神经网络并行进化设计及其在短期电力负荷预测中的应用

针对神经网络模型进化设计问题的特点 ,提出了改进的并行遗传算法 (IPGA) ,并分析其全局收敛性与应用策略。应用此方法于短期电力负荷预测系统中 ,取得了更高的预测精度。该方法设计简单通用、模型性能评价全面合理、全局优化能力强。实际应用表明该方法是有效的 ,具有应用推广价值。     

基于RS485和工业环网的电力监控管理系统

介绍一种基于RS485通讯协议和工业以太网的煤矿电力监控管理系统的设计与应用,给出了该系统的结构组成,详细介绍了该系统的功能和特点。实际应用表明,该系统能够实现煤矿井下变电所的无人值守,提高管理人员对供电运行的管理水平,保障了井下安全可靠供电,从而提高整体矿井的安全生产管理水平。     

基于变分模态分解和FABP的短期电力负荷预测

针对电力负荷序列非线性、随机性等特点引起的电力负荷预测精度下降等问题,提出了一种基于变分模态分解(VMD)和萤火虫算法优化BP神经网络(FABP)的短期负荷预测方法。利用VMD将原始电力负荷序列分解为若干个子序列,能够降低原始数据的复杂度和不稳定性同时克服模态混叠;萤火虫算法优化传统BP神经网络模型,能够克服其极易陷入局部最小的缺陷。最后通过样本熵(SE)对各子序列进行重组得到两个新分量,将其分别输入神经网络模型进行预测并叠加预测结果,实现短期负荷预测。应用于实例,结果表明,该方法能有效提高预测精度。     

基于Transformer模型的电力负荷预测

根据已知的历史用电需求来预测未来的用电需求是电网稳定且经济运行的重要一环。针对现有电力负荷预测方法存在无法准确长期预测的问题，提出一种新的基于Transformer模型的电力负荷预测模型。该方法在循环神经网络可以捕捉用电负荷短期依赖的基础上，通过编码器-解码器结构很好地捕捉了电力负荷的长期依赖特征；通过建立电力负荷数据集，训练得到了具备精准预测能力的Transformer模型。实验结果表明，Transformer模型具有较高的预测精度，随着预测时间巨幅增加，预测误差只出现了微小累积，该模型较好地预测了电力负荷可能出现的波动，且无时滞效应。     

基于EEMD和PSO-LSSVM模型的短期电力负荷预测

短期电力负荷预测是电力系统规划、运行、维护的基础。精确的负荷预测对电网的运行和供电调度提供了可靠的指导。为了提高负荷预测的精度,提出了一种基于集总经验模态EEMD和粒子群算法优化下的最小二乘支持向量机(PSO-LSSVM)模型方法。该方法先利用EEMD将数据分解成不同尺度的模态固有分量IMF分量和剩余分量,将分解的分量在PSO-LSSVM模型下对负荷数据进行预测。通过引进粒子群算法下的LSSVM模型与b P神经网络模型法进行仿真分析比对表明,优化下的LSSVM预测方法比b P神经网络方法在绝对误差、相对误差以及均方根误差都有提升。     

面向智能物联的动态负荷预测量子进化方法

物联网与智能制造的结合导致大量制造数据的产生,为了实现基于大数据的智能制造电力负荷预测,提出并实现了一种智能物联云计算平台,实现用户与智能物联网之间双向通信控制的快速响应。提出一种基于改进外加输入的自回归滑动平均模型的短期动态负荷预测模型,结合平台中的智能传感设备和历史负荷、天气变化等综合数据,作为预测模型的外部输入变量,并利用改进的实数编码量子进化算法对预测模型进行参数估计以提高动态负荷预测的准确性。利用智能制造企业的实际负荷数据,采用所提方法进行预测并与实际负荷数据及传统方法的预测结果进行比较,实验结果表明,所提方案和算法能够有效提高智能制造过程中短期动态负荷预测的精度,同时通过并行化计算提升负荷预测的速度。     

基于改进深度稀疏自编码器及FOA-ELM的电力负荷预测

智能电网的发展使得电网获取的数据逐渐增多,为了从多维大数据中获取有用信息并对短期内电力负荷进行准确的预测,提出了一种基于改进的深度稀疏自编码器(IDSAE)降维及果蝇优化算法(FOA)优化极限学习机(ELM)的短期电力负荷预测方法。将L1正则化加入到深度稀疏自编码器(DSAE)中能够诱导出更好的稀疏性,用IDSAE对影响电力负荷预测精度的高维数据进行特征降维,消除了指标间的多重共线性,实现高维数据向低维空间的压缩编码。采用FOA优化算法优化ELM的权值和阈值,得到最优值,能够克服因极限学习机随机选择权值和阈值导致预测精度低的缺点。首先将气象因素通过IDSAE降维,得到稀疏后的综合气象因素特征指标,协同电力负荷数据作为FOA优化的ELM预测模型的输入向量进行电力负荷预测。通过与DSAE-FOAELM、DSAE-ELM和IDSAE-ELM等模型的对比实验,证明了提出的预测模型能有效提高预测精度,经计算得出预测精度提升大约8%。     

基于LSTM神经网络的复合变量电动汽车充电负荷预测方法技术研究

随着电动汽车并网容量的不断增加,面向电动汽车充电负荷准确地开展功率预测对于并网电力系统的经济调度和优化运行意义重大。基于计算机交叉学科的深度学习领域算法不断进步,为准确构建电动汽车充电负荷模型提供高效工具。该文研究一种基于LSTM(long short-term memory)神经网络的复合变量电动汽车充电负荷预测方法,将电动汽车充电负荷历史数据进行预处理,采用LSTM网络对降维后的时间序列进行动态建模,完成电动汽车充电负荷预测。采用实际数据进行验证,结果证明所提方法的有效性。     

基于改进粒子群优化LSSVM的短期电力负荷预测

电力系统正常运行时,负荷预测是其运行和规划的重要依据之一。因此,针对粒子群算法(Particle Swarm Optimization,PSO)优化最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)存在的速度变化梯度方向产生的非最优粒子问题,提出了一种基于自适应粒子群优化LSSVM参数的短期电力负荷预测方法。该预测模型在保持PSO优点的基础上,引入了自适应步长,使PSO在速度梯度上找到更优的粒子;引入遗传算法的变异操作保持粒子群的多样性,减小算法陷入局部极值的可能。随后将自适应PSO对LSSVM回归估计方法的参数进行优化,得到自适应PSO-LSSVM。最后将该方法应用于短期电力负荷预测。     

长、短期电力负荷大数据下的智能预测实例分析

电力信息化平台的感知能力与检测精度日益提高,基于电力多维海量数据开展智能算法数据分析与知识挖掘,可高效处理数据,并获取具有指导意义的结论。考虑到不同时期的数据中彼此存在联系,可通过筛选历史时期数据的有效相关信息进行智能算法训练并做出合理预测。通过长、短期记忆网络对实际负荷数据进行预测,验证结果显示,基于长期数据可以较为准确地预测负荷变化情况,平均误差小于5%,对于合理规划电力生产具有一定的指导作用。     

矿井无轨胶轮车调度监控系统的设计

为更好地监控煤矿井下的无轨胶轮车,有效促进矿井无轨胶轮车的安全、高效运行,设计了一种无轨胶轮车调度监控系统,具体介绍了该系统的结构及工作原理,设计了该系统的硬件部分与软件部分,并总结了该系统的主要技术创新点,经实际应用表明借助该系统将更有助于科学、合理地调度监控矿井无轨胶轮车,进一步促进矿井的高产、高效。     

基于Elman神经网络的电力负荷预测模型研究

为提高电力负荷预测精度,文章采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点.     

智能电网短期负荷预测的研究

基于灰色系统的理论研究方向,建立智能电网短期负荷预测模型,将负荷预测的关键性评价指标——平均绝对百分误差(MAPE)通过采用粒子群优化PSO计算方法,通过优选实验模型中的阶数和背景参数实现预测和实际运行曲线逐步靠近甚至重合的结果。为达到模型预测的高精度,再通过运用"马尔科夫过程"进一步对原先预测的残值数差进行修正,实现智能电网中短期负荷预测。     

煤矿安全通风智能监测监控系统设计

煤矿通风工作一直是矿井生产作业中的一项重要工程,为更好保障矿井安全通风,设计了一种煤矿通风安全智能监测监控系统,介绍了该系统的整体结构,并详细设计了该系统的硬件部分与软件部分。实际应用结果表明,通过应用该系统,可依据矿井实际所需风量情况对矿井风门开闭状态以及具体开启程度进行自动调节,进而有助于更好地满足矿井用风需求,更好地保障矿井安全生产,该煤矿通风智能监测监控系统具有较高的推广应用价值。     

高阶灰色预测模型在短期电力负荷预测中的应用研究

考虑到电力负荷的指数性增长和周期性变化的特点,基于灰色预测理论,建立了三阶电力负荷短期预测模型,给出了电力系统短期负荷预测的主要步骤。通过算例分析,验证了该方法的有效性。     

基于PLC的煤矿供热锅炉自动监控系统的设计

为保障煤矿供热锅炉的安全、稳定、高效运行,以可编程控制器PLC为基础,为煤矿供热锅炉设计了一种自动监控系统。介绍了该监控系统的控制原理,设计了该监控系统的整体结构,并重点设计了水位监控模块与炉膛监控模块。实际应用结果表明,该系统可对锅炉运行情况进行远程自动监测与控制,有助于进一步提高锅炉运行的自动化、智能化水平,保障了煤矿供热锅炉的安全高效运行。     

基于GPRS和CAN总线的煤矿安全监控系统

针对目前国内煤矿占地面积大、节点分散、节点间距离远和测量环境恶劣的特点,开发了基于GPRS和CAN总线的煤矿井下安全监控系统,给出了其总体结构框图.在介绍系统组成和工作原理的基础上,对矿井信号检测、CAN总线节点及MC55通讯接口硬件电路的设计做了详细阐述.实际运行证明该系统具有良好的可靠性和抗干扰性,能更好地监控井下煤矿生产的运行状态,从而为国内煤炭行业的安全生产提供一个好的解决方案.     

基于BP神经网络的短期小水电电力负荷预测

电力系统短期负荷预测在企业的调度运营和服务管理等方面都起着不可或缺的作用,其预测精度的高低直接影响着电力系统运行的安全性、经济性和稳定性,因此短期负荷预测方法的研究一直为人们所重视。基于电网实际运行数据建立一个BP神经网络模型,利用神经网络高度非线性建模能力,探讨含小水电地区电网的负荷情况。实例计算表明,该方法精确有效,收敛性好,运行速度快,对提高多小水电地区网供负荷预测的准确度有较高的实用价值。     

煤矿供电变压器微机保护装置的应用分析

针对煤矿变压器因在供电过程中出现短路、断相时保护装置无法及时起到有效的保护作用而导致被烧毁等故障,对地面10kV变压器传统保护装置进行优化替换,采用了一套微机保护装置.该装置能够准确对各路负荷的运行状态及数据进行监控,合理调整变压器负荷,全面提高了矿井供电安全稳定性.     

BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度.分析了如何采用BP多层感知器的隐层数及隐层单元数.最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度.