大数据技术在电力系统负荷预测中的应用进展

介绍了大数据技术在电力系统负荷预测中的应用,研究了电力负荷预测的方法、大数据在电力系统负荷预测的应用领域及其关键技术.通过阐述电力系统负荷预测的2种常见方式,对比了现有的3种电力负荷预测的方法,体现了智能预测方法在非线性处理领域的优势.在电力系统负荷预测的应用领域,电力大数据涉及集成管理、数据分析、数据处理与数据展示等关键技术.引入大数据技术来完成电力系统负荷预测,能够有效增加预测精度与速度,有助于稳定性与经济性的提升.     

基于RBF神经网络的电力系统短期负荷预测

电力负荷预测一直是电力系统的重要研究课题。在考虑天气状况因素的前提下,通过MATLAB软件实验平台,构建了一个RBF神经网络模型,并用历史电力负荷数据进行训练,成功的进行了电力系统的短期负荷预测,预测结果误差比较小,结果令人满意,证明了RBF神经网络在电力短期负荷预测领域的有效性和可行性。     

基于相似日和PSO-LightGBM的超短期电力负荷预测方法

为提高超短期电力负荷预测的准确度,提出一种基于相似日和粒子群算法——轻量梯度提升机的超短期电力负荷预测方法.对初始数据集进行特征构建,并利用灰色关联法筛选出与待预测日关联度较高的历史日.使用粒子群优化算法对LightGBM算法进行参数寻优,构造PSO-LightGBM负荷预测模型.实验分析表明,相较于传统预测方法,该方法提高了电力负荷预测的精度,为电力系统稳定运行提供了保障.     

两种短期电力负荷预测模型的比较

负荷预测是电力系统规划、计划、用电、调度等部门的基础工作,电力负荷是影响电网寿命和可靠度的一个重要因素。结合某省电网近五年来总电力负荷数据,对电力负荷数据进行分析与预处理,分别运用ARIMA模型与灰色GM（1,1）模型针对该省的电力总负荷分别做未来3天和10天两种情况下的短期预测,重点比较了所用两种方法的优缺点和精准度,得到3天的预测精度上GM（1,1）模型效果高于ARIMA模型,10天的预测精度上ARIMA模型相对较好。     

基于BP神经网络的电力系统短期负荷预测

针对短期电力系统负荷预测问题,根据已知的地区1、2的电力负荷数据,结合图像对两地区负荷变化情况进行简要分析;通过建立电力负荷数据与各气象因素的回归关系,证明气象因素对负荷预测数据准确度和精度有影响;然后构建BP神经网络模型,得到负荷预测数据,并推断预测的准确度,对两地区整体负荷规律性的优劣做出合理地判断及评价.     

一种基于LSTM神经网络的电力负荷预测方法

设计了一种基于长短期记忆(LSTM)神经网络的电力负荷预测模型,在TensorFlow框架下使用Python语言编程实现;使用西班牙2018年一整年的电力负荷数据对模型进行训练,得到的模型可准确预测电力负荷数据的日变化、周变化规律,模型损失值可达0. 2,验证了模型的有效性;与RNN模型对比证明了LSTM模型的长期依赖学习能力更为优越。提出的模型是一种有效的电力负荷数据预测方法,可为电力系统的负荷预测提供依据。     

社会总用电量混沌全域法预测

社会总用电量预报是电力系统的重要工作之一,社会总用电量为非线性时间序列．针对电力系统负荷的复杂性及非线性,提出了结合混沌理论的思想,充分利用数据信息,在重构电力负荷相空间的基础上运用混沌全域法对负荷进行预测,并与最小二乘法预测模型预测结果进行比较,结果显示混沌全域法预测结果明显优于最小二乘法预测模型,预测精度也满足工程应用．     

面向配电网运行监测的关键技术及其应用研究

为了有效地实现配电网的运行监测,我国电力系统要对各个地区各个时间段的电力负荷数值进行有效统计,并对统计得出的电力负荷数值进行相关处理,制作成为电力负荷曲线。根据对电力负荷数值曲线的研究,进行对电力资源的合理分配使用。目前,在配电网运行监测过程中,使用最多的技术就是需求侧管理技术,通过需求侧管理技术的应用,配电网可以及时知晓各个区域的电力负荷情况,并根据电力负荷在各个时段的不同数值,做出最合理的电力分配。针对这样的情况,对需求侧管理技术进行了详细的分析说明,并对其在配电网运行监测中的应用进行了相关描述。     

基于神经网络的电力负荷预测系统设计

应用RBF(Radial Basis Function, 径向基函数)人工神经网络进行电力系统短期负荷预测.考虑了天气、经济、节假日等因素对电网负荷的影响,将负荷按照每周各日分类,共七种模式,学习样本选取每周中的相同类型日.在预测前还对原始数据中的伪数据进行剔除,提高了预测的精确度.利用从湖南省双峰电力局收集到的负荷数据进行网络模型的训练,所得结果表明了RBF网络对于负荷预测是有效性的.     

电力负荷分析与系统调控

电力负荷源于用电设备,鉴于用电设备的容量、结构、工作方式、用电时段的不同,呈现出不同的动态参量。电力系统的中心任务就是保障电力的供应,讨论了电力负荷分析及调控。     

基于优选组合预测模型的中长期负荷预测

电力系统负荷预测是电力市场的基础,准确的负荷预测有利于提高电网运行的安全稳定性,从而提高电力系统的经济效益和社会效益。文章介绍了用于中长期负荷预测的灰色理论模型以及灰色等维新息模型、弹性系数法与非线性回归中的指数预测模型,提出了电力系统中长期负荷预测的实用新方法——优选组合预测模型。结果表明,优选组合预测模型对于电力系统中长期负荷预测这样复杂的问题,具有预测精度高,简捷实用等优点,该方法可以作为中长期负荷预测的工具之一。     

计及温控负荷的小干扰稳定性分析

温控负荷是电力系统最为重要的负荷类型之一,它对电力系统的小干扰稳定具有重要的影响。针对这类以恒温控制器控制的负荷（温控负荷）展开研究,通过对恒温控制器动态加热方程的分析,建立用于小干扰稳定分析的温控负荷的数学模型。以3机9节点系统为算例在MATLAB的电力系统分析工具箱（PSAT）中对温控负荷接入电力系统后对系统小干扰稳定影响进行仿真分析。最后以简单的单机无穷大系统为例,进一步分析其负荷参数变化对系统小干扰稳定的影响。仿真分析结果表明:相对于传统的静态负荷温控负荷不利于系统小干扰电压稳定;温控负荷比例控制增益,环境温度,参考温度,对系统的小干扰稳定影响较大;积分控制器增益,积分控制器时间常数,负荷时间常数对系统小干扰稳定性影响较小。     

中长期电力负荷预测的回归模型及其应用

针对中长期电力负荷预测中观察数据及负荷变化规律,提出了一种预测方法,该方法通过建立具有线性回归模型或非线性回归模型,可以直接由观察数据预测出未来负荷值.本文通过实际算例验证了该方法的可行性.     

试论电力继电保护的故障和维修技术

电保护装置对我们电力系统的安全稳定运行起着非常重要的作用,因此继电保护故障的诊断维修问题也日益突出.在电力系统中,继电保护装置起着及时切除电力系统故障和反映电力系统设备不正常工作状况的作用,同时最大限度地降低故障对电力系统的影响.随着社会的不断进步,经济的高速发展,人们生活水平的提高,人们用电量也有很大的提升,由于供电企业是人们日常生活用电唯一的来源,所以,供电企业的电力继电保护尤为重要.     

电力负荷预测技术研究

电力负荷预测是电力部门的一项重要工作,是城市电网规划中的基础性工作,为电网规划提供了必不可少的基础数据.文章对电力负荷预测技术的分类和特点进行了研究和阐述.     

电力系统计算分析中的负荷模型研究及应用

电力系统数字仿真已深入电力系统的规划、设计、运行、研究等领域,其仿真结果已成为这些领域决策的主要依据。负荷作为电力系统的重要组成部分,其模型和参数对电力系统数字仿真结果具有重要影响。由于负荷构成的复杂性,建立精确的负荷模型属于世界性难题。     

考虑电压敏感的负荷特性的电力系统暂态稳定研究

围绕电压敏感的负荷特性对电力系统暂态稳定的影响这一问题展开研究.描述了一个基于MATLAB的电力系统仿真软件PSAT在电力系统暂态稳定中的应用.利用PSAT软件中的5机14节点的系统模型作为仿真实例,建立不同参数的电压负荷模型,经过时域仿真得到大量的仿真图形和数据.结果表明:电压负荷参数的改变对电力系统暂态稳定具有一定的影响.     

变电站一次设计浅析

提高电网的供电可靠性,变电站起着十分重要的作用.变电站是电力系统的重要组成部分.变电所承担着升高或降低电压以及转换功率的作用.变电所设计的正确与否不仅影响着电力负荷的供电可靠性,同时也影响着电力系统的安全可靠运行.变电所电气一次部分设计包括变电所总体分析、主变选择、电气主接线设计、短路电流计算、电气设备选择、配电装置和总平面设计等.     

电力电子技术在电力系统中的应用

电力电子技术是支撑当前高新技术产业重要基础技术之一,对传统产生改革与发展产生重要作用.随着电力电子技术发展速度加快,其应用范围越加广阔,并取得了良好的应用效果,对日常生产生活具有重要作用.而在电力系统中合理应用电力电子技术不仅是未来电力系统发展的重要趋势,同时是促进电力电子技术发展需要研究的重要问题.首先对电力电子技术及其特点进行简要分析,在此基础上探讨研究电力系统中对电力电子技术的应用,为电力生产供应提供一定思考方向.     

基于组合模型的短期电力负荷预测研究

为了提高短期电力负荷的预测精度,提出了一种短期电力负荷预测模型。该模型包括蚁群算法优化的BP神经网络模型和灰色理论模型。蚁群算法优化的BP神经网络可以提高BP神经网络预测精度和收敛速度,灰色理论削弱了数据自身的随机性。结合两者优点,根据电力负荷的数据特征和两种子模型的预测误差,得出其在组合模型中所占权重,然后得到基于组合模型的预测值。应用组合模型对河南省某地区进行短期电力负荷预测,结果表明该方法比单个模型预测精度更高,能有效预测短期电力负荷。