基于 GA-BP神经网络的稳态电能质量预测

针对稳态电能质量指标数据的时序性和非线性,提出一种基于遗传算法(GA)和BP神经网络的电能质量预测方法,将电能质量历史数据和负荷数据、气象数据作为网络输入,使用GA优化BP神经网络的初始权值、阈值,通过该网络完成数据集的训练与预测.最后使用某线路电能质量检测点获得的真实数据验证了模型的准确性、可行性.     

基于趋势跨度指数的稳态电能质量趋势识别及预警方法

针对传统稳态电能质量分级预警中多以数值大小与设定阈值对比、较少考虑指标长期变化趋势的局限性，提出一种基于趋势跨度指数的稳态电能质量趋势识别与预警方法。首先采用STL(seasonal and trend decomposition using locally weighted regression)分解算法对稳态电能质量指标时间序列进行回归分解，提取趋势分量；其次采用Mann-Kendall检验法识别电能质量指标趋势分量的趋势类型；然后提出趋势跨度指数以量化电能质量指标趋势变化程度，并根据趋势跨度指数的分布特征划分预警等级；最后采用理想解排序法对监测点电能质量恶化风险进行综合评价。将该方法应用于某市稳态电能质量实际监测数据，对监测点各项电能质量指标以及整体电能质量水平进行趋势预警。     

基于量子聚类的稳态电能质量综合评估方法

针对稳态电能质量监测数据不均衡特点，提出基于量子聚类稳态电能质量综合评估方法。对监测数据进行量子聚类，获得特征各异的若干越限模式；定义聚类簇中心各指标偏离限值程度之和的排序结果为越限模式严重度；根据各区域监测数据在不同聚类簇的分布占比定义区域越限严重度，反映各区域的电能质量相对水平；最后通过某市11个区域的监测数据实现稳态电能质量综合评估。该方法能从不均衡监测数据中有效挖掘出不同越限模式，利于区域间电能质量水平对比。     

电能质量监测装置的优化配置

提出利用线性规划原理对全网电能质量监测装置进行优化配置的方法.以构建监测网络风险水平最'低为目标和以全网各节点电压满足可观测为约束条件,建立电能质量监测装置优化配置的线性规划模型,同时给出评价监测网络性能指标.通过对算例的计算分析表明,该模型能够大大降低构建电能质量监测网络的经济成本,同时实现对电能质量大范围的实时监测,为以后电能质量实时监控提供良好的技术支持.     

基于LabVIEW的新型电能质量实时监测系统

为了解决传统电能质量检测装置测量功能少、存储容量较小、缺少网络化功能、不能进行长时间多点监测的问题.本文研究了电能质量五项稳态指标的相关测量方法,并在此基础上,以LabVIEW为开发平台,结合TCP/IP网络传输协议、DataSocket技术、远程面板访问技术以及数据库技术,开发了一种新型的电能质量实时监测系统,实现了对电能质量指标的实时监测及远程传输.具有一定的实用价值和推广价值.     

Fisher判别分类法在光伏并网系统稳态电能质量评估中的应用

针对稳态电能质量综合评估的复杂性以及单项指标在反映电能质量综合水平的局限性,首次提出将Fisher判别分类法用于并网光伏稳态电能质量的评估,进而确定光伏并网可行性。根据已知的电能质量国家标准,通过构造样本来得到判别模型,然后利用回代估计法对模型进行检验,并对实际系统进行判别分析。实验结果表明所提方法所得误判率小,具有较强的判别能力。     

区域电网电能质量治理市场化运营模式的设计

高渗透率分布式电能资源接入背景下市场化改革是区域电网发展的趋势.文中提出一种基于电能质量管理计划的区域电网市场化运营模式,设计了具有动态分层特性的市场运营组织架构,设计了满足区域电网稳态电能质量治理的能量管理系统,给出了区域电网源-荷能量管理子系统和区域电网网络能量管理子系统的结构和两者的互动方式,设计了基于电能质量管...     

小波（包）电能质量分析的综合性能评估

分析了Daubechies系小波随阶数增大,时频域分析特性的递变规律;归纳了用于电能质量综合性能分析与评估的小波选取原则;比较了Daubechies系小波对五种典型电能质量问题的分析结果.仿真结果表明,Daub20小波变换能够兼顾电力系统暂态和稳态电能质量问题的分析要求,同时准确地完成暂态扰动发生时刻定位、扰动时间内信号特征提取以及谐波检测等工作.在电力系统多重扰动存在的情况下,能够有效地对暂态和稳态电能质量问题进行分析,有利于快速、实时地进行电能质量综合性能评估.     

典型电能质量稳态指标预测模型研究EI北大核心CSCD

电网典型电能质量稳态指标的准确预测对优化电网运行方式和提高电网供电质量具有重要意义。根据电能质量稳态指标似周期、非周期的特点,提出一种基于混沌理论和最小二乘支持向量机（least squares support vector machine,LSSVM）的电能质量稳态指标预测模型。首先采用混沌理论对典型电能质量稳态指标历史数据进行相空间重构,构造包含吸引子的新数据空间;其次利用最小二乘支持向量机在高维空间下进行样本训练,并结合粒子群算法优化最小二乘支持向量机参数;最后得到最佳预测模型。基于某地配电网电能质量实际监测数据,采用所提模型进行典型电能质量稳态指标预测,平均相对误差均在8%以下,优于传统BP神经网络预测方法。     

典型电能质量稳态指标预测模型研究

电网典型电能质量稳态指标的准确预测对优化电网运行方式和提高电网供电质量具有重要意义。根据电能质量稳态指标似周期、非周期的特点,提出一种基于混沌理论和最小二乘支持向量机(least squares support vector machine,LSSVM)的电能质量稳态指标预测模型。首先采用混沌理论对典型电能质量稳态指标历史数据进行相空间重构,构造包含吸引子的新数据空间;其次利用最小二乘支持向量机在高维空间下进行样本训练,并结合粒子群算法优化最小二乘支持向量机参数;最后得到最佳预测模型。基于某地配电网电能质量实际监测数据,采用所提模型进行典型电能质量稳态指标预测,平均相对误差均在8%以下,优于传统BP神经网络预测方法。     

基于注意力机制的CNN-LSTM短期电价预测

短期电价预测结果的准确性对存在多元化竞争格局的电力市场具有重要意义。为提高在电价跳跃点和尖峰点的预测精度及预测效率,针对多因素融合影响的电价序列与其影响因素间隐含的非线性关系,提出了一种基于ATT-CNN-LSTM的短期电价预测方法。首先,采用灰色关联度分析法分析负荷因素与电价之间的关联程度,筛选出关联度较高的数据作为最优模型输入。其次,通过注意力机制(Attention, ATT)自适应分配输入数据的权重,以权重大小区分强弱特征数据。再利用卷积神经网络(Convolution Neural Networks, CNN)对数据集进行二次特征提取及降维处理,优化输入长短期记忆神经网络(Long Short-Term Memory, LSTM)中的数据,从而提升LSTM网络的预测精度与训练速度。对澳大利亚电力市场的实测数据进行算例分析,通过与其他主流算法对比,验证了所提方法具有更高的预测精度和计算效率。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

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CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

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。     

基于小波变换和长短期记忆神经网络的电力负荷预测

电力系统需要保持发电功率与用电负荷的即时平衡,而电力负荷具有非线性、时变性和不确定性等特点。针对此问题,考虑天气与日期类型的影响,构建小波变换（wavelet transform,WT）和长短期记忆（long short-term memory,LSTM）神经网络组合预测模型,对电力负荷进行短期电力负荷预测。首先,用小波变换对数据集进行特征提取、信号去噪,消除数据的波动性;其次,将预处理后的数据利用LSTM进行训练,将输出结果进行序列重构;最后,进行负荷预测,WT-LSTM组合预测模型分别与BP神经网络预测模型和LSTM预测模型进行对比数据。结果表明,WT-LSTM神经网络组合预测模型的预测效果最好,有效地提高了预测精度。     

含高比例风电的电力市场电价预测

在解除管制的电力市场中,精确预测电价有助于市场各方有效参与市场运营与管理。清洁能源渗透率的提高,给电价预测精度带来了新的挑战。文中选择不同的输入特征变量并结合长短期记忆(LSTM)网络的特点,构建含高比例风电的电力市场电价预测模型对含有风电的电力市场电价进行预测。研究表明,风能和负荷的比值是含高比例风电的电力市场风电电价预测的关键输入参数。LSTM具备时间延迟记忆特点,拥有较好的电力市场时间序列电价预测能力。以北欧市场中DK1电力市场实际数据为基础,采用3种模型进行对比分析,结果表明含有风能和负荷的比值且考虑多时刻信息输入的LSTM模型可以较大地提高低谷时段的电价预测精度。     

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。     

基于多维特征分析的链式电网短期用电量预测研究

针对链式电网短期用电量既具有波动性,又具有非线性特征,导致用电量预测精度低的问题,进行了基于多维特征分析的链式电网短期用电量预测研究。结合组织映射电网与实际环境,借助多维特征分析方法从非平稳随机序列中提取趋势变量和周期变量。通过计算用户多维特征评价结果,能够构建用户多维度用电特征集合,依据该集合分类多维用电特征集,分别为电模式特征和辅助用户特征,通过这些特征能够获取时间序列关键性信息,构建多维特征分析下用电量预测模型,获取整体数据流转情况,完成链式电网短期用电量预测。通过实验研究结果可知,该方法预测效果较好,相比于以往方法能显著提高预测精准度。