基于VMD-LSTMQR的滚动母线负荷区间预测

负荷区间预测能够对负荷出力变化进行概率化分析,准确量化不确定性因素对负荷的影响。相较于传统的点预测,区间预测更能直观反映负荷变化趋势,有助于保障电力系统的安全稳定运行。基于此,文中提出一种基于变分模态分解-长短期记忆神经网络分位数回归（VMD-LSTMQR）的滚动母线负荷区间预测方法。首先,文中采用VMD将原始母线负荷分解成一系列不同频率特征的子序列;接着,确定不同子序列的最优滚动步长并采用LSTMQR分别对不同子序列进行区间预测;最后,将不同子序列的区间预测进行重构,得到原始母线负荷预测结果。文中利用220 kV和10 kV母线负荷数据验证了所采用的区间预测模型相较于传统区间预测模型在预测精度、区间宽度方面得到明显改善。     

电网侧储能经济性研究

随着中国能源结构的转型,新能源行业的快速发展对于中国来说是非常重要的。以新能源电站为基础的多种储能技术,在提高电网电能质量、消纳、调频和电力可靠性等方面起着关键性作用。由于电网侧储能应用正处于起步阶段,目前存在的问题、发展情况以及经济性分析是研究的重点。以电网侧储能发展面临的问题为导向,按照中国能源革命和电网形态发展的需求,客观评价了电网侧储能的价值,对电网侧储能的技术发展提出了相关建议。