网络输入,使用GA优化BP神经网络的初始权值、阈值,通过该网络完成数据集的训练与预测.最后使用某线路电能质量检测点获得的真实数据验证了模型的准确性、可行性.     

基于趋势跨度指数的稳态电能质量趋势识别及预警方法

针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性，提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted regression)分解算法对稳态电能质量指标时间序列进行回归分解，提取趋势分量；其次采用Mann-Kendall检验法识别电能质量指标趋势分量的趋势类型；然后提出趋势跨度指数以量化电能质量指标趋势变化程度，并根据趋势跨度指数的分布特征划分预警等级；最后采用理想解排序法对监测点电能质量恶化风险进行综合评价。将该方法应用于某市稳态电能质量实际监测数据，对监测点各项电能质量指标以及整体电能质量水平进行趋势预警。     

湖南电网电能质量智能化监测分析系统

介绍了湖南电网电能质量智能化监测分析系统,该系统包括电能质量监测管理、电能质量评估和电能质量预测与预警等3个模块,实现了湖南电网电能质量干扰源的管理、监测和智能化分析,可为保障电网的安全经济运行提供重要支撑。电能质量监测管理模块实现了干扰源监测点的管理和监测数据的实时展示;电能质量评估模块可进行电压偏差、谐波、三相不平衡、频率偏差、电压波动与闪变等单指标评估,还建立了基于短板效应的电能质量综合评估单元,可反映某地区电网的电能质量整体情况。此模块还可对电气化铁路、直流换流站、新能源发电、非线性大负荷等进行专项电能质量分析;电能质量预测与预警模块可依据大量历史监测数据,利用灰色预测、线性回归预测和随机时间序列预测等智能算法,对相关电能质量指标的进行预测,并且对未达到指标要求的区域或重要用户群进行预警,以提示可能的电能质量风险。     

计及电气化铁路接入影响的电能质量预测评估方法

电能质量预测评估工作通过分析扰动源用户在公共连接点处对电能质量指标造成的影响,指导接入系统方案设计,为电能质量治理方案制定及无功补偿装置配置提供依据。提出一种针对电气化铁路接入影响的电能质量预测评估方法,结合典型工程案例分析该类污染源用户特征,获得公共连接点母线各次谐波含量、总谐波畸变率、三相电压不平衡度、电压偏差、电压波动等稳态指标,将仿真计算结果与系统供电变电站公共连接点母线处当前的电能质量背景测试叠加,得到计及电气化铁路用户接入影响的电能质量评估结果,为后续电气化铁路电能质量治理方案及无功补偿装置配置提供依据。     

基于深度学习的用户异常用电模式检测

针对电力用户的异常用电行为,提出一种基于深度学习的用户异常用电模式检测模型。利用Tensor Flow框架,构建了特征提取网络和多层特征匹配网络。基于长短期记忆(LSTM)的特征提取网络,从大量时间序列中提取出不同的序列特征。基于全连接网络(FCN)的多层特征匹配网络,利用提取出的特征数据,完成对异常用电数据的检测。实例分析表明,与非深度学习检测模型相比,所提模型可更加有效地完成异常用电模式检测。此外,与多层LSTM分类模型相比,所提模型具有更好的准确性和鲁棒性。     

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。     

基于双重注意力机制的变压器油中溶解气体预测模型

对电力变压器油中溶解气体进行预测分析可以有效掌握设备状态和发展趋势。该文以长短时记忆网络时序分析模型为基础,引入特征和时序双重注意力机制,利用参量间关联关系和时序信息依赖关系提升气体的预测准确率。特征注意力机制可以自动提取待预测气体与其他状态信息、环境和运行数据等特征之间的关联关系,为预测提供辅助信息进行适当修正,并不受传统关联规则算法的预设阈值限制;同时,利用时序注意力机制自主选取历史信息关键时间点,在LSTM时序模型基础上进一步增强关键时间点的信息表达,提升较长时间段预测效果的稳定性。在对某正常状态运行变压器甲烷气体数值预测实验中,该方法在基础LSTM模型上降低最大相对误差3%;在对某缺陷变压器的发展趋势预测中,能准确给出关键气体异常上升警戒的参考信息;具有更准确和更稳定的变压器油中溶解气体预测效果。     

基于注意力机制的CNN-LSTM短期电价预测

短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率,针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系,提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先,采用灰色关联度分析法分析负荷因素与电价之间的关联程度,筛选出关联度较高的数据作为最优模型输入。其次,通过注意力机制(Attention, ATT)自适应分配输入数据的权重,以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks, CNN)对数据集进行二次特征提取及降维处理,优化输入长短期记忆神经网络(Long Short-Term Memory, LSTM)中的数据,从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析,通过与其他主流算法对比,验证了所提方法具有更高的预测精度和计算效率。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于长短时记忆网络-纵横交叉算法的含高比例新能源电力市场日前电价预测

精准的日前电价预测能够协助电力市场参与者做出合理的决策.随着高比例新能源接入电力系统,日前电价的预测难度不断加大.为了提升含高比例新能源电力市场日前电价的预测精度,提出了一种基于奇异谱分析(singular spectrum analysis,SSA)和纵横交叉算法(crisscross optimization,CS...     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

含高比例风电的电力市场电价预测

在解除管制的电力市场中,精确预测电价有助于市场各方有效参与市场运营与管理。清洁能源渗透率的提高,给电价预测精度带来了新的挑战。文中选择不同的输入特征变量并结合长短期记忆(LSTM)网络的特点,构建含高比例风电的电力市场电价预测模型对含有风电的电力市场电价进行预测。研究表明,风能和负荷的比值是含高比例风电的电力市场风电电价预测的关键输入参数。LSTM具备时间延迟记忆特点,拥有较好的电力市场时间序列电价预测能力。以北欧市场中DK1电力市场实际数据为基础,采用3种模型进行对比分析,结果表明含有风能和负荷的比值且考虑多时刻信息输入的LSTM模型可以较大地提高低谷时段的电价预测精度。     

基于趋势指标与长短时记忆网络的电力市场日前电价预测

为提高电力市场日前电价的预测精度,提出一种基于趋势指标与长短时记忆网络（LSTM）的日前电价预测模型。首先,计算日前电价的随机指标（KDJ）与异同移动平均线指标（MACD）,挖掘电价的内在规律信息;然后,将计算出的趋势指标与电价信息输入LSTM,对电力市场日前电价进行预测;最后,利用电力市场日前电价数据进行验证。算例分析表明该模型相比反向传播神经网络（BPNN）、LSTM和门控循环单元网络（GRU）等模型预测精度更高。     

基于多维特征分析的链式电网短期用电量预测研究

针对链式电网短期用电量既具有波动性,又具有非线性特征,导致用电量预测精度低的问题,进行了基于多维特征分析的链式电网短期用电量预测研究。结合组织映射电网与实际环境,借助多维特征分析方法从非平稳随机序列中提取趋势变量和周期变量。通过计算用户多维特征评价结果,能够构建用户多维度用电特征集合,依据该集合分类多维用电特征集,分别为电模式特征和辅助用户特征,通过这些特征能够获取时间序列关键性信息,构建多维特征分析下用电量预测模型,获取整体数据流转情况,完成链式电网短期用电量预测。通过实验研究结果可知,该方法预测效果较好,相比于以往方法能显著提高预测精准度。     

基于TCA-CNN-LSTM的短期负荷预测研究

为有效地挖掘历史数据信息,提高短期负荷预测准确性,文章针对电力负荷时序性和非线性的特点,在原有一维卷积神经网络(Convolutional Neural Network, CNN)-长短期记忆网络(long short term memory,LSTM)模型的基础上,分别在CNN和LSTM侧嵌入通道注意力机制(Channel Attention,CA)和时序注意力机制(Temporal Attention,TA),构建CA-CNN和TA-LSTM模块,然后结合CA-CNN和TA-LSTM模块构建TCA-CNN-LSTM的层级注意力机制短期负荷预测模型。同时,为提高训练数据的质量并加快模型训练速度,运用K-means和决策树模型选取相似日数据, 构建基于相似日数据的向量特征时序图,最后将时序图输入TCA-CNN-LSTM负荷预测模型完成预测。以澳大利亚某地真实数据集和2016电工杯数学建模竞赛电力负荷数据为算例,分别应用TCA-CNN-LSTM模型与支持向量机、多层感知机(Multilayer perceptron, MLP)、LSTM、CNN-LSTM和CNN-Attention-LSTM模型的预测结果进行对比,实验结果表明所提方法具有更高的预测精度。