预测模型

在覆冰条件的气象因素下，输电导线随时间累积形成的覆冰厚度、形状和分布变化，影响着电网系统的安全运行。按预测模型从覆冰生长到导线除冰各阶段存在的关联分析，讨论了各模型的优势差异以及相互存在组合的可能性。覆冰全周期存在着由微观到宏观的变化，影响着导线覆冰的生长进程。预测模型可按全周期组合，首先，对初始数据的降噪可解决数据发散，用主成分分析法的降维可提高预测精度。其次，模型中的支持向量机、混合的群智能优化算法、遗传算法组合等工具乃至交叉方式，都着力于覆冰过程的辨识与建模。再次，将热力融冰技术的负荷交流或涡流自热环应用在除冰阶段，使覆冰监测形成了动态闭环系统。最后，结合分析对输电线路覆冰预测的研究方向做了展望。

9月23日，国网江苏电力有限公司营销服务中心自主研发的分布式光伏发电功率预测模型在宝应县成功试点应用。应用结果表明，模型对单户客户光伏发电功率预测的时间精度达到小时级，准确率可达91.3%。

为了提高光伏发电功率预测精度，根据不同天气类型下光伏输出功率特点，确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm，WPA）缺陷，对狼群游走位置和奔袭步长进行改进，得到改进狼群算法（improved wolf pack algorithm，IWPA），并通过IWPA对最小二乘支持向量机（least squares support vector machine，lSSVM）进行优化，建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真，结果表明：无论是晴天、多云还是阴雨天气，所提方法预测精度更高，回归拟合时的误差波动更小。

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。

近年来，随着碳达峰和碳中和“双碳”战略目标的提出，风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度，提出基于密度聚类与自适应噪声完备集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先，利用密度聚类将风电功率与天气特征分成不同类别的数据集，通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础，将不同的子序列分量与天气特征进行特征选择，输入到卷积神经网络与长短期记忆网络的预测模型。最后，将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择，有效提高了短期风电功率预测的准确度。

“双碳”背景下氢能将在各种领域发挥巨大作用，开展氢需求中长期预测具有重要意义。基于系统动力学方法建立了省级氢需求中长期预测模型。首先将氢能需求分为工业、供热和交通3大领域，考虑各子系统内部因素的相互作用以及经济发展、政策支持等外部因素的影响，分析因果关系，构建系统预测方程；其次设定系统参数，采用最小二乘法方程回归得到方程常数，基于该省发展规划利用灰色模型设定表函数参数，并将模拟结果与历史数据进行对比，结果表明模型误差较小，适用于该省氢需求预测；最后利用所建立的系统动力学模型对该省的氢需求量进行了预测。

针对锅炉燃烧系统的多目标优化，在所建立的锅炉燃烧系统预测模型的基础上，分别采用加权-粒子群算法和多目标粒子群优化(multi-objective particle swarm optimization，MOPSO)算法优化锅炉系统的可调整运行参数，以实现锅炉高效率低NO x 排放。分析表明，2种优化算法所得的运行参数相近，趋势与燃烧特性分析和燃烧调整试验结果相符合，说明智能算法优化电站锅炉燃烧系统有效可行。但是加权-粒子群优化算法主观依赖性严重，难以选取合适的权值，优化时间长且结果少；而MOPSO算法优化时间远远小于加权-粒子群算法优化时间，并且优化结果更多，优化效率更高，更有利于指导锅炉的实际运行。

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。

我国是世界上台风灾害影响最严重的国家。台风灾害影响范围大，破坏力强，据统计 2013年-2015 年期间，台风灾害就导致广东电网输配电线路损失超 7.2 万基，影响用户达 776 万户以上，是沿海输配电线路损失的最主要原因，严重影响电网安全与社会供电。长期以来，电网风灾防控面临着设备风速缺乏有效监测分析、杆塔风灾破坏过程不明确、风灾损失难以量化评估、风灾防控措施不完备和辅助决策缺乏系统级信息集成等问题。台风灾害的精准预警与防控是提高电网应对能力的必要手段。 通过多学科协同创新，系统性解决了电网台风灾害广域监测、精准评估及高效防治等关键技术难题，取得了突破性创新成果，提出了微尺度台风风场精细化分析技术，揭示了复杂微地形区域的风场变化规律，构建了电网台风监测及灾害告警网络，首次将设备风场监测预警精度提升到 10m 量级，解决了有限监测站点无法对输配电线路全覆盖监测的难题，实现了具体到设备的台风灾害风险告警。提出了塔线体系风雨荷载耦合计算模型，建立了架空线路抗风承载能力及结构参数不确定性倒塌分析方法，有效定位输电杆塔薄弱部位和失效概率，发明了输电线路杆塔不停电加固技术，提升了杆塔抗风承载力。建立了配网台风灾害多因子损失预测模型，突破了强台风区域内配网杆塔定量损失评估的难题。发明了配网防风不停电快速打拉线装置及适用于多方向荷载的弃线保杆装置，拉线抢装时间缩短 90%，弃线保杆动作误差小于 5%，大幅减少配网因台风倒断杆事故； 构建了主配网设备台风监测与灾害防治体系，研发了电网台风灾害决策支持系统，实现了台风监测、灾害损失评估和防治辅助决策，有效支撑电网台风应急指挥。 项目获授权专利 31 项（包括美国专利 1 项，发明 16 项，实用新型 14 项），发表论文 60 篇（其中 SCI 24 篇、EI 21 篇、中文核心 11 篇），主编企标 1 项，参编行标 1 项；授权软件著作权 11 项。经专家组鉴定，成果达国际领先水平。

为进一步提升短期风电功率的预测精度，提出了一种基于互补集合经验模态分解-样本熵（complementary ensemble empirical mode decomposition-sample entropy，CEEMD-SE）的卷积神经网络（convolutional neural network，CNN）和长短期记忆-门控循环单元（long short term memory-gated recurrent unit，LSTM-GRU）的短期风电功率预测模型。首先，利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数（intrinsic mode function，IMF）分量和一个残差（residual，RES）分量，利用样本熵算法将相近的分量进行重构；其次，搭建卷积神经网络和长短期记忆网络的并行网络结构，提取数据的局部特征和时序特征，并将特征融合后输入门控循环单元网络中进行学习预测；最后，通过算例进行验证，结果表明采用该模型后预测精度得到了有效提升，其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。