基于小波变换和神经网络的短期风电功率预测方法

为了降低电网调度的操作复杂性,同时提升风电功率的预测精度,本文主要分析影响风电功率预测方法的因素,包括风向、风速以及环境温度等方面,同时经过对比研究,小波变换和神经网络的短期风电功率预测方法能够提升预测精度.     

风电功率爬坡的有限度控制策略研究综述

风电功率爬坡是风电功率波动中最严重的情况,对电网冲击巨大。给出了风电功率爬坡的典型定义,分析了功率爬坡特性,分别介绍了当前3种功率爬坡的有限度控制策略:有限度控制框架和基于优先级的功率爬坡控制策略;基于竞争博弈的风电爬坡协同控制策略;基于预测-在线优化-反馈的有限度控制策略。文章总结了这3种有限度控制策略的优点与不足。     

基于遗传算法优化BP神经网络的风电功率预测

随着大量风电开始并入电网,风电场输出功率预测对接入大量风电的电力系统的运行有重要意义。针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度不高等问题,提出利用遗传算法对神经网络的拓扑结构和网络权值进行优化,并将其应用于风电场功率预测,研究表明预测精度有一定程度的提高。     

基于PSO-WaveNet的短期风电功率预测

为了应对风电大规模并网给电力系统带来的严峻挑战,同时提高风力发电的市场竞争力,需要对短期风电功率进行准确预测.文中将小波分析和粒子群优化理论引入神经网络——PSO-WaveNet算法.该算法构建了稳定的风电功率预测网络模型,同时利用灰色关联算法确定网络的输入参量.弥补了神经网络容易陷入局部最优值的缺陷,实验结果表明用算法进行风电功率预测提高了预测精度,验证了该混合算法的可行性.     

风电功率波动特性的分析

随着化石能源约束的日趋严苛,风能开发已然成为一种趋势。由于风的不确定性、间歇性以及风电场内各机组间尾流的影响,使得风力发电机不能像常规发电机组那样根据对电能的需求来确定发电。风电功率的随机波动被认为是对电网带来不利影响的主要因素。研究风电功率的波动特性尤为重要。本文基于某电厂的20台风电机30天内的风电功率实测数据,通过对图形及参数的研究,得到最优的概率分布模型为分布,并针对结果用拟合指标作出了检验。最后利用小波神经网络对功率做有效的预测分析。     

移动通信网络中基于集成学习的用户体验质量预测方法

用户体验质量预测是移动通信网络维护与优化中的关键问题之一。鉴于深度学习在数据挖掘和数据分析上的强大能力,本文设计了一种用于用户体验质量预测的深度神经网络,以挖掘各种关键绩效指标与用户体验质量间的关联性。同时,在此基础上,利用堆叠集成学习与快照集成学习进一步提高了深度神经网络的预测性能。实验结果表明,本文提出的基于深度神经网络与集成学习的用户体验质量预测方法的性能超过了传统机器学习与集成学习算法的性能。     

基于1DCNN-DACLSTM模型的风电超短期功率预测方法

风电超短期功率预测是电网运行态势感知的重要基础。针对风电随机波动性将给电网带来高动态扰动的问题,利用同步相量测量装置（PMU）的高频采样能力,提出一种融合一维卷积（1DCNN）和双重注意力卷积长短时记忆网络（DACLSTM）模型的风电超短期功率预测方法。首先,基于具有高精度高密集采样的PMU装置对风电超短期功率进行实时量测。然后,利用1DCNN在特征提取和时间卷积减少计算复杂度方面的优势,充分挖掘由PMU采样得到的风电功率及相关因素量测数据关键特征,进而结合DACLSTM模型自主分析风电功率数据与输入特征间的关联关系,实现基于1DCNN-DACLSTM组合模型的风电超短期功率高动态变化趋势预测。最后以已配置PMU的某实际风电场为例,验证所提方法的可行性和有效性。     

短期风电功率预测模型研究综述

短期风电功率预测对于电力系统调度运行和电能质量具有重要的意义。而预测性能提高的关键在于预测模型选择和模型优化。本文对目前国内外几种主流风电场功率预测模型(物理预测模型、统计预测模型和组合预测模型)的建模原理和研究现状进行了综述性分析,对每种模型的优缺点和适用性进行了一些总结。并对风电功率预测模型的误差分析和预测的不确定性研究做了探讨,最后对短期风电功率预测领域的研究前景提出了一些可行性的展望。     

灰色模型预测风电功率

本文旨在提出风电功率预测的一种可行方法。尝试运用了灰色系统预测GM(1,1)模型对未来672个时间点的风电功率进行了预测(事先规定一个时间点为15分钟,下同)。通过软件仿真得到预测结果,并采用日准确率、日合格率等四个指标对预测结果进行了评估。     

智能电网风电功率预测分析

智能电网建设是未来国内外电力系统投资和建设的主要目标,智能电网需要大量的可再生资源新电源,风能是最有发展前景的新能源技术之一,高精度的风电功率预测能够提高电力系统的经济效能。针对风电功率预测的不同模型,详细介绍了风电功率预测的分类及预测方法,分析了风电功率预测中存在的问题,对于未来风电功率预测系统的建设有很好的指向性作用。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

基于DBN-Softmax的电力通信网络带宽预测

随着电力通信网的变化,电力通信网承载业务数据呈指数级增长,对电力通信网的处理能力提出了更高要求。为保障通信网的服务质量,针对目前网络带宽分配不合理现象,提出基于深度置信的电力通信网带宽预测算法,该算法通过由限制玻尔兹曼机构成的深度置信网络获取能够完美表达网络带宽的特征,实现对电力通信网规划阶段带宽的合理预测。实验结果表明,与传统神经网络算法相比,所提算法在预测精度和稳健性方面更具有优势,可以提高电力通信网的承载能力,为电力系统的安全稳定运行提供有力的保障。     

基于LSTM循环神经网络算法的风电预测技术

风力发电的随机性和不可控性,给发电控制环节造成控制负担,利用不同高度的风速、风向等气候因素对风力发电数据进行准确预测,有利于制定合理的调度计划.本文使用LSTM循环神经网络算法,实现了单变量预测未来一个时间点、多变量预测未来一个时间点的风电预测实例验证,实验结果发现算法在两种情况下均保持着高的预测精度.且由于单变量和多...     

Image quality assessment based on self-supervised learning and knowledge distillation

Deep neural networks have achieved great success in a wide range of machine learning tasks due to their excellent ability to learn rich semantic features from high-dimensional data. Deeper networks have been successful in the field of image quality assessment to improve the performance of image quality assessment models. The success of deep neural networks majorly comes along with both big models with hundreds of millions of parameters and the availability of numerous annotated datasets. However, the lack of large-scale labeled data leads to the problems of over-fitting and poor generalization of deep learning models. Besides, these models are huge in size, demanding heavy computation power and failing to be deployed on edge devices. To deal with the challenge, we propose an image quality assessment based on self-supervised learning and knowledge distillation. First, the self-supervised learning of soft target prediction given by the teacher network is carried out, and then the student network is jointly trained to use soft target and label on knowledge distillation. Experiments on five benchmark databases show that the proposed method is superior to the teacher network and even outperform the state-of-the-art strategies. Furthermore, the scale of our model is much smaller than the teacher model and can be deployed in edge devices for smooth inference.     

基于改进型BP算法的电网负荷预测研究

电网负荷预测问题非常复杂，由于其本身受到众多变数的影响，在实际预测时，常规方法一般比较困难。现提出了基于人工神经网络的电网负荷预测模型，并针对BP神经网络结构和算法的某些不足提出了改进措施，为电力系统电网负荷的有效预测提供了新的方法。     

主被动结合的储能电站分布式能源孤岛检测方法

为了提高储能电站分布式能源输出控制能力,需要进行储能电站分布式能源孤岛检测,提出基于主被动结合的储能电站分布式能源孤岛检测方法。首先分析储能电站的实时负荷优化分配模型,采用配电增益调度的方法,进行储能电站的实时负荷预测,利用储能电站的能量负载实时调度的方法进行输出转换控制。然后根据储能电站群的总负荷进行储能电站分布式能源信息评估,采用主被动结合的方法进行储能电站分布式均衡控制,最后通过电站三层负荷开销进行输出负载调节,实现储能电站分布式调节和总发电负荷指令控制,实现储能电站分布式能源孤岛检测。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。