电力系统超短期负荷预测技术的应用与发展

从电力系统超短期负荷预测的定义及作用出发,概述超短期负荷预测的特点及方法。按照传统预测方法、现代预测方法及综合预测方法分类,对各种超短期负荷预测方法的原理、应用范围、改进及发展方向进行了综述。指出各类超短期负荷预测方法都有特定的适用场合,在实际应用时要充分考虑预测系统的实际运行特点,才能最大限度地发挥各类方法的优势。     

基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

AGC超短期负荷预测控制模式的研究

介绍了超短期负荷预测的原理,利用AGC机组超短期负荷预测功能对电网负荷趋势进行超前分配,通过修正AGC机组的调节精度,实现了发电机组对电网负荷变化的快速跟踪,达到提高电网稳定运行的目的.     

基于超短期负荷预测的变电站综合调压方法研究

针对变电站电压和无功控制中补偿电容器和变压器分接头的“投切振荡”问题,为了避免不必要的延时等待,提高无功补偿控制的针对性,提出将超短期负荷预测引入变电站电压无功实时控制,通过超短期负荷预测,掌握负荷变化和波动情况,在满足电压和功率因数合格的前提下,充分利用变压器的过载能力,尽量减少电容器投切次数和不必要的调整,从而提升变电站电压无功控制的性能,并可延长主变分接头和电容器开关的寿命。仿真算例验证了该方法的可行性和优越性。     

基于自回归模型的超短期负荷预测方法

针对提前1小时的超短期负荷预测,在充分分析负荷特性的基础上,提出了基于自回归模型的超短期负荷预测,并利用拐点与负荷变化率的关系对预测结果修正。算例分析表明,该方法可以取得较高的预测精度。     

基于改进相似日的超短期负荷预测法

在充分掌握上海电网负荷特性之后,针对上海市调AGC控制要求,提出一种基于改进相似日的超短期负荷预测方法.该法利用相似日的每两点负荷变化值相似,依概率预测未来负荷变化趋势,能准确计算未来5 min负荷值.通过算例结果分析可知,该法预测误差较好,具有较强的适应性.     

应用人工神经网络进行短期负荷预测

本文提出了应用人工神经网络进行电力系统短期负荷预测的方法。负荷按照每星期各日来分类,共七种模式,学习样本采取每星期中相同类型日。对原始数据进行伪数据的清除,提高了预测的精度。对于那些人们可以预计到的随机干扰,应用专家系统给予考虑。通过对银川供电局负荷的实际预测,证明本文所述方法能够实际应用。     

多节点超短期负荷预测方法

对多节点有功和无功负荷变化规律的动态自适应超短期预测进行了深入的研究和分析,提出将负荷数据分层分区的处理方法,建立它们之间相互牵制和联系的表达,在由递推最小二乘支持向量机(RLS-SVM)算法实现顶层预测的基础上,建立输电系统多节点负荷动态行为特征的描述模型,构建了自适应动态模型的超短期负荷预测总体构架.以山东电网为例的现场测试效果验证了所述方法的可行性和有效性.     

电力系统短期负荷离线预测研究

针对某电网负荷预测问题,提出了对灰色预测和单指数平滑法的有效改进,并将改进后的谅支及两种方法的组合预测应用于实际负荷预测问题中,获得了满意效果。文中通过一个计算实例,比较了改进前后这几种方法的预测精度,并列出了采用这几种方法进行负荷预测的满意结果。     

基于双向长短时记忆的立体化超短期负荷预测

传统电力系统负荷预测的基本思路是基于时间序列的历史负荷数据采用机器学习方法实现负荷预测.这种方式缺乏负荷在时间、空间两层的相互耦合关系.对此,在电力系统全景全周期运行状态可观测条件下,提出了大数据环境下基于双向长短时记忆网络的立体化负荷预测.首先提出了负荷在电网时间、空间下的耦合关联方程;其次,利用负荷节点的时间大数据...     

DBC Technology for Extremely Thin Flat Heat Pipes

This paper presents the concept and experimental demonstration of flat copper heat pipe (HP) embedded in extremely thin 3-D packaging substrates. Since conventional machining for this application is very complicated and expensive, the direct bonded copper (DBC) technology proved to be interesting for mass production. The experimental results demonstrated that the DBC HP is an excellent solution to enhance the heat transfer within the 3-D packaging.     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于Kmeans-VMD-LSTM的短期风速预测

短期风速具有间歇性、波动性、非线性和非平稳性等特点,具有高度的复杂性,预测难度较大。风速信号可以看成是由复杂度较低、规律较强的简单信号耦合而成,所以可利用分解方法使之分为多尺度的波动分量,降低分量复杂度,增强其规律性,可以提高其预测精度。因此,为了提高神经网络的学习效率,采用Kmeans算法对原始风速数据进行相似日聚类;其次,使用VMD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。通过大量试验和不同方法之间的比较表明,基于Kmeans VMD LSTM的组合预测模型可以有效提高风速短期预测的准确率。     

热平衡调试技术在供暖节能中的应用

针对供暖系统经常出现的水力热力失调问题,详细分析了其产生的原因,并提出具体解决办法。     

人工神经网络应用于电力系统短期负荷预测的研究

预测电力系统未来几分钟到一个星期的负荷对电力系统的经济和安全运行起着重要作用.人工神经网络(ANN)技术的发展提供了一种新的电力系统负荷预测手段.人工神经网络预测模型成功地用于预测电力系统短期负荷,与传统方式不同,ANN不依靠人的经验而是通过训练,自主地学习系统输入和输出之间的函数关系.最初,ANN通过已知结果的历史数据进行学习;完成后,只给ANN输入预测条科即可进行负荷预测.     

基于经验模态分解和误差校正的短期风速预测

准确的风速预测对风电扩大并网规模具有积极的推动作用。针对风速的波动性和随机性特征,提出了一种基于EMD、GPR和ISTA的短期风速预测模型。通过EMD对原始风速序列进行分解,利用GPR对分解后的序列子集进行一级预测,同时利用ISTA改进GPR的超参数优化选择过程;并将由此生成的误差序列带入到ISTA优化的GPR中进行二级预测,通过所得误差预测值对原始预测值进行校正并得到最终预测结果。案例分析表明,本文所提出的模型在短期风速预测中具有较高的预测精度。     

智能建筑电源技术的应用

由于智能建筑中运用了大量的计算机和电子设备,其供电电源的质量应确保智能化系统设备的正常运行.分析了影响电源质量的各因素,并提出了提高、改善电源质量的有效防护措施.     

基于人工神经网络的风电功率短期预测系统

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。该文综述国内外风电功率预测技术的研究现状、基本原理及预测方法;设计风电功率预测系统的框架,建立基于人工神经网络的风电功率预测系统,该系统即将应用于吉林电网调度中心。该系统以数值天气预报为基础,具有良好的人机界面,实现了与能量管理系统(energy management system,EMS)的无缝连接。对测试数据的预测结果表明,该预测系统能够可靠工作,预测结果的均方根误差在15%左右。最后,该文对风电功率预测系统的经济效益进行估算。     

基于CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性,提出了一种基于自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）和改进野狗优化算法（improved dog optimization algorithm,IDOA）优化双向长短时记忆网络（bi-directional long short-term memory,BiLSTM）的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性,将分解后的所有序列进行偏自相关方法分析,选出重要性较大序列作为IDOA-BiLSTM模型的输入,最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集,进行训练模型和预测分析,结果表明所提出的超短期风电功率预测模型具有较高的预测精度,具备实际应用的可行性。