[00392692]多因素融合的电力负荷特性分析与预测关键技术及工程应用

项目所属科学技术领域：该项目属于参数估计学科，所属国民经济行业为电力供应。 立项背景：准确可靠的电力负荷特性分析与预测是电力能源管理系统的重要组成部分，为电力系统规划和安全运行提供可靠的决策依据。中国智能电网快速发展，各级变电站的SCADA获取了大量的负荷数据，随着时间的积累，数据量越来越大，结构也更加复杂。现场的电磁干扰、负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。 主要技术内容及创新点：综合考虑历史负荷数据复杂性及地区性气象因素的影响，提出了多因素融合的电力负荷特性分析与预测方法并在实际电网中应用。解决了制约算法实施的关键问题，提高了负荷预测的速度和精度。发表学术论文30余篇，其中SCI和EI收录20余篇；获得专利2项。 主要技术创新点包括： 1、提出了基于模糊逻辑协方差匹配优化的两步卡尔曼滤波和双变量小波阈值去噪方法，对变电站SCADA获取的负荷数据去除噪声干扰。两步卡尔曼滤波提高了滤波器的精度和速度；双变量小波阈值去噪方法中引入两个调节因子，在小波变换过程中自适应切换，在保留传统软、硬阈值函数优点的同时弥补了处理小波系数的不足，灵活方便，去噪效果更好。 2、证明了智能电网负荷具有混沌特性，建立了改进的电力负荷混沌预测模型。采用微分熵法同时确定嵌入维数和延迟时间，解决了相空间重构的参数估计问题，提高了混沌预测速度和精度；引入夹角参数解决了邻近值选取困难问题。 3、考虑电力负荷数据复杂性和地区气象因素对电力负荷预测的影响，提出了基于主元分析(PCA)的多参数降维和综合特征指标提取方法，融合改进的神经网络进行负荷预测。广义回归神经网络(GRNN)在逼近能力、分类能力和学习速度方面具有较强优势；萤火虫算法优化的BP神经网络(FABP)通过缩小网络权值和阈值的分布范围提高了网络的收敛速度和抗干扰能力；基于Levenberg-Marquardt优化的BP神经网络(LMBP)通过最速梯度下降法和牛顿法之间的自适应调整优化了网络权值。 技术经济指标：对国内外公开的标准负荷数据进行分析和预测，用平均相对误差(MRE)、平均均方根误差(MSE)等指标评估，预测误差小于1％，与改进前预测方法相比，精度提高了3到5倍；对国网冀北电力有限公司唐山供电公司SCADA数据进行负荷分析及预测，为电力能源分配、电网新建和切改规划提供了可靠的决策依据，取得了良好经济效益。 应用推广及效益情况：近年来唐山经济发展较快，电网新建和切改频繁。通过该成果的预测分析，针对负荷增长较快的丰南、滦县、玉田、曹妃甸等地区新建和改扩建变电站和输电线路，三年累计新投110千伏变电站9座，新建和切改110千伏线路16条，使网架得到优化，提升了供电能力，3年新增售电收入2119.23万元。同时，通过对170条线路的电力负荷预测，制定了合理的电网运行方式，有效提升了潮流分布的经济均衡性。