基于信号分解和核极限学习机的风电功率预测

针对传统短期风功率预测模型在功率变化较大情况下的预测精度不高问题,提出了一种基于信号分解和量子粒子群算法优化核极限学习机的短期风功率预测模型.首先利用经验小波变换将原始风功率序列分解成为若干个模态分量,再利用核极限学习机建立每个模态分量的预测模型,为了提高模型预测精度,采用量子粒子群算法优化核极限学习机参数,最后将每个模态分量预测值相加得到最终的功率预测结果.以实际风电场发电功率为例,并与其他预测模型进行比较,结果表明所提模型具有较高的预测精度.     

基于核极限学习机误差预测修正的变压器顶层油温预测

为准确估算变压器热点温度,给变压器负载能力估计、热故障预防、绝缘寿命预测提供辅助依据,建立了基于核极限学习机误差预测修正的变压器顶层油温预测模型。该模型采用核极限学习机对典型的Susa热路模型顶层油温的预测误差进行建模预测,并以核极限学习机的预测值修正热路模型顶层油温预测结果。为提高核极限学习机的预测精度,采用引力搜索算法对核极限学习机的惩罚系数和核参数进行优化。算例结果表明,所提模型的预测结果与实测值基本一致,预测精度高于未经误差修正的半物理模型——Susa热路模型和典型的非线性拟合回归模型——引力搜索优化的核极限学习机模型,并且采用的引力搜索优化的核极限学习机算法在训练时间上显著优于引力搜索优化的支持向量机和Elman神经网络算法,且预测精度略优于后2种算法。     

基于PSO参数优化的LS-SVM风速预测方法研究

讨论了嵌入维数d和时间延迟?作为空间重构参数对LS-SVM预测模型精度的影响,提出了基于PSO参数优化的LS-SVM预测方法。将d、?以及模型参数(正则化参数?、核函数宽度?)作为优化对象,利用PSO方法对4个参数共同优化选取,建立LS-SVM风速预测模型。对2组风速数据进行了实验研究,结果显示该方法预测误差约为5.79%和7.33%。而对比方法 (单纯优化?、?)的误差为8.22%和11.10%。这一结果表明,同时对d、?、?、?进行优化选取是有必要的,相对于单纯优化?、?的模型,该方法可以大大提高预测模型精度。     

基于改进哈里斯鹰算法优化核极限学习机的短期电网负荷预测研究

利用改进的哈里斯鹰算法对核极限学习机进行优化,构建了CEHHO-KELM电力负荷预测模型。首先,在充分考虑了经济、时间、气候以及电网自身影响的基础上,采用灰色关联分析法筛选主要影响因素作为预测模型输入向量。然后,将优化的哈里斯鹰算法融合到核极限学习机的参数优化中,建立了CEHHO-KELM电力负荷预测模型。将某省电力负荷数据及其影响因素数据用于实证分析。仿真结果表明,CEHHO-KELM算法相较于HHO-KELM、LSSVM、KELM算法,能够较好地搜索核极限学习机的参数、更好地平衡全局和局部性能,从而使得KELM预测模型具有更高的预测精度。     

基于改进差分进化算法优化极限学习机的短期负荷预测

负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。     

基于改进流形正则化极限学习机的短期电力负荷预测

为提高短期电力负荷预测的精度与效率,提出一种改进流形正则化极限学习机的短期电力负荷预测方法;首先,为了改善极限学习机(ELM)的泛化性能与效率,并解决随机初始化参数导致极限学习机存在的潜在问题,采用流形正则化理论优化极限学习机;其次,针对流形正则化极限学习机中参数的选择,以及流形正则化极限学习机隐层节点选择的问题,提出将贝叶斯优化算法(BOA)融入到流形正则化极限学习机中以优化流形正则化极限学习机(MRELM)。最后,通过实验数据分析,改进流形正则化极限学习机预测方法将预测平均相对误差降低到了1.903%,30次实验的平均相对误差的方差降低到了1.9‰,平均单次运行时间降低到了6.113 s。     

基于LCD-SE-IWOA-KELM的短期风电功率区间预测

针对风电功率的不确定性、随机性以及已有的风电功率点预测无法反应其不确定性信息的问题,提出了基于局部特征尺度分解(LCD)-样本熵(SE)和改进鲸鱼优化算法(IWOA)优化核极限学习机(KELM)的短期风电功率区间预测模型。采用LCD分解来降低原始风电功率序列的非平稳性,通过测量各ISC分量的样本熵来重构新的序列以降低过多的分量对预测精度带来的影响,然后分别建立各新序列的区间预测模型,最后将各新序列的预测结果进行叠加获得最终预测结果。采用改进的WOA算法优化核极限学习机的参数。实验仿真表明,文中所提模型能够获得良好的区间预测结果,具有一定的实际意义和应用价值。     

基于SAIGM-KELM的短期风电功率预测

针对时序下风电功率的随机性和波动性问题,提出一种基于自适应智能灰色系统(SAIGM)和遗传算法优化核极限学习机(GA-KELM)的混合风电功率预测模型。首先,以灰色关联性分析不同季度下风向量与数值气象预报(NWP)对风电功率的影响为基础,采用自适应智能灰色系统预测风速,并将预测的风速与相连时序下的风向和NWP有效整合作为预测样本。其次,利用遗传算法优化核极限学习机搭建风电功率预测模型,并将实际风向量与NWP有效整合作为预测模型的训练样本。最后,利用优化后的预测模型实现不同季节的风电功率预测。实验表明混合预测模型可实现对风电功率的短期预测,预测结果具有准确性和可靠性。     

基于VMD-ISSA-KELM的短期光伏发电功率预测

针对光伏发电功率存在随机性和波动性较强、预测精度较低的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)和改进松鼠觅食算法优化核极限学习机(improved squirrel search algorithm optimization kernel extreme learning machine, ISSA-KELM)的预测模型。首先,利用高斯混合模型(Gaussian mixture model, GMM)将光伏发电功率数据进行聚类,得到不同天气类型下的相似日样本。其次,利用VMD对原始光伏发电功率序列进行平稳化处理,得到若干个规律性较强的子序列。然后,对不同子序列构建KELM预测模型,并使用ISSA优化KELM的核参数和正则化系数。最后,将不同子序列的预测值进行重构,得到最终预测结果。结合实际算例,结果表明：所提出的VMD-ISSA-KELM模型在不同天气条件下均能得到满意的预测精度,且明显优于其他模型,验证了其有效性和优越性。     

改进PSO优化ELM预测锂离子电池剩余寿命

针对极限学习机在预测锂离子电池剩余寿命过程中的不稳定性,提出利用混合粒子群优化算法对极限学习机预测模型优化的方法。通过改进的粒子群优化算法对极限学习机的输入端进行寻优处理,不但能够使模型的预测精度有进一步提高,而且大大增加了锂离子电池单次剩余寿命预测结果的可信度。利用NASA PCoE公开的锂离子电池数据进行仿真实验并评估该模型的预测性能,然后与标准的极限学习机预测模型预测结果进行对比,统计结果表明该方法使预测误差控制在2%左右。     

基于宽度学习的风光容量配置研究

针对风光发电的大量接入,将引起配电网规划与运行特征的根本性改变问题,提出一种基于宽度学习的风光容量配置方法。利用网络节点电压、风光电源出力等数据对宽度学习容量配置模型进行训练,模型精度和结果的合理性采用均方根误差和电压稳定性评价指标进行评估。以IEEE 33节点系统作为算例进行仿真,给出了满足总投资成本和网络有功损耗最小的容量配置结果,并与支持向量机、核极限学习机进行对比分析,验证了所提模型和方法的可行性和有效性。     

基于核极限学习机的风光容量配置研究

风光发电的大量接入,电动汽车充电需求的持续增长,将引起配电网规划与运行特征的根本性改变,因而,研究风光发电以及电动汽车充电站容量配置问题对配电网的稳定与经济运行具有重要意义。本文通过利用网络节点电压、风光电源出力等数据对核极限学习机进行训练学习,构建了基于核极限学习机的容量选择模型,并利用均方根误差对模型精度进行评估。采用IEEE33节点系统作为算例进行仿真,给出满足总投资成本和网络损耗最小的容量配置结果,引入电压稳定性评价指标对结果进行评估,并与支持向量机、遗传算法和粒子群算法获得的结果进行对比分析,验证了所提模型和方法的可行性和有效性。     

基于负荷空间划分的非侵入式辨识算法*

针对传统的侵入式监测系统在设备投入、复杂性以及扩展性上存在的缺陷,以非侵入采集机制获取的负荷数据为基础,研究了一种基于负荷空间划分的负荷辨识方法。首先对5种典型负荷的10种特征进行降维处理,得到最佳辨识特征;利用最小平方误差算法构建判别函数,划分5种负荷的特征空间;利用负荷特征空间交叉的方法,实现负荷的辨识。利用实际采集的用电数据验证了该算法的有效性,且通过特征降维处理提高了算法的运算效率,通过负荷分离提高了辨识准确性。     

用于主动噪声控制系统的高性能算法结构

本文针对传统的自适应滤波算法降噪性能差、收敛速度慢以及应对突变能力不足等问题,提出了基于改进的方程误差算法和镜像优化算法。其中,改进的方程误差算法在FURLMS算法基础上进行离线二次路径建模,解决了降噪性能和收敛速度的问题。为了提高系统应对突变的能力,该算法在FURLMS算法基础上进行了镜像优化。结果表明,本文提出的两种算法在系统频率为250 Hz左右范围时,均方误差可稳定在-20dB,提出的改进方程误差算法和镜像修改算法分别有28dBA和30dBA的噪声衰减效果。     

带支撑物圆阵波达方向估计实验研究

为了验证带支撑物圆阵波达方向估计算法的有效性,在介绍算法原理的基础上,利用设计的镶嵌在刚性球上的12元均匀圆阵,分别在消声室和外场进行了声源定向实验研究.定向结果显示消声室内平均估计误差不大于2°,均方根误差不大于2.2°,外场平均估计误差和均方根误差均不大于3°.实验表明基于带支撑物圆阵所推导的波达方向估计算法是有效的,能正确估计出声源的波达方向,且具有较高的精度,为利用带支撑物圆阵进行波达方向估计的工程应用奠定了基础.     

非正弦周期信号测量同步误差研究

软件同步采样是电工参量微机测试系统中常用的采样测量方法,由于同步误差的存在,引起测量的方法误差。非正弦周期信号测量同步误差研究分析了软件实现同步采样在非正弦信号有效值和有功功率测量中产生测量方法误差的原因、误差的大小,建立了误差分析的数学模型,并进行了仿真计算,提出了消除或减小测量方法误差的措施。     

1000kV特高压GIS电流互感器现场误差智能化检定系统设计与应用

1000kV特高压GIS电流互感器误差现场检定时,由于其试验回路长、阻抗大,常规的试验方法存在升流困难及操作复杂的问题。基于特高压GIS电流互感器的结构特点分析和多年的现场工作经验,本文设计和实现了1000kV特高压GIS电流互感器现场误差智能化检定系统,论述了检定系统的组成及实现方案,提出了功率电力电子电源与电工电源串联技术、自适应无功补偿技术和智能化检定技术,介绍了智能工频电源软硬件设计方法,给出了多组合无功补偿装置的实现方法。特高压南京站、泰州站1000kV电流互感器现场检定实验表明,该检定系统能准确计算被试电流互感器的的电气参数,自动进行无功补偿,自动实现谐振升压和误差检定,提高了现场检定技术水平和工作效率。     

一种融合最近电平逼近调制的空间矢量调制算法

多电平变换器由于具有较小的电压应力、较高的器件耐压等级和过流能力及较低谐波含量等优点已取代两电平变换器在中高压大功率场合中的应用.级联型多电平H桥变换器(CHMC)由于具有较好的灵活性与高度集成化使得其在工业领域得到广泛应用,文中针对三相CHMC的应用提出一种基于最近电平逼近调制(NLM)技术原理的空间矢量脉宽调制(SVPWM)算法.相比于传统SVPWM算法,所提算法只需检测离参考矢量最近的调制矢量点而无需同时检测三个作用矢量点,算法实时性较强.利用SVPWM算法与NLM算法之间的等效性由三相占空比推出三个作用矢量占空比,利用三相占空比比值的大小推出开关矩阵表达式,由所得表达式直接决定优化的开关序列,并根据该开关矩阵进而推出触发脉冲表达式.所提SVPWM算法不依赖于电平数,算法简便,运算速度快.仿真与实验验证了所提算法的正确性与可行性.     

频率变化时交流采样算法分析

电力系统交流采样中使用均方根法计算时必须取得交流信号1个整周期的数据,否则会产生较大的误差。分析了引起误差的原因,使用Matlab的仿真计算,分析了误差大小和采样点数之间的关系。在此基础上提出了2种改进的算法,分别利用有效值作为参考选取起始点和数值补偿进行误差校正。前者在频率变化不大时,无需准确知道系统频率就能保持较高计算精度,但在采样频率较低时误差较大;后者计算精度高,但必须准确知道频率值。     

导线网平差边角权的确定及可靠性分析

对导线网平差观测值权的几种确定方法, 通过实例比较, 分析了各种定权方法的合理 性和特点, 并对提高导线网平差结果可靠性提出了新的认识和建议。