基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测
为提升多区域电力负荷的预测精度,聚焦于多区域电力数据的时空相关性分析,提出了一种基于Spearman-GCN-GRU的超短期多区域电力负荷预测模型。该模型通过Spearman相关系数分析不同区域电力负荷的时空相关性,构建Spearman邻接矩阵并输入图卷积神经网络(graph convolutional network,GCN)和门控循环单元(gated recurrent unit,GRU)提取数据中的空间特征和时序特征,最后由多层感知机(multilayer perceptron,MLP)解码输出预测结果。与基于距离邻接矩阵的模型进行对比,验证了Spearman-GCN-GRU模型的可行性。在模型的预测精度上,与传统统计模型和神经网络模型相比,Spearman-GCN-GRU模型在通用的评价指标中均取得最优结果。就均方根误差(root mean square error,RMSE)而言,Spearman-GCN-GRU模型与神经网络模型GRU、GCN和深度神经网络(deep neural network,DNN)相比,RMSE指标分别下降了13.90%、11.66%和8.36%,验证了模型具有更好的预测效果。
新能源高占比电力系统并行恢复分区划分
为了使新能源高占比电力系统在停电后快速恢复,提出一种计及新能源出力特性的并行恢复分区划分方法。综合考虑新能源电源出力的时空相关性生成多时步序列场景,构建了考虑每个序列场景出现概率的新能源电源多时步期望序列场景。根据所构建的场景确定各带电域的可用功率并划分分区,若分区间存在重叠区域,考虑时间惯性常数、爬坡率、调差率、分区预期增发功率和停电支路恢复价值,对重叠区域内的待恢复对象进行分区调整。最后,在IEEE 118算例系统上进行验证,仿真结果表明所提并行恢复分区划分方法可以加速电网恢复进程,减少停电损失。