摘要:基于负荷准线的需求响应（DR）具有规模化推广、常态化实施等优势，是挖掘需求侧灵活调节潜力的良好手段。但是，当前研究对负荷准线的制定尚未考虑网络拓扑关系以及用户在DR中的响应不确定性，对用户精准引导有所不足，大规模开展时可能引起线路潮流越限等问题。为此，提出为各节点发布负荷准线的方式，引导大规模可调负荷参与DR。首先，提出了节点负荷准线的概念，并给出了鲁棒安全的节点负荷准线的数学定义，以反映节点负荷准线作为各节点引导目标对避免大规模DR下潮流越限的意义。其次，从局部、整体两方面构建可调负荷响应偏差的不确定集，并在此基础上提出了鲁棒安全的节点负荷准线计算模型。再次，给出了基于节点负荷准线的DR实施方案。最后，算例分析表明，所提节点负荷准线对于约定DR响应范围内的任意实际响应结果均能够保证经济最优下的所有线路潮流不越限。

摘要:电力市场化改革背景下，供电公司的用电采集系统不对主动配电网运营商开放，同时，未来终端用户更倾向于将用户信息保存在本地以保护自己的隐私，主动配电网运营商需要在无读表权的条件下开展负荷预测等电力业务。为此，选择天气和时间因素作为负荷的关联因素，提出一种面向行业用户读表数据保护的联邦学习负荷预测框架。在此基础上，构建了行业用户数据集，基于长短期时间序列网络（LSTNet）建立负荷预测模型，同时利用FedML框架建立基于联邦学习的分行业负荷预测框架。算例分析表明，所述方法能使同行业的用户在不共享负荷数据的前提下进行联邦训练，在保护用户用电隐私的前提下支撑主动配电网运营商相关业务开展，具有较优的预测性能、较少的模型数量和较短的耗时。

摘要:针对海量用户负荷预测场景下，应用单任务用户负荷预测法所导致的运行效率低以及无法学习相关任务间关联关系等问题，提出一种基于多维融合特征和卷积神经网络的多任务用户短期负荷预测方法。首先，基于聚类技术实现多任务学习中相关任务的选择;其次，为每一类用户群构建多维融合输入，合理有序容纳多个任务的特征，避免维度爆炸和信息混乱;最后，分别为每一类用户建立以卷积神经网络为共享层的多任务预测模型，学习共享特征，并行输出相应类中全部用户的负荷预测值。基于爱尔兰能源监管委员会提供的智能电表实测数据进行算例分析，结果表明，该方法在提高整体运行效率和平均预测精度方面均取得良好成效。

摘要:非侵入式负荷监测(NILM)可实现设备级用电数据的自动监测，是数字电网建设中传感量测环节的重要技术之一。文中对事件检测类NILM算法的研究成果进行了综述。首先，对事件检测类NILM算法进行界定，对其与组合优化类NILM算法的技术差异进行对比分析；接着，对事件检测类NILM算法的流程及一般方法进行了整理和分类评述；然后，按照事件检测类NILM算法流程的顺序，分别从事件检测、特征提取、设备辨识3个角度对提升事件检测类NILM算法性能的关键技术进行梳理；最后，对事件检测类NILM算法常用性能评估指标进行总结，并对事件检测类NILM算法的未来研究方向进行展望。

摘要:能源互联网技术推动了电力产消用户的规模化发展，产消者资源的优化运行与电力市场运营成为改善综合能效和投资收益的重要议题。产消用户的电力负荷精细化预测不但有益于提升分布式资源有限的容量价值，而且还能在售电侧市场全面放开时规避运营风险。首先，综述了产消者电力负荷预测技术及应用场景，提出了事件数据的含义并讨论了事件数据稀疏性带来的行为模式切变对于典型时序预测模型产生的极端预测误差问题。为避免解耦分析多元影响因素下的不确定性，构建了基于预测历史数据置信加权的短时预测修正模型，并分析了修正模型对于极限误差的收敛作用和经济性提升成效。最后，基于真实校园微电网工程运行数据验证了所提方法的有效性。

摘要:蓄热式电锅炉是参与电网调节的优质可控负荷，但由于其传热过程存在不一致性，现有模型误差较大，不能精确评估电锅炉负荷的调节能力。针对上述问题，基于热平衡原理,提出了考虑传热不一致的固体蓄热式电锅炉负荷模型。首先，分析了固体蓄热式电锅炉的典型结构、工作模式和热平衡关系；其次，基于热平衡原理建立蓄热式电锅炉负荷模型，并分析传热不一致性带来的影响；最后，考虑传热不一致性，引入一致性系数对所提模型进行修正，并利用最小二乘法进行参数优化。仿真对比结果表明，所提蓄热式电锅炉负荷模型的炉温误差和升、降温时长误差明显低于热平衡模型和ANSYS仿真模型，可为准确评估电锅炉负荷的调节能力提供技术支撑。

摘要:使用机器学习模型和方法进行短期负荷预测，虽能提升负荷预测的整体精度，但在极端天气、节假日等小样本预测场景中，对比基于专家经验的人工预测无明显优势。为充分结合预测业务人员的经验知识与机器学习的推理泛化能力，提出了一种基于贝叶斯时变系数（BTVC）与CatBoost模型的可解释负荷预测框架。首先，结合数据与专家知识，构建BTVC模型进行预测，获得各影响因子、趋势及周期因素的负荷分量。其次，将上述结果与常规特征进行组合，作为CatBoost回归模型的输入，进行最终预测。然后，使用事后模型解释框架（SHAP）进行归因分析，框架输出的定量关系可供负荷预测业务人员参考，使其开发出更有效的特征，进一步提高预测效果。最后，以某地区实际电网负荷数据为例，验证所提负荷预测与结果分析框架的有效性。

摘要:为充分利用Ⅰ类元胞负荷之间的空间影响性，提高空间负荷预测精度，提出了一种基于时空图卷积网络的短期空间负荷预测方法。首先，将各Ⅰ类元胞视为节点，各Ⅰ类元胞的历史负荷作为节点的特征信息，各Ⅰ类元胞之间的电网拓扑结构作为边，构建一个空间负荷时空信息图。然后，根据空间负荷时空信息图中的拓扑结构和距离信息，采用阈值高斯核方法确定时空图卷积网络的邻接矩阵。最后，将空间负荷时空信息图采用时空图卷积网络进行训练，得到空间负荷预测模型，以中国某市某一区域的数据为例，与现有方法进行对比，验证了所提方法的有效性。

摘要:随着电力市场改革的推进和分布式能源在用户端的大规模发展，基于产消者端对端(P2P)的电能交易逐渐成为促进分布式能源消纳的重要解决方案。为解决产消者多阶段P2P电能交易中互动行为的强不确定性、状态转移概率不明晰等问题，提出了一种考虑Markov决策过程的产消者P2P电能交易非合作博弈模型。首先，引入可将用户行为聚合的Markov决策过程，解决了产消者由阶段性交易决策随机性导致的用电行为不确定性问题。其次，针对产消者在P2P电能交易市场中相互竞争的角色地位，建立了考虑Markov决策过程的非合作博弈模型，以产消者收益最大化为目标，结合需求响应计算P2P交易的最优电价。再次，在证明非合作博弈Nash均衡解存在的基础上，采用Nikaido-Isoda函数将博弈问题等效转化为全局最优问题，并采用分布式算法进行求解，获取最优Nash均衡解，保障产消者最大收益。最后，通过算例证明了所提方法的有效性与可行性。

摘要:为了加快节能减排的建设和加强需求侧的用电管理，非侵入式负荷监测凭借其易实施性和可靠性等特点已成为研究热点，但目前的研究存在着低频数据负荷识别精度低、高频数据特征提取复杂及网络泛化性能差等问题。因此，提出基于ResNeXt网络和迁移学习的非侵入式负荷监测，采用一维时间序列总功率通过格拉姆角场(GAF)算法转换为带有时间特性的二维图像作为输入，放入迁移学习下ResNeXt网络进行负荷识别。该方法采用现有电表采集的低频数据作为输入，减少数据输入维度并加入了时间特性，再将输入图像进行标准化处理后通过堆叠深层次的残差神经网络来学习负荷深层次信息，利用迁移学习将在ImageNet-1K数据集下已训练好的网络模型参数传入新的目标域，加快网络的收敛速度，提高负荷分类的识别准确率和网络的泛化性。最后，利用公开数据集AMPds和UK-DALE模拟不同用电场景验证了所提方法的高效性和泛化性。

摘要:新型电力系统下，能源消费模式逐渐多样化，用户用电行为特征更加多元与复杂，增加了电力系统负荷精准预测的难度。聚焦新型电力系统环境下的多元用户侧的柔性负荷资源，总结并分析了现有的多元用户的用电特征建模技术和用电负荷预测技术。首先，从多源数据采集与预处理、用电特征提取、用户群体分类、关联因素分析4个环节对多元用户的用电特征建模技术进行归纳分析，总结了技术发展现状及存在问题。其次，分析了考虑需求响应的用电负荷预测发展趋势，并从多元用户侧的荷性可调资源和源性负荷资源两个方面对用电负荷预测技术进行了归纳分析，总结了多种类型用电负荷预测的研究思路。最后，讨论了新型电力系统下多元用户用电特征建模与用电负荷预测研究所面临的挑战，并结合新型电力系统和人工智能方法的特点，给出了参考性的建议与展望。

摘要: