基于模块网络的市场清算价格预测模型

该文提出一种基于模块网络预测市场清算价格的模型，该模型通过模糊C均值聚类（FCM）算法，将输入空间“软”分割成若干区域，由局部专家负责提取特定域的特征，由集成单元的竞争混合机制输出结果，在减少了计算量的同时提出了预测精度，是突破传统全局预测模型的一种常试，用美国加州电能交易所（CalPX)公布的真实数据得到的仿真结果令人满意。该模型为市场参与者制定投标策略提供了一种方法，也为市场管理者提供了一种监督市场力的工具。     

101规约在馈线自动化系统中的应用

主要讨论了在采用分层体系结构的馈线自动化系统中如何实现各种数据的收集并保证故障信息的快速、优先上传.分析了馈线自动化系统中信息传输的特点,对101规约与DNP3.0规约的事件收集机制作了比较,认为101规约更适合各层间采用了不同网络拓扑结构的馈线自动化系统.探讨了101规约在馈线自动化系统中实现时应注意的问题.分析了系统应采用的网络拓扑结构,讨论了在收集数据时,控制中心、区域工作站及FTU各自需实现的功能.分析表明,101规约能保证在馈线自动化系统中实现故障信息快速上传,从而达到快速隔离故障区域的目的.     

基于MATLAB统计学工具箱的电力负荷中期预测

对电力负荷中期预测中常用的增长趋势预测法和回归模型预测法的优缺点进行分析,在此基础上提出一种电力负荷中期预测的新方法.该方法巧妙运用MATLAB统计学工具箱中的现有函数,并借助可决系数和预测相对标准偏差两个定量判别指标来选择预测模型,从而能更有效地对电力负荷进行中期预测.该方法在理论上兼有常用的增长趋势预测法和回归模型预测法的优点,在实践中又能很好地克服上述两种方法的缺点,且编程简单,预测结果精确度高,具有很强的实用性.最后以浙江省全社会用电量的中期预测为例,说明该方法的有效性.     

计及联络线功率偏差处罚的AGC容量获取与调节策略

目前已经建立的一些省(直辖市)级电力市场，其所在的电力公司与属于同一大区的其他省(直辖市)的电力公司之间也通过联络线按计划交换一定的功率。在此背景下，针对仅发电侧开放的省(直辖市)电力市场，文中首先讨论了在需求不确定的情况下自动发电控制(AGC)的调节特性，提出了计及联络线偏差控制达不到要求导致被处罚的情况下AGC容量获取和调节的数学模型与求解方法。采用该模型可以确定最优的AGC调节容量和各台AGC机组的最优调度出力。最后通过一个简单的算例说明了该模型的基本特征。     

基于信赖域内点法的静态ATC计算

可用传输容量(ATC)计算已成为电力市场研究的一个重要部分.将一种信赖域内点法应用到基于最优潮流(OPF)的总传输容量(TTC)计算模型中,以IEEE-39节点系统为例进行了验证计算,并就此算法的优化性能与连续二次规划法(SQP)进行了比较.     

变电所投资风险决策模型及其应用

针对变电所投资决策项目,建立了投资决策的总体框架。利用净现值最大的原则,建立投资优化模型。在此基础上通过比较分析,确定电力公司的变电所投资策略。利用基于正态分布的随机模拟,对投资项目的不确定性因素进行风险模拟,分析各风险因素对项目决策的影响。算例结果表明,该模型能有效迅速地得到变电所投资项目的最优决策方式及风险分布形式,对电力公司的投资决策具有参考意义。     

考虑电压稳定的电网至少传输容量评估

考虑最恶劣情况下的网络最大传输能力,即至少输电容量,是电力市场环境下衡量输电系统电力传输能力的一个重要指标.在至少输电容量模型的基础上,考虑了电压稳定约束,提出了考虑电压稳定约束的至少输电容量双层优化决策模型,讨论了模型的性质,并给出了求解该模型的算法BiGA,该算法具有较好的鲁棒性.对IEEE 118节点系统进行了数据仿真,仿真结果表明了该模型及算法的合理性和有效性.     

基于遗传算法和启发式算法的多目标配电网重构

提出一种基于遗传算法和启发式算法的方法来解决多目标配电网重构问题。应用模糊数学中隶属函数对多目标分别进行建模，并评估重构效果。利用同胚图将重构求解空间分解为若干个子空间。所提方法结合了遗传算法全局搜索能力和启发式算法高效的子空间求解能力。一个典型的三馈线系统在不同负荷条件下重构结果，验证了所提方法是实用有效的。     

考虑地域差异的配电网空间负荷聚类及一体化预测方法

针对基于智能算法的负荷密度指标法对样本依赖性强且在各地实际应用困难的不足,提出一种考虑地域差异的配电网空间负荷聚类及一体化预测方法。该方法首先通过大量调研得到分布在不同地区、分属不同类型的负荷样本及所处地区信息;然后利用基于日负荷曲线的负荷分类校验及精选方法对所有调研样本进行分类精选;再根据区域分类、负荷分类对精选样本构成的全样本空间进行两级划分,得到分层级子样本空间;最后根据待测地块的属性信息对子样本空间进行匹配,选取与其最相似的子样本空间作为训练样本,构建支持向量机模型预测各地块的负荷密度,进而得到电力负荷的空间分布。工程实例分析表明了该方法的实用性和有效性。     

基于高斯模糊信息粒化和改进小波神经网络的短期负荷区间预测研究

针对现有短期负荷预测方法适应性不足、预测精度不高,WNN原始连接权值和阈值采取随机赋值并采用梯度学习算法进行修正,存在进化缓慢、易出现陷入局部极小或不收敛等问题,提出了基于高斯FIG和改进WNN的短期负荷区间预测新方法。用收敛速度更快的函数取代常用的输出层神经元函数,并用粒子群算法寻优取代WNN连接权值和阈值随机赋值。把网络连接权值和阈值作为粒子群算法微粒的位置向量,不断调整微粒的速度和位置向量以寻求最优值。选择了合适的数据跨度作为一个粒化窗口,对原始负荷数据进行了高斯模糊粒化处理,得到了对应的高斯FIG后的序列值,并用改进后的WNN对模糊序列值进行了区间预测。与WNN及SVM方法的对比研究结果表明,该方法不仅能够获得比单一负荷值更多的区间信息,而且预测精度更高,能够更好地指导电力系统相关决策。