负荷聚合商模式下考虑需求响应的超短期负荷预测

为更好地管理用户侧需求响应资源,减小超短期负荷预测误差,提出了一种在负荷聚合商模式下考虑需求响应的超短期负荷预测方法。首先,分析负荷聚合商的需求响应机制,考虑用户用能习惯、自建光伏、储能行为以及电热耦合,分别对每一类需求响应资源建立优化模型,并通过模糊参数表达用户参与需求响应的不确定性,以改善优化模型;调用CPLEX求解器求解得到综合各类资源后的需求响应信号。然后,在考虑历史负荷数据的基础上引入该需求响应信号,建立迭代预测的长短期记忆网络模型。算例通过3种预测场景的对比,验证了计及需求响应信号能够有效减小预测误差,且考虑需求响应不确定性能够进一步提高预测精度。     

基于EEMD-LSTM的区域能源短期负荷预测

短期负荷预测既是电网规划的重要组成部分,也是系统可靠、高效运行的前提和基础。采用EEMD(集合经验模态分解)方法将区域能源互联网历史负荷数据分解成若干分量,再对各个分量分别建立模型,运用LSTM(长短期记忆神经网络)设置对应的隐藏层数,对各个分量分别进行预测,最后叠加预测值得出最终预测结果。将EEMD-LSTM算法与LSTM算法、 EMD-LSTM算法以及Elman算法进行比较,结果表明EEMD-LSTM算法在区域能源互联网负荷预测中能够实现较好的预测精度,具有很好的应用前景和推广价值。     

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。     

考虑多能互动的农村区域电网负荷预测方法

为应对煤改电及分布式电源规模化接入导致农村区域电网负荷预测复杂性提升的问题,本文提出一种考虑多能互动的农村区域电网负荷预测方法。首先,分析多能源信息耦合关系,提出农村区域多能信息横向和纵向交互的特征;其次,建立并行长短期记忆网络的多任务学习模型,支持多能源系统之间的横向交互分析;最后,以河北雄安农村区域电网进行验证,结果表明本文所提方法能够有效提高农村区域复杂场景下的预测精度。     

基于动态电价的需求响应下短期负荷预测研究

需求响应是缓解电力部门供电压力、优化资源配置的有效手段,同时也对传统的电力系统短期负荷预测方法提出了更高的要求。针对实施需求响应后传统预测模型不能准确反映负荷曲线变化的问题,首先,根据效用理论,构建了基于动态电价的需求响应模型来模拟电力用户在实施需求响应后的实际负荷曲线;在此基础上,构建了计及需求响应因素的径向基函数神经网络短期负荷预测模型;最后,利用某地区的实际数据,通过Matlab软件对该模型的预测性能进行了仿真验证。结果表明,本文平均预测误差为1.27%,而传统的负荷预测模型平均预测误差为3.40%,前者相对于后者平均预测误差降低了2.13%,证明了在预测模型中加入需求响应信号能够有效提升短期负荷的预测精度,较准确地反映出负荷曲线因需求响应信号的作用所发生的改变。     

基于长短期记忆的实时电价条件下智能电网短期负荷预测EI北大核心CSCD

在电力市场改革与智能电网建设的大背景下,电力将逐渐回归商品属性,电价也将实时波动,并对负荷产生影响。通过分析得出电价与负荷具有相关性,因此在预测模型中考虑了实时电价的影响,并对考虑实时电价的负荷预测模型与价格型需求侧响应之间的关系进行了讨论。针对前馈型神经网络不能处理序列间关联信息与传统循环神经网络无法记忆久远关键信息的缺陷,提出了基于长短期记忆循环神经网络的负荷预测模型,使用自适应矩估计算法进行深度学习。最后通过美国某地区的实际负荷和电价数据,验证了所提模型具有更高的预测精度。     

新能源电网中考虑特征选择的Bi-LSTM网络短期负荷预测

新能源电网中负荷对各特征因素更为敏感,当面对海量特征数据时,短期负荷预测方法面临着新的挑战。针对含有高维特征数据的新能源电网,提出一种考虑特征选择的双向长短期记忆(Bi-LSTM)网络短期负荷预测方法。先将样本数据按密度进行聚类后映射到权重诱导空间中,通过定义一种数据结构,以间隔之和最大为目标函数。为实现解空间的稀疏性,将正则项添加到目标函数中,并采用梯度下降法求解特征权值。经过预试验确定特征选择阈值等超参数,从而选出所需的特征因素。最后,使用Bi-LSTM网络基于选择后的数据进行负荷预测。以中国某地区新能源电网为例,验证了该方法的有效性,结果表明其与传统方法相比,具有更好的准确性和适用性。     

计及需求响应的Elman-NN短期负荷预测模型研究

通过频谱分析研究了需求响应负荷的基本特性,并以此为依据建立了计及需求响应的Elman神经网络(Elman-NN)预测模型。Elman-NN具有处理动态信息能力强、训练时间短、全局寻优性强的优点。通过实际算例,对比在Elman-NN模型中计及需求响应因素前后的预测性能,结果显示计及需求响应因素可显著提高Elman-NN模型预测精度。本文证实了在模型中计及需求响应因素的重要作用,为需求响应负荷的预测研究奠定了必要的理论基础。     

考虑特征重要性值波动的MI-BILSTM短期负荷预测

在短期负荷预测中,含有循环单元的深度学习模型应用广泛,但训练时采用的权值共享结构具有时不变性,忽略了输入特征(气象、日期、历史负荷值等)在不同时刻下给负荷变化带来的不同影响,即权值共享结构无法追踪输入特征的重要性值波动.针对此问题,提出一种考虑特征重要性值波动的互信息(MI)-双向长短期记忆(BILSTM)网络预测方法...     

基于EMD-SLSTM的家庭短期负荷预测

针对非平稳的家庭短期负荷数据,直接套用预测模型难以挖掘出更深层次的时序特征。提出一种经验模式分解(Empirical Mode Decomposition, EMD)和堆栈式长短期记忆(Stack Long Short-term Memory, SLSTM)的组合算法应用于家庭短期负荷预测。首先分析了SLSTM和EMD原理,提出EMD-SLSTM组合预测模型。将负荷数据通过EMD算法进行分解,然后将分解后的分量数据分别转化为三维数据样本。通过设计SLSTM网络架构及其参数,对归一化的分量数据和原始数据分别进行预测建模及其重构。为显示算法预测性能,实验对比了支持向量回归、人工神经网络、深度神经网络、梯度提升回归等模型在两种情景下的性能,采用MAPE和RMSE性能度量进行验证。实验结果表明EMD-SLSTM更能有效地表达出家庭短期负荷的时序关系,具有更高的预测精度。     

考虑实时气象耦合作用的地区电网短期负荷预测建模

传统的短期负荷预测中并未考虑实时气象因素的耦合作用,针对此提出了考虑实时气象耦合作用的时域卷积网络短期负荷预测方法。首先,分析了各项实时综合气象指数与负荷曲线的相关性,进而构建了混合日特征量与实时气象因素的相似日选取方法。然后,引入各项实时综合气象指数作为模型输入。最后,采用能够充分考虑并包容实时气象因素与负荷"时差性"特点的时域卷积网络进行日前负荷预测建模。实验仿真以某地区电网实际负荷为例,研究表明该预测模型能够有效提升地区电网日前负荷预测精度。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测.这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout 对...     

提高电网短期负荷预测精度的研究

以广东珠海电网为例,对负荷特性、经济发展特点、气候变化、预测技术等影响负荷预测的因素进行分析,提出提高电网短期负荷预测精度的措施:建立和完善典型日负荷样本数据库;特殊事件造成负荷较大变化时进行人工干预;合理做好负荷日的类型分析;采用扩展短期负荷预测方法进行明日负荷预测;建立气象负荷数据源预测模型.这些措施在珠海电网中应...     

基于孪生网络和长短时记忆网络结合的配电网短期负荷预测

保证数据驱动型配电网短期负荷预测精准的关键是选取合适的相似日数据集和构建合理的日负荷预测模型.文中研究了一种基于孪生网络(SN)和长短时记忆(LSTM)网络相结合的配电网短期负荷预测模型.基于配电网负荷相似日的影响因素具有多样化、强随机性的特点,利用SN两个输入权重共享的特点对历史负荷数据进行分析,进而对待测日的特征进行分类,以完成相似日数据选取.此外,利用灰狼优化算法全局搜索能力强、收敛速度快等特点,对基于LSTM网络的配电网短期负荷预测模型进行参数优化.最后,以某一个区域配电网的实际数据为例,验证上述预测方法的准确性与鲁棒性,与LSTM网络、基于粒子群优化的LSTM网络、支持向量机等方法对比可知,所提方法具有较高的准确度和计算效率.     

分步预测法在省级电网短期负荷预测中的应用

各地市负荷特性千差万别,单纯的利用省端历史负荷数据以及全省综合气象要素进行预测会产生较大误差,故提出一种分步预测的短期负荷预测方法。在分析省调负荷的组成以及不同类型地区负荷预测方法的基础上,通过查找网损相似日和厂用电率,利用下级电网上报的计划负荷对网损和厂用电进行有效预测,进而得到次日全省发电计划。分析表明,该方法能充分反映省调负荷各组成成分的变化情况,一定程度上提高了省调负荷预测准确率。通过南方某省短期负荷预测系统的实际应用证明了所提出方法的有效性。     

基于局部均值分解与神经网络的短期负荷预测

短期负荷预测是电力系统调度和运行的基础,为了提高电力系统短期负荷预测的精度,提出了基于局部均值分解和人工神经网络的电力系统短期负荷预测方法。该方法首先对负荷序列进行局部均值分解,针对分解后具有不同特点的各PF分量设定具体的神经网络参数进行预测,将各分量的预测结果进行重构得到最终的预测结果。仿真实验表明,LMD-BP神经网络的预测方法与传统的EMD-BP神经网络方法相比具有更高的预测精度,同时也验证了该方法的实用性和有效性。