负荷预测

随着极端天气频发，温度敏感负荷用电逐年攀升，温度敏感负荷作为虚拟电厂优质的调控资源，亟须分析气象变化对于此类负荷的影响，由于叠加极端高温、大规模寒潮等异常天气的影响，温度敏感负荷波动剧烈，常规分析预测方法难以适应极端气象场景。针对寒潮天气下温度敏感负荷样本数据及预测精度不足的问题，提出寒潮天气小样本条件下的温度敏感负荷日最大负荷预测方法。该方法先采用时序对抗生成网络（TimeGAN）扩充寒潮期间小样本数据，再采用卷积-长短时记忆神经网络（CNN-LSTM）对寒潮期间的日最大负荷进行预测。以国内某省近两年迎峰度冬期间数据进行模型验证，结果表明所提模型优于其他模型的预测结果，在验证集上日最大负荷的预测精度为99.5%。

准确、及时的中长期负荷预测对于制定经济合理的电力分配方案具有十分重要的意义。传统基于统计和人工智能的电力负荷预测算法存在计算效率低、预测准确率不高的问题。文章结合基因表达式编程的思想，提出基于基因表达式编程的中长期电力负荷预测算法。在标准EUNITE数据集上的仿真实验结果表明，文章提出的LFMM-GEP算法在MAE和MAPE以及预测精度上，要优于传统的其他人工智能和统计方法。

为提高较少输入特征下对电网负荷的预测精度，提出一种基于集合经验模态分解(ensemble empirical mode decomposition，EEMD)、改进鲸鱼优化算法(improve whale optimization algorithm，IWOA)和时域卷积网络(temporal convolutional network，TCN)相结合的电网负荷预测方法。首先，使用EEMD对原始序列进行分解，得到具有较高细粒度的负荷分量序列；其次，采取相关性分析对分量进行融合，对融合后的分量序列分别建立TCN预测模型；然后，使用IWOA对TCN内部的超参数进行优化，提升模型训练速度和预测性能；最后，将各分量序列的预测值进行累计，输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。

现货市场组织阶段现货市场组织可分为市场准备和市场出清两个环节。市场准备环节主要开展负荷预测、非市场化中长期曲线分解(优先发电量分解)、市场申报、开市前信息发布等工作。市场出清环节主要指日前现货市场出清和日内实时市场出清。

为解决光储型电热协同系统（electric-thermal system, ETS）协作参与电网削峰填谷问题，并减小负荷预测误差和新能源波动对调节效果的影响，提出一种多代理削峰填谷策略。该策略依托由配网代理、区域代理、ETS/光伏发电（PV）代理和执行单元构成的多代理系统实施，包含集中式能量优化和分布式能量管理环节。在集中式能量优化过程中，配网代理可通过求解以自身运行成本最小为优化目标的模型预测控制（model predictive control，MPC）优化模型，为区域代理及其内部的光伏系统提供日内有功功率上限计划。分布式能量管理过程中，区域代理和ETS/PV代理基于多智能体一致性算法获取供暖设备的有功功率修正值，从而减小实际区域代理有功功率与其计划值间的偏差。仿真结果表明：该策略可使系统协同参与削峰填谷且结果更精确。

现有合同电量分解方法大多没有考虑风电不确定性的影响及未与发电计划协同优化，导致到期合同电量往往未能够得到充分执行。提出一种考虑风电不确定性和检修计划影响的短期合同电量协同分解优化新模型及算法，使得到期时合同电量能够公平合理地充分执行。首先，以发电成本、合同偏差成本及风电品质风险成本最小为目标，构建短期合同电量分解到天的优化模型及算法，得到每天预计完成的合同电量。然后，基于日前及日内短期及超短期负荷及风功率预测信息，分别构建考虑合同完成度的日前鲁棒发电计划及日内重调度优化模型及算法，在保证对负荷尽可能供电及系统安全约束满足的前提下，实现风功率充分消纳及每日合同电量的充分执行。在此基础上，对每日未完成的合同电量，通过后续日合同电量的滚动修正进一步加以实现，从而保证到期时短期合同电量能够得到充分执行。算例证实了该模型及算法的可行性和先进性。

针对长短期记忆(long short term memory, LSTM)神经网络存在短期负荷预测精度低和稳定性差的问题，提出一种基于多策略改进金豺(improved golden jackal optimization, IGJO)算法优化LSTM的短期电力负荷预测模型。首先融合凸透镜成像反向学习策略，探索更好的初始解位置；引入Sigmoid函数改变逃逸能量，平衡探索和开发阶段；融合鲸鱼优化算法的螺旋包围机制，增强探索能力，提高收敛精度。然后，引入LSTM神经网络，利用IGJO算法优化LSTM的超参数，并建立IGJO-LSTM短期电力负荷预测模型。最后，使用河南某地区的实际电力负荷数据验证IGJO-LSTM短期负荷预测模型。实验结果表明，所提预测模型在工作日和周末不同时刻的电力系统短期负荷预测结果与实际负荷较接近。相比于传统预测方法，所提预测模型具有更高的精确度和稳定性，并具有一定的实际应用潜力。

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测，可使电网企业掌握不同用户或区域的电力需求，以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为，采用传统方法难以进行统一建模并实现快速准确预测。为此，构建了一种基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先，采用DTW K-medoids法进行用户负荷数据聚类，利用动态时间弯曲（dynamic time warping，DTW）计算数据间的距离，取代K-medoids算法中传统的欧氏距离度量方式，以改善多用户负荷聚类的效果；在此基础上，为充分表征负荷历史数据的长短期时序依赖特征，建立了一种基于变分模态分解（variational mode decomposition，VMD）-多分支神经网络模型的并行预测方法，用于多用户短期负荷预测；最后，使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验，结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低，表明该方法可有效表征多类用户的用电行为，提升多用户负荷预测效率和精度。

针对山地城市电动汽车充电站的规划需求，研究了山地城市道路特性，改进了充电负荷预测与充电站规划方法，主要包括：研究了山地城市道路空间特性，建立了电动汽车单车耗电模型；分析了山地城市单车耗电特性对充电负荷时空分布的影响，结合改进Floyd最短路径算法建立了群体充电负荷预测模型；考虑了充电负荷时空分布受充电站选址的影响，提出负荷预测与充电站规划迭代计算方法；以充电负荷时间维度波动更小与空间分布更均衡为目标，提出了新型山地城市充电站规划方法。通过遗传算法Matlab仿真求解表明，上述建模方法能够实现对山地城市充电站的更合理规划：一方面，显著降低电动汽车充电负荷波动；另一方面，使得各站充电负荷更加均衡。

为了实现兼具模型个性化和隐私保护个性化的电力负荷预测方案，文章提出了基于差分隐私的个性化联邦电力负荷预测方案。方案基于数据的缺失情况和时序特征进行集群式训练，得到适用于局部数据的本地个性化模型。在此基础上提出了个性化差分隐私保护方案，根据客户端到当前集群中心的距离调整隐私预算的分配，确保数据安全并实现客户端级别的隐私保护个性化。实验表明，算法在保证数据安全的同时，能训练得到效用较好的个性化模型。