现有电力负荷预测方法面临诸多挑战,尤其是在考虑气象因素对负荷波动的影响时,传统方法往往忽视气象特征与负荷之间复杂的非线性关系,导致预测精度不足。对此文中提出一种基于气象相似日修正(meteorological similar day correction,MS...现有电力负荷预测方法面临诸多挑战,尤其是在考虑气象因素对负荷波动的影响时,传统方法往往忽视气象特征与负荷之间复杂的非线性关系,导致预测精度不足。对此文中提出一种基于气象相似日修正(meteorological similar day correction,MSDC)和改进鹦鹉优化(improved parrot optimizer,IPO)线性分解(decomposition-based linear,DLinear)的日前电力负荷预测模型。首先运用Logistic映射、自适应变异策略、螺旋波动搜索IPO对DLinear超参数进行优化,然后由DLinear提取数据的周期性和趋势性特征,最后通过比对气象特征欧氏距离修正负荷预测值,形成基于IPO-DLinear-MSDC的日前电力负荷预测模型。采用2024年6月至10月湖南株洲地区总电力负荷数据集进行仿真分析,IPO-DLinear-MSDC模型的输出平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数R2分别为4.67%、0.833,相较于IPO-DLinear与PO-DLinear模型,MAPE分别下降了0.83个百分点、1.43个百分点,R2分别提升了0.074、0.125。展开更多
电力紧平衡背景下,提升用户侧能效水平是缓解电网供能压力的重要抓手。针对分时电价下家用空调设备的能量管理,提出定频/变频空调-电池储能系统的联合优化运行模型,在滚动时域控制框架下限制了电池储能设备及空调设备频繁切换启停状态...电力紧平衡背景下,提升用户侧能效水平是缓解电网供能压力的重要抓手。针对分时电价下家用空调设备的能量管理,提出定频/变频空调-电池储能系统的联合优化运行模型,在滚动时域控制框架下限制了电池储能设备及空调设备频繁切换启停状态。依托实验室实际环境,构建基于物联网(Internet of Thing,IoT)的空调-储能能量管理系统,给出了能量管理监测平台及其他核心部件的分布式集成方案。通过仿真实验与现场实测,验证了空调-电池储能经济运行模型及能量管理系统的有效性,空调系统与储能设备在尖峰电价前具有明显的预制冷和预充电行为,相较于空调系统独立运行,联合经济运行将用电成本降低了13%。展开更多
针对非侵入式负荷分解方法负荷特征捕捉不足、负荷分解精度不够等问题,文章提出一种基于改进BERT(bidirectional encoder representations from transformers)模型的多头自注意力非侵入式负荷分解方法(frequency and temporal attention...针对非侵入式负荷分解方法负荷特征捕捉不足、负荷分解精度不够等问题,文章提出一种基于改进BERT(bidirectional encoder representations from transformers)模型的多头自注意力非侵入式负荷分解方法(frequency and temporal attention-BERT, FAT-BERT)。首先通过傅里叶变换将时域数据转换为频域数据,采用多尺度卷积全面捕捉负荷信号的时域和频域特征,从而增强模型对多样化负荷信号的表达能力;其次,在多头自注意力机制中引入频率注意力机制,从而增强模型对时序数据中频率成分的感知能力,进一步改善复杂负荷模式的表示,改进BERT模型中增加局部自注意力从而减少不必要的全局计算,提升模型的运行速度;接着将残差连接和正则化技术结合使模型在训练过程中更加稳定,并且能够更好地避免过拟合,最后在REDD和UK-DALE数据集上对提出的方法进行实验,实验结果验证了所提方法的有效性。展开更多
随着楼宇综合能源系统(integrated energy system of building,BIES)的增多及其提升能源利用率的作用日益凸显,研究提升BIES内各设备耦合程度及与电网协调程度、降低BIES日综合运行成本具有重要意义。为此,提出基于前馈神经网络(feedfor...随着楼宇综合能源系统(integrated energy system of building,BIES)的增多及其提升能源利用率的作用日益凸显,研究提升BIES内各设备耦合程度及与电网协调程度、降低BIES日综合运行成本具有重要意义。为此,提出基于前馈神经网络(feedforward neural network,FNN)的BIES日前优化调度模型。首先,分析含屋顶光伏的BIES的结构;其次,提出基于FNN的光伏出力日前预测方法及流程,为BIES优化调度提供可靠光伏发电数据;最后,以BIES购电成本、购气成本、设备运行维护成本组成的日综合运行成本最低为目标,提出基于BIES日前调度模型。算例结果表明,所提光伏出力预测方法能有效提高光伏发电出力预测精度,基于FNN的BIES日前优化调度模型能够有效提高BIES运行经济性。展开更多
为解决近年来用户行业变化特性加剧导致的难以准确辨识用户档案信息变动的问题,文中提出一种基于数据驱动的负荷特征异常辨识方法。首先,提出一种两阶段行业典型负荷形态构建方法,利用基于层次密度的含噪声应用空间聚类(hierarchical de...为解决近年来用户行业变化特性加剧导致的难以准确辨识用户档案信息变动的问题,文中提出一种基于数据驱动的负荷特征异常辨识方法。首先,提出一种两阶段行业典型负荷形态构建方法,利用基于层次密度的含噪声应用空间聚类(hierarchical density-based spatial clustering of applications with noise,HDBSCAN)提取用户在不同场景下的典型日负荷曲线,并利用改进的K-means算法对提取出的典型日负荷曲线进行聚类分析,构建行业的典型负荷形态;其次,提出一种多维场景负荷特征异常智能研判方法,通过构造用户的负荷特征,使用熵权法评估行业典型场景的相对重要性,并采用单分类支持向量机(one-class support vector machine,OCSVM)算法量化每个场景下的用户负荷特征的异常程度,通过加权计算得到用户的综合嫌疑得分并排序,从而实现对负荷特征异常用户的准确辨识。最后,采用某地区实际用户数据进行算例验证。仿真结果表明,所提方法在行业典型负荷场景构建及负荷特征异常辨识方面表现出良好的可行性与实用价值。展开更多
文摘现有电力负荷预测方法面临诸多挑战,尤其是在考虑气象因素对负荷波动的影响时,传统方法往往忽视气象特征与负荷之间复杂的非线性关系,导致预测精度不足。对此文中提出一种基于气象相似日修正(meteorological similar day correction,MSDC)和改进鹦鹉优化(improved parrot optimizer,IPO)线性分解(decomposition-based linear,DLinear)的日前电力负荷预测模型。首先运用Logistic映射、自适应变异策略、螺旋波动搜索IPO对DLinear超参数进行优化,然后由DLinear提取数据的周期性和趋势性特征,最后通过比对气象特征欧氏距离修正负荷预测值,形成基于IPO-DLinear-MSDC的日前电力负荷预测模型。采用2024年6月至10月湖南株洲地区总电力负荷数据集进行仿真分析,IPO-DLinear-MSDC模型的输出平均绝对百分比误差(mean absolute percentage error,MAPE)、决定系数R2分别为4.67%、0.833,相较于IPO-DLinear与PO-DLinear模型,MAPE分别下降了0.83个百分点、1.43个百分点,R2分别提升了0.074、0.125。
文摘电力紧平衡背景下,提升用户侧能效水平是缓解电网供能压力的重要抓手。针对分时电价下家用空调设备的能量管理,提出定频/变频空调-电池储能系统的联合优化运行模型,在滚动时域控制框架下限制了电池储能设备及空调设备频繁切换启停状态。依托实验室实际环境,构建基于物联网(Internet of Thing,IoT)的空调-储能能量管理系统,给出了能量管理监测平台及其他核心部件的分布式集成方案。通过仿真实验与现场实测,验证了空调-电池储能经济运行模型及能量管理系统的有效性,空调系统与储能设备在尖峰电价前具有明显的预制冷和预充电行为,相较于空调系统独立运行,联合经济运行将用电成本降低了13%。
文摘针对非侵入式负荷分解方法负荷特征捕捉不足、负荷分解精度不够等问题,文章提出一种基于改进BERT(bidirectional encoder representations from transformers)模型的多头自注意力非侵入式负荷分解方法(frequency and temporal attention-BERT, FAT-BERT)。首先通过傅里叶变换将时域数据转换为频域数据,采用多尺度卷积全面捕捉负荷信号的时域和频域特征,从而增强模型对多样化负荷信号的表达能力;其次,在多头自注意力机制中引入频率注意力机制,从而增强模型对时序数据中频率成分的感知能力,进一步改善复杂负荷模式的表示,改进BERT模型中增加局部自注意力从而减少不必要的全局计算,提升模型的运行速度;接着将残差连接和正则化技术结合使模型在训练过程中更加稳定,并且能够更好地避免过拟合,最后在REDD和UK-DALE数据集上对提出的方法进行实验,实验结果验证了所提方法的有效性。
文摘随着楼宇综合能源系统(integrated energy system of building,BIES)的增多及其提升能源利用率的作用日益凸显,研究提升BIES内各设备耦合程度及与电网协调程度、降低BIES日综合运行成本具有重要意义。为此,提出基于前馈神经网络(feedforward neural network,FNN)的BIES日前优化调度模型。首先,分析含屋顶光伏的BIES的结构;其次,提出基于FNN的光伏出力日前预测方法及流程,为BIES优化调度提供可靠光伏发电数据;最后,以BIES购电成本、购气成本、设备运行维护成本组成的日综合运行成本最低为目标,提出基于BIES日前调度模型。算例结果表明,所提光伏出力预测方法能有效提高光伏发电出力预测精度,基于FNN的BIES日前优化调度模型能够有效提高BIES运行经济性。
文摘为解决近年来用户行业变化特性加剧导致的难以准确辨识用户档案信息变动的问题,文中提出一种基于数据驱动的负荷特征异常辨识方法。首先,提出一种两阶段行业典型负荷形态构建方法,利用基于层次密度的含噪声应用空间聚类(hierarchical density-based spatial clustering of applications with noise,HDBSCAN)提取用户在不同场景下的典型日负荷曲线,并利用改进的K-means算法对提取出的典型日负荷曲线进行聚类分析,构建行业的典型负荷形态;其次,提出一种多维场景负荷特征异常智能研判方法,通过构造用户的负荷特征,使用熵权法评估行业典型场景的相对重要性,并采用单分类支持向量机(one-class support vector machine,OCSVM)算法量化每个场景下的用户负荷特征的异常程度,通过加权计算得到用户的综合嫌疑得分并排序,从而实现对负荷特征异常用户的准确辨识。最后,采用某地区实际用户数据进行算例验证。仿真结果表明,所提方法在行业典型负荷场景构建及负荷特征异常辨识方面表现出良好的可行性与实用价值。
