基于混合分解技术的鲁棒极限学习机的风速预测

提出一种基于混合分解技术的改进鲁棒极限学习机的风速预测模型。混合分解技术的特殊性在于采用变分模态分解,把互补集合经验模式分解所产生的高频固有模态函数进一步分解为多个模态分量,以提高短期风速预测的精度。然后对混合分解技术分解得到的全部风速分量分别建立鲁棒极限学习机模型进行预测,并采用一种改进鲸鱼优化算法对鲁棒极限学习机的参数进行微调。最后,根据西班牙某-风电场实际风速数据进行风速多步短期预测。实验结果表明:基于混合分解技术和改进鲸鱼优化算法优化鲁棒极限学习机的组合预测模型在风速预测.中取得较好的预测效果。     

基于二层分解技术的短期负荷预测研究

钢铁用户的增多会使地区含有大量的冲击负荷,传统的预测方法难以捕捉该地区的负荷变化规律,预测精度不足。为提高含大量负荷地区的负荷预测的精度和泛化性,提出一种基于可变模式分解与奇异谱分析相结合的二层分解技术(VMD-SSA)和改进鲸鱼算法(IWOA)优化极限学习机(ELM)的短期负荷预测模型。通过实例证明,相比于其它模型,所提混合模型能充分掌握负荷的变化规律,有效提高了含大量负荷地区的负荷预测的精度和泛化能力。     

基于奇异谱分析和极限学习机的风速多步预测

风速预测对风力发电系统具有重要的影响，为获得更高精度的风速预测结果，针对多步风速预测，成功开发了一种基于奇异谱分析和优化极限学习机的新型预测模型。首先，采用奇异谱分析将风速时间序列分解为一组相对平稳的分量，以降低风速序列的随机性对预测结果的影响；然后，对分解得到的分量分别建立极限学习机预测模型，为进一步提高预测性能，将1种新颖的活性竞争萤火虫算法用于优化极限学习机的输入权值和隐含层偏置；最后，叠加全部分量的预测值得到实际预测结果。仿真结果表明，基于奇异谱分析和活性竞争萤火虫算法优化极限学习机的模型在1步到3步风速预测中实现了较高精度的预测结果。     

基于EWT-FIG和ORELM模型的风速多步区间预测

针对风速预测具有较强的不确定性,提出了一种经验小波变换一模糊信息粒化和变异鲁棒极限学习机组成的短期风速区间预测模型。该模型采用经验小波变换将原始风速分解为若千个模态分量和一个剩余量,并对所有分量进行重构,为了缩小预测区间范围,仅对重构后的剩余量进行模糊粒化,根据需求提取每个窗口的最大值、平均值和最小值,然后对极限学习机进行优化,最后对所有分量建立离群鲁棒极限学习机预测模型,叠加预测值实现风速多步区间预测。实际算例表明:所提多步区间预测方法能有效跟踪风速变化,具有较高的预测精度和可靠的区间预测效果。     

基于改进模糊聚类法和CPSO.-ISSVM的母线负荷预测

针对大型冶金企业专用母线负荷种类多、分布不均、规律性弱等特点,利用自组织特征映射神经网络(self-organizing feature map, SOM)对模糊聚类法进行改进,以选择待预测日的相似日,通过db4小波对相似日负荷数据进行分解、去噪和重构处理后作为后期预测模型的训练样本;采用混沌粒子群算法(chaos particle swarm optimization,CPSO)对最小二乘支持向量机(least square support vector machine, LSSVM)算法的惩罚参数和核函数覆盖宽度进行优化,构造了基于CPSO和LSSVM的母线负荷预测模型。仿真结果表明:该负荷预测模型,将预测结果的相对误差降低到1.998%,预测精度达到了97%,提高了专用母线负荷预测准确性。     

基于小波包和改进纵横交叉法的风电预测模型

针对风电出力的随机性、季节性和波动性及一般方法预测精度不高的问题,采用改进纵横交叉(improved crisscross optimization, ICSO)算法,建立了一种基于小波包变换与改进纵横交叉算法优化Elman神经网络的风电预测模型。仿真结果表明:改进的纵横交叉算法不但克服了一般算法早熟收敛的缺陷,有效提高神经网络的泛化能力和预测精度,而且表现出良好的稳定性,适用于风电的预测。     

提高地区电网负荷预测准确率的探讨

随着电网精细化管理的不断深入,对网、厂协调机制的管理水平要求更高,电网负荷预测工作对电网企业整体管理水平的影响将不可忽视。通过对中卫供电局预测管理方法的分析,提出提高地区负荷预测准确率的技术措施和管理措施。分析结果表明:严格技术和管理标准,建立负荷预测模型,并密切跟踪结果,定期作出评价和策略调整,是提高地区电网负荷准确率的行之有效的方法。     

基于IBES-XGBoost的高速铁路沿线风速预测模型

为保证高速铁路沿线风灾预警信息具有较高时效性，需要进行高速铁路沿线超短期风速的提前多步预测。针对众多预测模型在预测中可能存在较大误差的问题，采用Tent混沌映射和BFGS拟牛顿法对秃鹰搜索算法进行改进，并用改进的秃鹰搜索算法(IBES)对XGBoost的初始参数进行优化。在构建IBES-XGBoost模型时，加入风速以外的其他气象特征，以提高预测精度。实验结果表明：(1)改进的秃鹰算法相比其他智能优化算法有更好的寻优能力，与其他模型相比IBES-XGBoost在超短期风速的提前多步预测上有着较高的精度和较好的拟合效果。(2)Tent混沌映射和BFGS拟牛顿法对秃鹰算法有着较好的改进效果。(3)IBES-XGBoost能为高速铁路规范下的大风预警提供可靠的提前多步预测结果。     

基于混合改变惯性因子PSO-BP的短期电力负荷预测

针对短期电力负荷预测的精度和网络的收敛问题,通过分析BP、PSO固有缺点,采用周期改变惯性因子(PCW )和动态改变惯性因子(DCW)的双策略,同时对传统的流程增加了额外BP局部寻优,编制了基于MATLAB的混合改变惯性因子PSO-BP神经网络算法(PDPSO-BP),并对广东某城市短期负荷进行预测。结果表明,PDPSO-BP有效地改善了BP的泛化能力,PSO的搜索能力,整体加快了网络的收敛速度,提高了预测的精度,保持误差在3%以下,具有良好的预测效果,满足负荷预测的要求。     

基于最优正则极限学习机的变压器故障诊断

针对基于极限学习机的变压器故障诊断模型隐含层神经元个数较多时,存在过拟合、稳定性差以及精确度不高的问题,提出了一种最优正则极限学习机的变压器故障诊断方法。方法收集了变压器油中溶解气体作为故障指标,将采集的数据集合随机分成训练集、验证集和测试集。首先通过训练集对极限学习机故障诊断模型进行训练;其次,将验证集输入已构建的模型,利用验证集精度与训练精度的差值进行反馈,并引入最优正则系数对模型参数进行惩罚性调整;最后,利用更新后模型对测试集进行故障诊断。通过算例分析与比较可以得出,最优正则系数极限学习机比极限学习机稳定性强,精确度高,并且方法简单,计算速度快,可有效实现变压器故障诊断。     

基于源网荷互动的分布式能源消纳方法

分布式能源发电的不确定性给电网公司消纳新能源带来了极大的挑战，电力物联网全域感知技术为分布式能源消纳提供了有效的数据支撑，故提出了一种基于源网荷互动的分布式能源消纳方法，构建了分布式能源总功率预测方法，采用自回归移动平均算法对新能源发电功率进行预测，并建立分布式能源发电波动影响因子，分析新能源发电波动对电网带来的影响。根据源网荷的互动情况，采用离群点自趋优算法，实现新能源机组有功功率精准控制，有效推动分布式能源的消纳。仿真验证表明：采用离群点自趋优的新能源机组控制算法能根据电网运行情况，自动调控分布式能源、电网资源，实现分布式能源最大化消纳，有效提高了园区分布式能源的经济运行水平。     

太阳山换流站背景谐波的测量与计算

为了满足太阳山换流站滤波器设计对电网背景谐波数据的要求,对2013年宁夏电网与太阳山密切相关的变电站进行全面的背景谐波测试,通过实测谐波数据与网架潮流计算数据的一致性分析,验证了计算方法的可行性和准确性;考虑系统网架变化,将太阳山换流站接入系统,同时考虑新能源、谐波源、网架和负荷的发展,计算得出2016年太阳山换流站750 kV母线谐波电压值,并在此基础上,给出了有一定裕度的推荐值供设计单位采用。     

基于ADPSS的宁夏电网多直流系统机电-电磁混合仿真对比研究

灵绍和昭沂特高压直流输电工程投运后,宁夏电网将成为我国又一高比例风火打捆.外送直流送端电网。为了准确分析交直流间相互作用以及直流受端扰动对送端的影响,在ADPSS软件中建立了宁夏电网多直流系统的机电-电磁混合仿真模型,包括西北电网机电暂态仿真模型和宁夏电网三回直流的详细电磁暂态模型。针对送受端电网不同故障类型,评估了混合仿真和纯机电暂态仿真方法下电网受扰响应行为的差异,研究结论对于电网分析计算和制定安全稳定控制措施时选择适用的工具具有参考意义。     

电力供应系统地震安全性优化控制研究

在深入研究电力供应系统潮流分布特性、发电机出力和成本曲线特性、电力系统地震安全性分析与控制的基础上,将安全约束最优化控制算法运用于电力供应系统地震安全性控制中。通过对算法的网络线性分析模型、发电机出力约束条件、线路潮流约束条件和目标函数的深入研究,得出该算法的实施过程;而后,结合供电系统潮流分析的快速解耦法、安全性分析的灵敏度安全性分析法和本文的安全约束最优化控制算法,编写了相应的Fortran和Matlab计算程序,该程序能在较短的时间内计算出调度控制措施和调度费用;最后,通过一个实际算例的分析与计算,验证了该算法的实用性和优越性。本文工作可为震后供电系统功能快速恢复,减少供电系统经济损失,使系统功能得到最大发挥提供理论分析依据,具有很大的现实意义。     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。     

基于孤立电网的综合故障诊断系统设计与实现

针对孤立电力系统的特点及其在线监测方面存在的问题,基于TCP/IP协议的光纤局域网接口技术,运用C++和汇编语言,依托100/1 000 Mbps以太网通讯技术,采用分层分布式结构,设计了孤立电网综合故障诊断系统。实现孤立电网设备的在线状态监测、电气量动态记录、故障预报、故障分析等功能。结果表明:该系统通过监测系统负荷变化、谐波含量、频率变化,有效解决了孤立电网的监测和电能质量问题,在孤立电网发生故障时,可迅速采取有效措施,减小孤立电网故障对主网的冲击,避免设备损坏,确保了电力系统运行的稳定性。