10kV电缆接头局部放电趋势分析及预警方法研究

电缆接头是局部放电频发的位置,针对目前对局部放电趋势研究的不足和预警不及时的问题,提出了一种基于Mann-Kendall检验法和长短期神经网络(LSTM)的局部放电的趋势分析和预警方法。首先,为了清晰地揭示局部放电数据的趋势特征,文中采用Mann-Kendall检验法对采集的暂态地电压(TEV)数据进行处理,定量计算趋势变化及突变点检测。其次,文中提出基于Mann-Kendall检验法和LSTM算法的综合预警模型,该模型利用LSTM预测TEV序列幅值,并用Mann-Kendall计算预测值的趋势参数,通过综合考虑TEV幅值大小和趋势参数实现了电缆接头局部放电主动预警。算例结果表明,Mann-Kendall能清晰揭示局部放电变化趋势,LSTM对局部放电数据预测效果良好,基于二者构建的预警模型能较好地对局部放电进行预警。     

基于布谷鸟搜索优化的光伏电站辐照强度预测

针对光伏电站日前小时短期辐照强度的预测准确性问题,且考虑到支持向量机的学习参数对预测模型的性能有较大影响,为进一步提高数据的预测精度,利用布谷鸟搜索算法对支持向量机的惩罚因子c和核参数g进行优化,提出了一种基于布谷鸟搜索算法和支持向量回归的组合预测方法。仿真结果表明:该方法大大提高了光伏辐照强度预测的准确性和精度,可行且高效,适用于光伏在线预测。     

融合 CEEMDAN 和 ICS-LSTM 的短期风速预测建模

为提高风速预测精度,本文从挖掘风速数据可预测性和优化预测模型性能两方面出发,提出一种融合完全经验模态分解(CEEMDAN)和改进的布谷鸟算法优化长短期记忆深度神经网络(ICS-LSTM)的风速预测模型。首先采用CEEMDAN降低风速序列的不稳定性,提高其可预测性。其次对分解得到的各子序列建立LSTM预测模型,并采用ICS优化LSTM的关键参数,提高LSTM预测模型的回归性能。然后对各个子序列采用最优参数LSTM预测模型进行建模预测,最后叠加子序列预测结果得到风速预测结果。经实测数据验证,本文所提模型的平均绝对误差和平均相对误差仅为0.82和0.95,对比研究表明本文所提预测模型的优越性。     

煤电能源供应链风险控制研究综述

煤炭生产、煤炭运输、发电、输电到用电的煤电能源供应链各个环节之间需要协调发展,煤炭价格、购售电价、电源布局、环境约束等多种风险源均可通过供应链进行风险传递与扩展,造成风险损失扩大。针对上述风险源,基于一般供应链的风险管理理论,从煤电能源供应链的价格传导风险控制、产能规模匹配与协调风险控制和节能减排环境下的风险控制3个方面对国内外相关研究进行了综述。结果表明针对煤电能源供应链中各单一环节风险控制的研究较多,但缺乏煤电能源供应链整体风险传递机制、扩展路径及协调控制的研究,因此,提出煤电能源供应链全面风险控制的研究思路,为煤电能源供应链的风险管理提供参考。     

光伏并网逆变器布谷鸟搜索优化反推控制

针对并网逆变器模型非线性和电网扰动的问题,提出一种基于布谷鸟搜索算法优化反推控制技术光伏并网逆变器控制策略。首先,建立考虑参数变化和电网扰动的并网逆变器数学模型,设计并网逆变器反推控制。然后,利用布谷鸟搜索算法对不确定性部分进行在线辨识和补偿,消除模型非线性和外部扰动产生的不确定性部分的影响。利用Lyapunov稳定性理论设计控制器自适应律,证明了布谷鸟搜索算法优化反推控制器的稳定性。实验结果表明该方法能实现逆变器精确并网控制,具有较好的动静态性能和较强的鲁棒性。     

基于LSTM的汽轮机异常状态预警

针对传统汽轮机缺乏有效的预警方法,时常处于被动维护的问题,提出一种基于长短期记忆网络（LSTM）的汽轮机状态预警方法。所提出的方法包含数据预处理模块、健康评价模块和异常预警模块三个模块。首先将源数据进行预处理,去除离群点以及毛刺数据;然后基于自编码神经网络、余弦定理和3σ定理求得一种优化的健康指数;最后基于LSTM建立了汽轮机异常预警模型,并分析对比不同深度的LSTM网络模型与循环神经网络（RNN）预测的结果。最终结果表明：LSTM的最佳预测模型预测结果的平均绝对误差（MAPE）不超过4.31%,比传统RNN的最佳预测模型的准确度更高。因此,所提出的方法在汽轮机异常预警中具有较好的检测准确度。     

基于模型预测控制算法的供热机组负荷控制

为提高对磨煤机故障的事前预知能力,结合深度学习方法的优势,在传统长短时记忆（LSTM）神经网络的基础上,提出基于卷积神经网络-长短时记忆神经网络（CNN-LSTM）的磨煤机故障预警方法。选择与磨煤机堵煤故障相关的测点作为模型的输入量,进行多元时间序列预测。得到模型输出预测值与磨煤机正常工作状态下的运行数据之间的偏离度函数,运用核密度估计方法确定预警阈值,实现磨煤机堵煤故障预警。以某660 MW火电机组的中速磨煤机为研究对象,建立CNN-LSTM模型并进行故障预警试验。试验结果表明,该模型可以精确预测磨煤机多个测点参数的变化趋势,相较于LSTM神经网络模型具有更高的精确度。该方法能够提前对磨煤机堵煤故障做出有效预警。     

煤炭价格与发电价格联动平衡关系模型

发电企业上网价格形成需要考虑固定成本、变动成本、合同内发电收入、市场竞争发电收入、热备用收入、冷备用收入等因素,为此,构建了煤炭价格与发电价格之间的数量关系模型以及各因素的计算方法,并在此基础上形成了煤碳价格与发电企业合同价格的联动平衡关系模型.通过联动平衡关系模型,可以建立煤电价格联动运行机制,解决我国目前煤炭价格上涨导致发电企业亏损的问题,为政策制定者提供的参考.     

煤电价格联动下火力发电企业的风险分析模型

自2004年以来,煤电之争一直是人们关注的热点。由于中国煤炭逐步走向市场,而电力依然由国家完全控制,导致“计划电”和“市场煤”无法衔接,矛盾重重。为了缓解发电企业与煤炭企业之间的矛盾,国家发展改革委制定了煤电价格联动的政策。该政策要求在实行煤电价格联动时火力发电企业消化30%的煤价上涨因素,并将上网电价按煤炭价格变化进行调整。基于该政策,研究了火力发电企业的风险。首先从火力发电企业的成本构成的角度,分析了电煤价格的上涨对发电企业成本的风险;然后,根据煤电价格联动的有关政策,分析了电煤价格上涨及煤电价格联动对火力发电企业利润造成的风险;最后,通过实例分析了煤电价格联动对火力发电企业的风险影响。     

基于秃鹰搜索算法优化LSTM的短期风速预测

为了实现短期风速的精准预测,提出了一种基于秃鹰搜索算法优化长短时记忆神经网络的短期风速预测方法。将风速、风向、温度和气压作为特征量,采用秃鹰搜索（bald eagle search,BES）算法对长短时记忆神经网络（long short term memory,LSTM）的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化,建立基于BES-LSTM的短期风速预测模型。采用实际风电场相关数据进行仿真分析,并与其他风速预测方法进行对比,结果表明,本文所提BES-LSTM模型预测结果的方均根误差、平均相对误差和可决系数分别为0.182、3.742%和0.992,各项指标均优于PSO-LSSVM模型和SSA-ELM模型,短期风速预测效果更好。     

基于长短时记忆网络-纵横交叉算法的含高比例新能源电力市场日前电价预测

精准的日前电价预测能够协助电力市场参与者做出合理的决策.随着高比例新能源接入电力系统,日前电价的预测难度不断加大.为了提升含高比例新能源电力市场日前电价的预测精度,提出了一种基于奇异谱分析(singular spectrum analysis,SSA)和纵横交叉算法(crisscross optimization,CS...     

基于多模式分解的碳交易价格组合预测模型

针对碳交易过程中碳价序列的非线性和非平稳性,提出一种基于多模式分解、样本熵、鲸鱼优化(whale optimization algorithm,WOA)和长短期记忆神经网络(long short-term memory,LSTM)的组合预测模型.首先,使用奇异谱分解、变分模态分解和完全集合经验模态分解,分别分解原始碳价...     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

能源比价风险预警研究

伴随着我国经济的高速发展,其能源需求不断增加,能源市场化程度越来越高,所面临的风险也越来越大。而我国目前的能源价格风险预警主要针对单个价格,对能源比价预警的研究很少。首先基于时差相关分析法、Granger因果关系检验法及协整关系检验法,建立了原油、煤炭、天然气、成品油、电力这五种能源的价格风险指标体系;其次从能源价格比价结构的角度,通过计算能源比价的变异系数及波动系数遴选了做预警的时间序列;然后基于CGE模型及能源比价的风险分布得出了能源比价的合理范围,并划分了相应的警度区间,提出了能源比价预警响应机制;最后分析了2012年我国能源比价的警度,得出汽油与原油比价、居民天然气与原油比价、工业用电与原油比价、居民用电与原油比价、天然气与煤比价、电与煤比价不合理情况严重;同时,柴油与原油比价存在较大的风险,需要重点关注。     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。     

利用多因素小波变换和多变量时间序列模型的日前电价预测

电力市场中,市场出清电价具有较强的波动性、周期性和随机性,实践证明单一的电价预测模型很难提高预测精度。针对该问题,提出一种基于多因素小波变换和多变量时间序列模型的日前电价预测方法。利用小波变换将历史电价序列和负荷序列分解和重构成概貌电价、细节电价和概貌负荷、细节负荷。用概貌电价和概貌负荷作变量建立多元时间序列模型,预测未来概貌电价;用单变量时间序列模型预测未来细节电价。将概貌电价和细节电价的预测结果求和作为最终的预测电价。采用上述方法对美国加州电力市场日前电价进行预测,并与对比模型进行了详细的比较分析,结果表明该方法能够提供更准确的预测电价。     

Electricity Price Forecasting Based on AOSVR and Outlier Detection

Electricity price is of the first consideration for all the participants in electric power market and its characteristics are related to both market mechanism and variation in the behaviors of market participants. It is necessary to build a real-time price forecasting model with adaptive capability; and because there are outliers in the price data, they should be detected and filtrated in training the forecasting model by regression method. In view of these points, this paper presents an electricity price forecasting method based on accurate on-line support vector regression (AOSVR) and outlier detection. Numerical testing results show that the method is effective in forecasting the electricity prices in electric power market.     

基于趋势指标与长短时记忆网络的电力市场日前电价预测

为提高电力市场日前电价的预测精度,提出一种基于趋势指标与长短时记忆网络（LSTM）的日前电价预测模型。首先,计算日前电价的随机指标（KDJ）与异同移动平均线指标（MACD）,挖掘电价的内在规律信息;然后,将计算出的趋势指标与电价信息输入LSTM,对电力市场日前电价进行预测;最后,利用电力市场日前电价数据进行验证。算例分析表明该模型相比反向传播神经网络（BPNN）、LSTM和门控循环单元网络（GRU）等模型预测精度更高。     

基于可信度加权组合的电价波动模式日前预报方法

准确的日前电价预测对电力市场参与者的优化决策具有重要意义。目前,大多数日前电价预测方法并不区分每天电价的波动模式而采用统一模型进行预测,当被预测日的波动模式与历史数据出现较大差异时无法保证预测的准确性。根据不同的日波动模式采用相似历史数据进行分类建模是解决此问题的有效途径,这就需要建立针对历史数据不同波动模式的分类识别模型和针对未来波动模式的日前预报模型。为此,文章提出一种针对分类预测的电价日波动模式日前加权组合预报方法。第一,采用K-means算法对日电价序列进行聚类分析,在分析聚类结果特性的基础上提取反映每日波动模式差异的特征向量,利用支持向量机分类（support vector machine for classification, SVC）方法建立电价数据日波动模式的识别模型;第二,利用多种常规方法建立日前电价预测模型对日前电价进行预测,并将预测结果输入日波动模式识别模型得到对应的模式识别结果;第三,根据多个方法波动模式预测结果对历史数据表现出来的不同精度,设计了基于可信度的组合机制,实现考虑预测准确性的加权组合预测,从而得到最终的日波动模式预测结果。利用美国PJM电力市场电价数据进行的仿真分析表明,提出的日前电价波动模式预测方法能得到较为准确的模式预测结果;利用电价波动模式日前预报进行分类预测的精度相对统一预测有显著提高。     

考虑碳交易的区域综合能源系统经济调度研究

由电力、天然气、热力等多类型能源组合而成的区域综合能源系统能够对电力系统、天然气系统、供热系统及可再生能源等进行统一管理与调度,提高能源利用效率,具有巨大潜力。构建了以系统成本最小为目标函数,含光伏、风电、微型燃气轮机、储能设备、配电网等联合供电、供热/冷的区域综合能源系统经济调度模型,并在模型中考虑了碳交易问题。针对可再生能源及负荷预测的不确定性,将预测误差表示为服从均值为零的正态分布。运用布谷鸟搜索算法对4种情况分别求解,通过对比分析发现,所建立的模型在满足区域综合能源系统经济性要求的同时,能在一定程度上降低碳排放量。