多级负荷预测的基础问题分析

围绕多级负荷预测及其协调问题,首先剖析了多级负荷预测的基础---负荷预测的分类方式,通过拓展不同的分类角度,提出了基于雷达图的负荷预测的分类方法,从而清晰地表征负荷预测的"多级"特性.从供应侧和需求侧的角度分析了相关因素对预测对象的影响途径,提出了多级负荷预测中不同级别电网对相关因素的处理策略;研究了多级负荷预测体系下母线负荷预测与系统负荷预测的关系,提出了"虚拟母线"的概念和应用方法;最后总结了多级负荷预测的分析思路和研究内容.该文的研究为建立多级负荷预测理论提供了广阔的空间.     

基于数值天气预报的母线负荷预测

针对母线负荷量大面广,易受气象变化影响,且传统天气预报与母线负荷之间存在极为松散的地理对应关系,提出了基于数值天气预报和负荷分类的母线负荷预测。通过获取母线负荷所属行政区域,如县、乡或市辖区的地理位置,提取与母线地理位置紧密对应的高精度数值天气预报信息。通过研究母线负荷与气象因素的相关特性,构建了基于数值天气预报和负荷分类预测的母线负荷预测模型。通过对某省母线负荷进行分析预测,验证了该方法的实用、有效性。     

间接预测法在母线负荷预测中的应用

为避免220kV母线供电区域内负荷转供、停电以及小电源等因素对母线负荷预测的不利影响,提出了一种间接预测母线负荷的方法。首先把母线下网负荷转换成该母线供电区域内的理想用电负荷,再将该理想用电负荷作为历史负荷数据采用系统负荷预测的算法进行预测得到初步预测结果,同时获取待预测日各种影响因素的值,初步预测结果剔除各种影响因素...     

基于多级负荷智能协调的母线短期负荷预测

为提高母线负荷预测精度,提出一种基于多级负荷智能协调的母线短期负荷预测方法。首先对预测母线负荷序列进行历史负荷与当前负荷的相关性分析,再进行系统空间母线与预测母线的相关性分析,根据两次相关性分析结果合理设置算例,得到预测网络的最优输入方式,然后利用长短时记忆网络(LSTM)建立母线短期负荷预测模型,最后运用吉林省某地区的实测数据将提出模型与反向传播(BP)神经网络和支持向量机(SVM)的预测结果进行对比分析,验证本文提出的预测模型具有更高的精确度。     

基于相似日的超短期母线负荷概率性区间预测

为了满足电网调度的实时控制需要,较为准确地预测配电网中低压侧35kV和10kV母线的超短期负荷,结合超短期负荷预测和母线负荷预测的特点,提出了一种基于相似日的超短期母线负荷概率性区间预测方法。利用模式聚类和模式识别的方法分析了历史负荷数据,选取了相似日,并以负荷求导法为基础,得出历史负荷的预测值,计算历史负荷的预测误差,通过统计历史预测误差分布进行概率性区间预测,得到一定置信水平下的预测区间。实例计算结果表明,基于相似日的超短期母线负荷概率性区间预测的准确率为97.36%,该方法提高了母线负荷预测的准确度和计算速度,适合工程实际应用。     

虚拟母线技术及其应用(二):虚拟母线负荷预测

与系统负荷不同,母线负荷水平较低,波动性强,规律性弱,可预测性差,引入虚拟母线技术有利于提高母线负荷预测的工作水平与预测精度。在电网中存在一些紧密联系的连通的局部网络,其内部各母线对关键断面具有相同或相近的发电机输出功率转移分布因子(generation shift distribution factor,GSDF),同时其内部母线的负荷曲线具有一定的相似性,这些母线所组成的连通局部母线组为虚拟母线。根据虚拟母线概念,提出一种新颖的聚类预测方法:虚拟母线负荷预测方法;对虚拟母线负荷预测与独立预测的精度进行了比较,分析了预测误差的形成机理,提炼出预测误差的数学表征;针对虚拟母线聚类判据对于提高预测精度的有效性进行了分析;采用河北南网的实际数据验证了虚拟母线负荷预测方法的有效性。     

多层次母线负荷预测方法研究

母线负荷预测不仅是推进调度精益化管理的重要手段,而且对于节能调度的推行、发电计划的制定、电力现货的交易等工作具有至关重要的作用.目前绝大多数短期负荷预测都是系统级的,母线负荷预测很难直接套用系统负荷预测的方法,因此提出一种基于挂接电源、终端用户及检修、气象等因素的多层次母线负荷预测方法.通过该方法可实现母线负荷预测的精细化分析预测,有效提高预测精度.     

基于多因素影响的母线负荷预测系统设计及应用

准确的母线负荷预测可为经济调度和节点电价计算提供可靠的保障,为此提出了基于多因素影响的母线负荷预测系统。基于对影响母线负荷预测准确率因素的研究,介绍了系统设计结构和数据库设计内容。预测系统在某地区电网中得到应用,并获得了可靠的预测结果,这表明系统具有易用性、实用性的特点。     

基于序列分解的母线负荷降噪预测方法

新型电力系统背景下，分布式电源和用户侧行为的多样性使母线负荷稳定性不足，对负荷短期预测提出了新的挑战。为此，提出一种基于序列分解的母线负荷降噪预测方法，将变分模态分解方法的构造与分解规则应用到母线负荷序列分解中，针对序列分解后的余项，利用局部加权回归方法进行平滑处理，实现母线负荷降噪预测。基于某地区母线负荷有功功率实测数据，构建循环神经网络对降噪后的母线负荷进行预测，结果表明该方法能够去除母线负荷序列噪声，序列趋于光滑且保留了原始母线负荷序列的特征，具有优良的预测曲线和精确的预测结果。     

低秩矩阵分解在母线坏数据辨识与修复中的应用EI北大核心CSCD

母线负荷分析与预测对电力系统的安全稳定具有重要意义。目前我国采集到的母线负荷数据中含有较多且类型不同的坏数据,给母线负荷的分析的准确性与预测的精确性带来较大影响。文中提出了一种基于低秩矩阵分解的母线坏数据辨识与修复方法。从母线数据本身出发,首先分析了母线数据的低秩特性,研究不同类型坏数据产生的原因;然后建立了一种基于低秩矩阵分解的母线坏数据辨识与修复的模型,并给出了基于阈值迭代法(iterative thresholding,IT)的模型求解方法;最后,利用广东省母线负荷实际算例进行了分析,并利用修复前后的母线数据进行虚拟预测对比,结果实现了坏数据的有效恢复和预测精度的提高。     

电力系统多级负荷预测及其协调问题:（一）研究框架

基于对传统负荷预测中总需求与各子需求预测结果的不均衡现象的深入分析,揭示了电力系统负荷预测问题所具有的"多维多级"特点。在此基础上,提出了电力系统中多级负荷预测协调的科学问题,阐明了多级负荷预测和多级负荷预测协调的新理念。进一步分析了负荷预测模型的"量测"特性,并将多级预测协调与状态估计进行了类比,阐明了多级预测协调的理论基础。文中还探讨了多级负荷预测协调问题的类别及其各自的特点,提出了基本协调和关联协调模式,由此建立了多级预测协调问题的理论研究框架。希望该研究能够丰富和发展负荷预测理论,为广大预测人员提供一些参考。     

计及需求响应的主动配电网短期负荷预测

随着分布式电源、电动汽车及储能等广义需求响应资源的接入,用户在电力市场各种激励影响下进行需求响应,将改变负荷特性并影响负荷预测。根据需求响应计划信号的可预知性及季节性基础负荷的独立性,利用小波分解等方法对主动配电网负荷在不同层面上进行了分解,形成季节性基础负荷和需求响应信号及各种气象因素作用的负荷部分,利用时间序列模型对季节性基础负荷进行预测,利用支持向量回归模型对需求响应信号及气象因素影响的负荷部分进行预测,形成组合预测模型,两部分预测负荷叠加得到总负荷。利用线性时变模型仿真的主动配电网负荷数据算例,进行了预测测试与分析,通过与其他方法相比较,证明了所提方法预测计及需求响应的主动配电网负荷的有效性及精确度。     

电力系统多级负荷预测及其协调问题（二）基本协调模型

电力负荷预测是一个包含空间、时间、属性等多维度多级别的复杂体系.文中针对具有"直接加和"特性的多级负荷预测问题,借鉴电力系统状态估计思想,建立了多级负荷预测的基本协调模型,提出了相应的基本协调方法.在基本协调模型中引入预测可信度的概念,详细分析和比较了不同可信度情况下基本模型的协调结果.引入调整系数和相对调整系数的概念,阐明了基本协调方法的物理机理.为便于比较不同协调方法的协调效果,提出了协调效果的单项评价指标及综合评价标准.最后指明了基本协调模型的应用场合,并用实例验证了所提出的方法的有效性.     

基于关联分类技术的短期负荷数据缺损处理

为了找到负荷值与各种影响负荷预测精度因素之间的关系来进行缺损数据处理,提出一个基于关联分类技术的短期负荷数据缺损处理模型。该模型首先对负荷信息系统应用数据规约方法得到规约集,然后利用关联分类算法挖掘出隐含在其中的有趣的满足用户指定的最小支持度和最小信任度的强关联规则,最后通过规则匹配对含有缺损数据的记录进行修补,对有问题的数据判断异常。经仿真分析,应用这种新的数据缺损处理策略可以得到更加精确的预测结果。     

基于人工神经元网络及模型算法的空间负荷预测

改进了配电网的空间负荷预测方法,将其研究重点 放在对各类负荷的负荷密的预测上,在原始数据不充分的条件下,引入模糊隶属度分析和人工神经元网络中的聚类分析,对负荷进行分类和简化,从而得到环境因素相适应的负荷,预测取得了满意的效果。     

基于空区推论的空间负荷预测分类分区实用法

目前对无历史数据的新老城区空间负荷预测,一般采用分类分区法,所有同类小区基于统一的分类负荷平均密度预测其负荷。针对这一不足,基于空区推论的思想对分类分区法进行了改进,提出现有面积（不含新城区）上的分类总负荷减去有历史负荷数据的老城区的负荷即得到无历史负荷数据的同类老城区的总负荷;同理,规划面积（含新城区）上的分类总负荷减去现有面积上的分类总负荷即得到同类新城区总负荷,再结合面积算得无历史数据的新老城区的平均负荷密度,进而预测其负荷分布。这样使得有、无历史数据的老城区和新城区采用不同的负荷预测思路以提高其预测精度。该方法几乎不增加收集原始数据的工作量或附加的数据较易获得。最后通过实例说明了该方法的实用性和有效性。     

基于竞争分类的神经网络短期电力负荷预测

根据电力负荷的特点,在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上,提出了一种基于竞争分类的神经网络短期负荷预测方法.应用神经网络的竞争学习对相关数据进行分类,将历史数据分成若干类别从而找出与预测日同类型的预测类别.利用相应的BP算法对未来24小时负荷进行短期预测,该方法充分发挥了神经网络处理非线性问题的能力.结果表明,该方法取得了较满意的预测精度.     

基于小波分析的电力系统短期负荷预测方法

在分析电力负荷频谱特性时发现负荷信号的变化过程具有连续频谱的特性。该文在此基础上提出一种基于小波变换的电力系统短期负荷预测新方法：通过小波变换，将各序列分量分别投影到不同的尺度上，对不同的子负荷序列进行数据处理，并分别采用相匹配的模型进行预测，最后退过小波重构，得到完整的负荷预测结果。算例计算表明新方法具有较高的预测精度和较强的适应能力。