基于特征构造和改进PSO算法的分布式光伏功率预测

分布式光伏由于其历史数据缺乏,光伏出力的预测精度不高,提出改进粒子群优化算法(PSO)+长短时记忆网络(LSTM)与注意力机制结合的神经网络模型。构造基于聚类算法的特征工程扩充数据集;给出局部最优判据改进粒子群算法并应用于模型的超参数优化,提升模型泛化性;采用注意力机制与LSTM相结合的架构进行短期功率预测。在澳大利亚公开数据集上的实验表明,新的特征工程与光伏出力具有相关性,预测精度相比传统LSTM模型精度提高17.4%,且改进PSO算法相比标准算法收敛性更好。     

电力物资小样本集的改进长短期需求预测模型

为有效保障智慧仓储系统的物资供应能力，对各类电力物资进行准确的需求预测是保证物资采购量和稳定高效供应的基础。针对现有智慧仓储系统接入数据少和难以支撑模型训练的问题，提出一种结合蒙特卡洛模拟和改进长短期记忆网络(long short-term memory, LSTM)的电力物资需求预测方法。首先根据初始数据集的分布和特征，采用蒙特卡洛方法模拟扩充数据集，同时利用KL(kullback-leibler)散度验证生成数据集的一致性，最后建立基于引导聚集算法的改进LSTM电力物资需求预测模型，提高模型的泛化能力和稳定性。通过仿真试验，所提模型有效提高了训练集可用数据过少前提下的电力物资预测精度。     

改进GBDT算法的负荷预测研究

电力系统负荷预测是能源领域的常规问题,为解决电力系统负荷预测中普遍存在的精度不高、特征工程处理较为粗糙等问题,采用了一种基于改进GBDT(gradient boosted decision tree)算法的负荷预测新方法.该方法采用加权离散化的特征工程手段处理输入特征,合理推导GBDT算法的预测原理,并在Python环境中建模预测,输出的3个月的预测误差分别为3.91％、5.00％和4.65％,同时在同一个数据集下,和LSTM(long short term memory)模型进行对比实验,分别用不同的指标对比了二者的泛化性能.实验结果表明,所提的预测算法在运算速度以及泛化能力方面优于LSTM算法.     

基于K-means++和混合深度学习的光伏功率预测

光伏发电输出具有较强的波动性,影响电力系统的调度管理.对此,本文提出一种基于K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型.首先,利用K-means++对历史数据集进行分类,选取合适的数据集作为训练集;其次,搭建以历史功率为输入的LSTM模型获得待修正预测功率值,采用卷积神经网络挖掘气象参数与光伏功率的非线性关系,获取修正系数,对待修正预测功率值进行修正,提高预测精度;最后,在点预测模型的基础上,给予输入参数一定的随机波动,进行多次预测,获取预测误差集,进而获得预测区间.通过澳大利亚沙漠太阳能研究中心光伏电站数据集,选择LSTM、CNN-LSTM及K-LSTM算法进行对比,验证了本文方法具有较高的预测精度和稳定性,且能实现准确的输出功率区间预测.     

基于Mogrifier LSTM-SVR的超级电容寿命预测

超级电容是储能系统中常用的储能元件，为了解决在对其使用寿命预测时，影响因子考虑不全面，预测精度不高的问题，提出基于支持向量机回归算法与改进的长短期记忆网络算法(Mogrifier LSTM-SVR)相结合的超级电容的使用寿命预测模型。通过引入温度、电压和电流三种超级电容寿命影响因子，建立更贴近实际的超级电容寿命模型，选取剩余容量作为特征参数。构建Mogrifier LSTM网络，在传统的LSTM中增加Mogrifier门机制，并利用支持向量机回归(SVR)对Mogrifier LSTM网络预测误差回归预测，修正误差。通过仿真实验和模型的预测结果对比分析表明，Mogrifier LSTM-SVR对超级电容寿命预测的准确性更高，误差波动量级更小。     

基于EMD-IPSO-LSTM模型的短期电力负荷预测

准确地预测短期负荷为发电厂电力调度提供依据,提高电力系统的经济性。由于负荷数据的非线性非平稳性,提出一种经验模态分解-改进粒子群算法-长短期记忆(EMD-IPSO-LSTM)的预测模型。首先,利用EMD处理非线性的负荷序列,将序列分解为多个本征模态函数(IMF)以及残差(Res),引入非线性递减分配方法和正弦函数分别改进粒子群算法(PSO)的惯性权重和学习因子,可以更有效地寻找LSTM参数的最优解。其次,利用IPSO优化LSTM的第1层神经元个数、损失率、以及批量大小等参数,将所有IMF和Res分为高、中,低频三组分量,并代入优化后的LSTM网络进行预测,叠加获取最终的预测结果。最后,以GEFCom2014预测竞赛电力负荷数据集进行仿真实验,并且对LSTM、IPSO-LSTM、EMD-PSO-LSTM这3种模型作比较,结果表明所提的预测模型具有较高的预测精度。     

基于误差分类的风电功率区间评估

为了提高风电功率的区间评估精度,结合预测误差数据的特性,提出了一种基于误差分类的区间评估方法。首先,引入K-means聚类算法,以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后,建立误差区间评估模型,以风电功率数据和历史预测误差为模型输入,以预测误差区间为输出,利用长短期记忆(LSTM)神经网络深度学习模型输入和输出之间的关联。最后,利用Elia网站风电数据进行验证,结果表明,与其他评估模型和传统的误差概率分布方法相比,所提方法更能抓住误差数据的特性,能够得到更为准确的风电功率区间评估结果。     

改进鹈鹕算法优化LSTM的加热炉钢坯温度预测

在钢铁生产加工过程中,钢坯出炉温度直接影响着钢材的质量,为了精确预测钢坯出炉温度,因此提出了改进鹈鹕优化算法(IPOA)和长短记忆神经网络(LSTM)相结合的轧钢温度预测模型。首先,通过主成分分析法(PCA)对数据进行处理,其次运用改进鹈鹕优化算法寻找到LSTM的最优参数,最终建立基于主成分分析的IPOA-LSTM轧钢温度预测模型,并同LSTM模型以及IPOA-LSTM模型进行对比,基于主成分分析的IPOA-LSTM模型的均方根误差为3.276 3,平均绝对误差为2.116 1,决定系数R²为0.958 2,与其他两个模型相比有更高的预测精度。     

基于自适应Kmeans和LSTM的短期光伏发电预测

光伏发电功率预测是可持续电力系统设计,能源转换管理和智能电网建设领域的重要主题。精准的光伏发电功率预测是电网日常调度管理与安全稳定运行的关键。本文提出了一种基于自适应Kmeans和长短期记忆(LSTM)的短期光伏发电功率预测模型。根据短期光伏发电特性,选取了预测模型的初始训练集。采用自适应Kmeans对初始训练集以及预测日的光伏发电功率进行聚类。在各类别的初始训练集数据上分别训练LSTM,结合训练完成的LSTM进行发电功率的预测。最后,考虑三种典型天气类型,采用所提方法进行仿真分析。结果表明,与其他三种方法相比,本文提出的方法的精度有了明显提升,误差更小。     

基于XGBoost算法融合多特征短期光伏发电量预测

针对目前光伏发电过程中由于“弃光”现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。首先介绍XGBoost算法的基本原理,并引入正则化惩罚函数和误差函数来构建光伏预测模型的目标函数;并分析了光伏发电量和各特征之间的皮尔森相关系数,同时对特征的异常数据进行预处理。在训练过程中为了避免对模型超参数的影响,采用K 折交叉验证(K Fold Cross Validation)对数据的训练集、验证集和测试集进行划分;训练完模型参数后把测试集数据放到光伏预测模型中,预测得到未来三天的光伏发电量。对比实验选择其他两种预测方法SVM和LSTM,实验结果表明XGBoost算法在预测光伏发电中的有较高的准确性和实用性。     

220 kV变电站10 kV直供负荷的改善措施及其经济分析

为了协调220 kV与110 kV变电站布点关系,结合某省220 kV变电站三卷变压器10 kV低压侧直接向负荷供电（简称直供）的实际情况,对全省220 kV变电站进行统计分析,研究其直接供电的现状及运行中反映的问题,并有针对性地从技术和经济层面提出解决办法：对10 kV直供负荷供电时,将配电网规划和10 kV直供负荷相结合,优化配电网的结构,合理利用220 kV变电站的容量,由220 kV变电站向周边10 kV负荷系统直接供电,在确保供电可靠性的情况下,控制10 kV线路的送电距离。以上措施可挖掘现有电网的供电潜能,降低线路损耗,使电网布局更趋合理。     

大规模储能系统发展现状及示范应用

随着储能技术的飞速发展,大规模储能系统已经成为保证电力系统可靠供电的一个重要手段。介绍了储能技术的类别及其在电力系统中的作用,并阐述了其在电力系统中的应用研究现状和目前的主要示范应用实例,论述了储能技术未来发展趋势。     

智能变电站中高频开关电源技术应用

高频开关电源因其性能可靠、体积小、效率高等优点,已广泛应用于智能变电站直流系统中,为变电站安全、可靠运行提供保障。首先简单介绍了交直流一体化电源系统,然后分别对直流充电模块、通信电源模块、UPS电源模块作了详细分析,重点研究了高频开关电源的N+1冗余技术和均流技术。通过研究发现,这2种技术的应用提高了高频开关电源模块的可靠性。高频开关电源能够满足智能变电站对直流系统可靠性的要求。     

基于先验方差的发电机惯量辨识数据质量评估

发电机惯量是电力系统频率特性分析与在线应用的重要参数。基于发电机正常运行时机端有功功率和频率的类噪声信号可对发电机惯量进行实时辨识。然而实测数据质量存在的缺陷,导致现有算法对实测数据辨识效果较差。为解决该问题,本文以谱分析与系统辨识理论为基础,通过参考系统估计、模型参数方差估计、惯量方差估计三个步骤,建立惯量辨识结果的先验方差统计量,在进行辨识前对类噪声数据段进行评价和筛选,提升了惯量辨识的准确度。基于仿真数据和实测数据的数据评估筛选结果验证了本文提出方法的有效性。结果表明,先验方差较小的数据段,惯量辨识的准确度较高。     

微电网概率性最优的储能容量研究

针对可再生能源发电受外界环境影响较大、难以控制,接入微电网后对其安全运行带来很大挑战的问题,指出在微电网中接入储能装置可有效地解决此问题;研究了微电网孤岛运行时储能容量的确定方法,提出了一种概率性最优的储能容量确定方法：计算了微电网调度出力与负荷需求的功率差额,并根据其概率函数密度曲线确定储能系统的最大充放电功率;根据储能系统不同时刻其充、放电量累计值的概率函数密度曲线,求出其最优储能容量,使电网能实现经济效益最优和可再生能源利用率最大。采用该方法确定微电网储能容量,具有求解方法简捷、所需储能容量小的特点。     

1 000 kV皖南-浙北特高压线路工频参数测试干扰及结果分析

特高压线路工频参数测试干扰分析是选择适合工频参数测试方法及测试结果分析的重要基础。测试了1 000 kV皖南-浙北特高压线路正序和零序参数测试期间的干扰电压信号,分析了其频谱特征;在此基础上,通过与正序参数仿真计算值的对比分析了正序参数实际测试偏差。结果表明：皖南-浙北特高压同塔双回线路工频参数测试期间,干扰电压存在“三相不平衡性及时变性”的特点;工频法和异频法2种不同方法得到的线路参数测试结果存在一定差异;干扰电压“时变”时,线路工频参数测试宜采用异频法。     

基于暂态相关性分析的小电流接地故障选线方法

小电流接地系统发生单相接地故障时,接地点产生的暂态故障电流包含了整个系统中全部的暂态故障电流特征量。非故障线路的三相暂态电流主要表现为对地电容电流,考虑到系统中存在的电感影响,健全线路中的两相电流差非常小,且波形与自身的暂态零序电流明显不相关,而故障线路的两相电流差与其暂态零序电流表现出明显的相关性。利用这一特征,首先对母线电压进行小波变换,通过三相近似系数比例AR检测配电网是否发生了单相接地故障,并找出故障相;然后,运用相关性分析比较各条线路的两相电流差与零序电流的相关性,能够正确地选出故障线路,文章通过MATLAB/SIMULINK建模,验证了该方法的正确性。     

East China Market in Dire Need of Three Major Breakthroughs

Since started as a pilot project of regional power marketin June, 2003, East China power market has been actively andsteadily progressing, and has promulgated in succession amarket establishing program, market operating rules andspecifications for the functions of technical support systems.The technical support systems have been built up by stagesincluding the master station system in East China region and     

12th International Conference on Electronic Measurement & Instruments(ICEMI'2015)

正Qingdao,China 7.16-19,2015 The International Conference on Electronic MeasurementInstruments(ICEMI)is the world's premier conference dedicated to the electronic measurement and test of devices,boards and systems that is covering the complete cycle from design,verification,test,diagnosis,failure analysis and process of manufactory and products     

ICEMI' 2015征文通知（英文）

正Qingdao,China7.16-19,2015The International Conference on Electronic MeasurementInstruments(ICEMI)is the world’s premier conference dedicated to the electronic measurement and test of devices,boards and systems that is covering the complete cycle from design,verification,test,diagnosis,failure analysis and process of manufactory and products