考虑电储能设备碳排放的综合能源系统低碳经济运行

为了减少综合能源系统发电过程中产生的碳排放造成的环境污染,必须提升综合能源系统的经济效益.除各发电机组设备存在大量碳排放外,电储能设备的间接使用过程中也存在较大的碳排放,应当计量在系统碳排放中.研究基于含电气热冷负荷需求的综合能源系统,分析系统中各机组设备的碳排放量,并运用生命周期分析方法,分析系统中电储能设备产生的碳排放,在系统经济运行模型中考虑碳交易机制,通过改进的鲸鱼优化算法对模型进行求解.在保证系统负荷需求的前提下,对根据是否计及电储能设备碳排放情况下的综合能源系统各机组出力情况对比分析.结果表明,在低碳权重作用大时,计及电储能设备碳排放能够有效降低综合能源系统运行成本,同时减少碳排放总量.     

建筑冷负荷对综合能源系统运行优化的影响

为解决现有综合能源系统运行优化研究对建筑冷负荷的影响考虑不充分（多以“典型日负荷”或“预测负荷”代替空调期冷负荷）的问题,首先应用EnergyPlus软件对北京某园区进行建模和负荷分析,再以经济性为优化目标,基于园区的电、冷负荷供需平衡和综合能源系统设备的典型模型建立运行约束模型,在空调期对多能源耦合的综合能源系统建立运行优化模型。对优化模型使用Yalmip建模和编程,使用Cplex求解器求解问题,得到不同负荷条件下的综合能源系统空调期的运行优化方案,并分析其统一性和差异性。结果表明：本文构建的以经济性为目标的优化模型,可以使多能耦合的综合能源系统在目标下运行更加优化;不同建筑冷负荷条件下运行优化方案具有较大差异性;不同负荷条件下运行优化方案具有一定规律性。可见综合能源系统的运行优化研究应该全面考虑冷负荷的影响,本文提出的规律性运行优化方案为综合能源系统提升运行经济性提供了依据。     

CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有空间相关性的特征量,利用长短时记忆网络(long short-term memory,LSTM)提取特征量之间的时间相关性预测未来积水水位.仿真结果表明,所提预测模型可以很好地捕获积水点水位与各输入量之间的非线性关系,并且比CNN,LSTM以及反向传播(back propagation,BP)神经网络具有能更好拟合实际水位的效果,更高的精度和泛化能力.此模型在城市积水预测中的有效性和适用性得到了验证,能够为积水点的提前预警、准备及汛前、汛中汛后治理方案的制定提供可靠的参考依据.     

基于预测控制的冷、热、电联产型微电网能量管理

由于可再生能源出力特性和微电网运行约束等限制,如何进一步提高微电网中可再生能源消纳量已成为研究热点。本文在冷、热、电联产型微电网中引入用于提高可再生能源消纳量并承担部分热、冷负荷的电锅炉、吸收式制冷机和压缩式电制冷机装置,提出了基于预测控制的微电网能量管理方法。综合考虑网内各单元的工作特性,建立满足实际运行约束的冷、热、电联产型微电网能量管理模型。在孤网运行模式下,兼顾储能装置容量期望以及各单元运行特性,构建微电网能量管理优化目标。利用预测控制滚动优化策略以及可再生能源输出和冷、热、电负荷需求的预测结果,建立带有逻辑变量的有限时域优化问题,实现基于预测控制的微电网最优能量管理。仿真结果表明:引入电锅炉、吸收式制冷机和压缩式电制冷机装置可以达到提高微电网中可再生能源的消纳量、减少燃料消耗、降低运行成本的目的,预测控制中的滚动优化策略能够有效消除可再生能源输出的不确定性和冷、热、电负荷需求波动性带来的影响。     

基于核极限学习机的负荷多粒度预测模型

台区负荷数据不仅作为时序数据呈现自相关性,还易受台区环境因素影响呈现非平稳性,因此预测精度不仅与预测模型结构有关,还与输入数据的时序特征有关。为了提高台区负荷的预测精度,提出一种基于混沌时序分析与核极限学习机的短期负荷多粒度预测模型。针对负荷数据的非平稳特征,通过变分模态分解算法将非平稳的原始信号转换成一系列相对平稳的子信号;针对负荷数据中的自相关特征,通过混沌时序分析方法,求解各个模态输入预测模型时的时间窗大小;构建多粒度核极限学习机预测模型,解决负荷数据中非平稳、自相关性对负荷预测的不利影响,提高模型的预测精度。结果表明,负荷的预测精度受输入数据时间窗大小的影响,不同模态分量的最佳时间窗的大小不同。采用混沌相时序分析的方法评估各个模态分量的最佳时间窗大小,可以有效提升核极限学习机的预测精度。     

地区电网负荷预测的灰色Verhulst与系统动力学组合模型

为解决传统地区电网负荷预测中单一模型预测误差较大的风险和无法充分利用历史数据的缺陷,提出一种地区电网负荷预测的线性组合模型——灰色Verhulst与系统动力学组合模型。以社会用电量历史数据为原始数据,先后建立灰微分方程和白化微分方程并进行求解,得到基于灰色Verhulst模型的负荷预测时间序列,该模型适用于负荷按照S形曲线增长或负荷增长处于饱和阶段的预测;综合考虑经济、人口、能源替代和再电气化等对社会用电量的影响,建立负荷预测的经济子系统、人口子系统、能源替代和再电气化子系统、电力消费子系统,得到基于系统动力学的负荷预测模型,该模型适用于结构复杂、原始信息丰富、子系统之间联系紧密的负荷预测。在不增加复杂性的基础上,通过最小方差准则对单一模型进行线性组合,建立地区电网负荷预测的组合模型。采用枣庄市所有地块进行算例分析,结果表明:在充分利用了负荷历史数据后,71%的地块的预测精度较单一模型的有所提高;在采用最小方差准则对单一模型进行线性组合后,29%的地块产生较大预测误差的风险较单一模型的有所降低。     

电力系统负荷预测的综合模型

电力系统负荷预测中,序列量一般采用多种方法进行预测,得到多种结果。基于这些结果,提出了以各时段残差平方和最小为目标函数的负荷预测的综合模型,并根据模型特点,给出了简捷直观的求解方法。进一步分析了模型的物理意义,提出了一个近似的综合预测模型,从而在保证一定精度的前提下减少计算量。研究了该方法在电力系统负荷预测中的应用,分析结果表明,这两种综合预测模型的拟合精度均明显优于各种单一模型,并能得到更好的预测效果。     

特征空间闭操作驱动的短期电力负荷预测

为了获得更高的短期负荷预测精度,有必要充分考虑负荷变化趋势与区域整体用电行为模式之间的关联,提出一种特征空间闭操作驱动的短期电力负荷预测方法。在综合模型的基础上,首先利用特征提取模型将历史用电负荷分解成多个分量作为刻画区域用电行为的特征;然后使用特征选择模型对用电行为特征进行选择,减少冗余或无效特征的干扰,优化预测模型;最后将选择的特征子集作为预测模型的输入特征从而进一步估计出各时段负荷的分布。结果表明采用本方法预测精度更高。     

基于VMD-GRU网络大型公共建筑冷负荷预测

基于冷负荷时间序列固有的复杂性和不规则性,针对预测过程中容易出现梯度消失、模态混叠和过拟合等问题,提出一种集成变分模态分解（variational mode decomposition,VMD）和门控循环单元网络（gated recurrent unit,GRU）的VMD-GRU模型。对原始数据进行相关性分析,挑选出相关性高的进行预测;使用VMD将原始数据序列分解为独立固有模式函数;使用GRU对每个分量进行预测;将分量预测结果相加得出冷负荷预测值。为验证模型的有效性,以西安某大型公共建筑为例进行能耗分析,并与BP、 GRU、EMD-BP、VMD-BP、EMD-GRU等其他预测模型进行对比。实验结果表明,提出的VMD-GRU模型可有效解决梯度消失、模态混叠和过拟合等问题,预测精度显著提高,预测效果优于其它预测模型,符合大型公共建筑冷负荷的变化规律,为节能优化提供有力数据支撑。     

考虑光热电站和柔性负荷的电氢热综合能源系统联合优化运行

为解决现有综合能源系统运行灵活性差及风、光消纳难的问题,同时充分利用氢能实现碳减排目标,本文提出一种考虑光热电站和柔性负荷的电氢热综合能源系统联合优化运行方法。首先,基于光热电站和含电转氢余热利用的氢能系统模型构建电氢热综合能源系统。其次,考虑需求侧电氢热柔性负荷的特征和调节价值,构建含可平移、可转移、可削减负荷的电氢热柔性负荷模型。然后,进一步构建考虑电氢热柔性负荷调节特性的电氢热综合能源系统联合优化运行模型。最后,通过算例仿真验证所提方法能够兼顾经济运行与低碳效果,不仅可以提高光热电站与氢能系统的联合运行能力,而且能够有效提升系统运行的经济性和低碳性,电、氢、热负荷峰谷差分别降低6.68%、11.95%、8.35%,系统运行总成本降低24.4%。     

基于异步MAC协议的WSN节点通信能耗模型的研究及应用

为进一步减小采用B-MAC协议无线传感器节点的能量消耗,对无线通信模块接收、发送、监听、休眠的电流消耗和时间特性进行了实验测试. 并根据异步MAC协议的特点,将网络负载参数进一步细分,引入节点发送间隔、接收间隔、每次发送字节数、每次接收字节数这4个参量,同时考虑节点接收信号时所处状态的概率建立通信能耗模型,并给出能耗模型的最优解析解,使得能耗参数在不同网络负载和收发间隔下达到最优. 实验结果表明,采用能量最优参数的B-MAC协议比普通B-MAC协议的能量消耗更少,明显减少了WSN节点在通信过程中能量的消耗,延长了节点的工作寿命.      

基于二次模态分解的LSTM短期电力负荷预测

为进一步提高短期电力负荷的预测精度,需要更深层次发掘负荷数据中隐藏的非线性关系。提出一种基于信号分解技术的二次模态分解的长短期记忆神经网络(long short-term memory network, LSTM)用于电力负荷的短期预测。所提算法先对原始负荷序列进行自适应噪声的完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),再将CEEMDAN分解后分量中的强非平稳分量进行变分模态分解(variational mode decomposition, VMD),同时用中心频率法对VMD分解个数进行优化,然后将两次分解后得到的负荷子序列送入LSTM中进行预测,并将所得分量预测结果进行叠加。结果表明,本文所提方法对短期电力负荷预测结果精度和模型性能都有较大提升。     

基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

电力系统在国家工业基础设施中起着举足轻重的作用,维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性,负荷预测误差较大的问题,结合变分模态分解(variational mode decomposition, VMD)、经验小波变换(empirical wavelet transform, EWT)、改进的空洞卷积金字塔模块(improved atros spatial pyramid pooling, IASSP)、集成双向长短时记忆模块(ensemble BiLSTM,EBiLSTM),提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题,通过变分模态分解方法与经验小波变换的结合分解为若干子序列,显著降低了原始负荷序列的复杂性;为提高模型预测精度,将分解的负荷子序列利用过零率指标划分高低频序列,在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征,高频序列中构建特征提取模块IASSP提取局部负荷特征,最后累加各子序列的预测结果,实现电力系统负荷的短期预测。选取行业通用客观评价指标：平均绝对误差、均方根误差,...     

智能神经网络在时序信号预测上的应用

从80年代开始，人工神经元网络的研究技术在理论和实际应用上已经比较成熟，在信号处理系统中也开始采用该技术进行非线性时间序列信号的预测分析。但由于该理论黑箱模型的特点，无法引入先验知识，从而预测精度难以提高。针对该问题，提出了通过滚动预测的方法，并引入了一种智能化的新型神经元模型，建立区别于传统的神经网络预测模型，达到了较为理想的预测效果。并且以股票价格的预测作为实验模型，对该方法进行了验证，表明了它的实际应用价值。     

基于小波神经网络的燃气系统短期负荷预测

在燃气负荷预测中,由于日负荷的不稳定,仅以历史负荷为训练样本得到的人工神经网络难以满足日预测的精度要求。提出一种小波分析与BP神经网络相结合的预测方法。首先,将历史负荷序列进行小波分解成概貌序列和细节序列,并在此基础上利用概貌序列、细节序列,以及指数平滑和温度等多种因素训练BP神经网络,预测出未来燃气的日负荷。最后,对...