基于灰色投影改进随机森林算法的电力系统短期负荷预测

针对短期负荷预测领域传统的机器学习算法(如人工神经网络、支持向量机等)存在的诸如泛化性能不强、参数和模型结构确定困难等问题,将随机森林回归算法引入短期负荷预测领域。同时应用投影原理改进了传统的灰色关联相似日选取算法,提出了一种基于灰色投影改进随机森林算法的电力系统短期负荷预测组合方法。基于灰色投影的相似日选取方法,采用灰色关联度判断矩阵表征历史样本与待预测日影响因素间的关联关系,并用熵权法确立影响因素的权重对判断矩阵加权,最后利用各个样本关联度投影值排序得到相似日集合。采用随机森林算法建立预测模型,利用灰色投影筛选出的相似日样本集合训练模型,最后输入预测日特征向量(天气预报数值、日类型等)完成预测。以浙江电网某县级市的负荷数据作为实际算例,并将上述方法与支持向量机方法以及未作灰色投影改进的随机森林算法进行对比。实验结果表明,新方法具有较高的预测精度和鲁棒性。     

基于风险系数的输电线路覆冰舞动预警方法

近年来输电线路舞动事故频发,严重威胁着电网的安全运行。为了达到提前预警、及早防范的目的,降低输电线路舞动对电网安全运行的影响,提出了基于风险系数的输电线路覆冰舞动预警方法。文中通过关联历史舞动样本和气象数据,分析了影响舞动的气象条件,在此基础上提出涵盖风速、舞动持续时间等参量的风险系数以表征输电线路舞动风险,根据实际生产需求划分出不同的输电线路舞动风险等级并建立覆冰舞动预警模型。采用河南电网历史气象资料进行了验证,证明了模型的有效性。     

基于灰色关联模型的输电线路舞动预警方法

中国是世界上架空输电线路覆冰舞动最严重的国家之一。近年来输电线路舞动跳闸呈现出频率高、影响范围大的特点。提出了一种基于灰色关联模型的输电线路舞动预警方法,根据舞动故障发生的主要原因,建立指标体系,并根据各指标的影响程度采用层次分析法对各个指标分别赋以权重。据此再利用灰色关联理论将当前数据与参考数据进行关联度分析,从而计算当前线路发生舞动故障的危险指数,对故障发生的可能性进行预测。检修人员可以基于预测结果选择相应的巡检策略,从而做到有针对性地预防舞动故障,提高巡检效率,进一步减小输电线路舞动带来的危害。     

基于改进模糊层次综合评判法的输电线路舞动预警

输电线路舞动严重影响电网的安全运行。文中从造成输电线路舞动的影响因素出发,将模糊数学理论运用到输电线路舞动预警研究中,构建基于改进模糊层次综合评判法的输电线路舞动预警模型。文中首先筛选出垂直风速、雨量、相对湿度、气温、导线张力5个主要影响指标,构建预警评判因素集以及Ⅳ级、Ⅲ级、Ⅱ级、Ⅰ级4种评判目标集。然后,将监测数据代入模型计算,根据模糊综合评判结果发布预警信息,为工作人员感知线路风险、做好防灾准备提供指引。最后,开发基于ArcGIS Engine的输电线路舞动预警辅助决策系统,可视化展示预警信息,并选取实际线路数据验证所提方法的有效性,结果表明所提预警方法与技术可为输电线路安全运行提供决策支撑。     

基于GA-BP神经网络算法的输电线路舞动预警方法

针对传统BP神经网络初始权值和阈值随机产生、易陷于局部最优化、收敛速度慢以及隐含层的神经元数量不易确定等问题,采用遗传算法对BP神经网络的初始权值和阈值空间进行遗传优化,获取最优权值矩阵和阈值矩阵,并由此进行误差反向前馈神经网络的训练学习,同时采用试错法,结合相关公式,缩小隐含层神经元数量范围,寻找最优神经元数量,建立GA-BP神经网络模型,对输电线路舞动的发生进行预警。通过对相关地区输电线路舞动历史数据进行了算例分析,对比其他机器学习算法的预测结果准确性,结果表明：改进的GA-BP神经网络能更准确有效地预测输电线路舞动的发生情况;为防止大规模舞动灾害提供有力了保障,进一步提高了电网抵御自然灾害的能力。     

基于BP神经网络的输电线路舞动预警方法

为了保证在覆冰舞动环境下输电线路的正常运维,将输电线舞动预警问题归结为有监督机器学习方法下的分类预测问题,提出了一种基于BP神经网络的舞动预警方法。通过分析影响舞动的外界气象因素,构建了以风速、风向与线路的夹角、相对湿度以及温度为输入特征量的BP神经网络学习算法,判断是否达到易舞气象条件预测输电线的舞动情况,并采用评价指标评估其预警性能,以便进行模型改进。采用河南电网舞动相关历史数据进行算例分析,验证了所提方法的有效性和实用性。输出的预警结果可为电网运维人员合理制定调度决策提供支持,保证电网安全迎峰度冬。     

基于随机森林算法的架空输电线路状态评价方法

对电网中架空输电线路进行准确的状态评价可以有效降低故障率,提高系统的供电性能。该文提出一种基于随机森林算法的架空输电线路状态评价方法。首先,通过对架空输电线路状态的影响因素分析,以线路8个单元选取的状态量和特殊情况状态量构建了包含79个状态量的架空输电线路状态量体系。其次,基于随机森林算法,构建了架空输电线路状态评价的多棵子决策树组合分类模型。然后,通过优化决策树数目和随机特征变量,提高随机森林算法分类性能和计算效率。最后,以某市110 kV电压等级架空输电线路实际数据进行实例分析。结果表明,采用该方法可实现架空输电线路状态的准确评价,从而为区域电网的运行调控提供决策支持。     

基于灰色支持向量机的输电线路覆冰厚度预测模型

为了降低输电线路覆冰事故对电网安全造成的严重影响,对输电线路覆冰厚度进行预测将能够有效地指导电网抗冰工作。提出了基于灰色支持向量机的输电线路覆冰厚度短期预测模型,分析了样本中脏数据的剔除及数据预处理方法,通过模型预测值与实测数据的对比验证了该模型的准确性和适用性,根据模型预测的线路最大覆冰厚度值对现场观冰、冰情预警以及开展交直流融冰提供策略指导。将该模型与传统的支持向量机和广义回归神经网络覆冰预测模型进行了对比,结果表明,该模型平均误差为0.325 mm,平均绝对百分误差仅为2.61%,适用于输电线路覆冰厚度短期预测。在易覆冰地区,应用该预测模型能够更好地指导输电线路抗冰工作。     

基于KNN-SVM算法的输电线路杆塔雷击预警模型

输电线路杆塔雷击预警对保障电力系统安全运行具有重要意义。针对历史雷击监测数据中存在的重复性、交错性、多噪声等问题,提出了一种基于K近邻(k-nearest neighbor,KNN)和支持向量机(support vector machine,SVM)相融合的输电线路杆塔雷击预警模型。首先选取微气象、微地形及输电线路杆塔本体信息等全景数据作为输入变量,并通过K近邻算法对训练样本进行有效约简,然后利用支持向量机分类器搭建输电线路杆塔雷击预警模型,最后通过实际监测数据进行算例分析。结果表明,所提KNN-SVM预警模型相比于SVM具有更好的分类准确率和训练速度。运用该模型可有效地对输电线路杆塔雷击进行预警。     

基于PSO-RBF的输电线路覆冰预测研究

覆冰后的架空输电线路在风载荷的作用下,容易产生导线舞动现象,严重危害输电线路安全。提出一种基于PSO-RBF的神经网络模型对输电线路的覆冰情况进行预测,对微气象参数影响因子进行排序,选取合适的微气象因素作为模型的输入,降低建模输入的维度,并通过粒子群算法对RBF神经网络参数进行优化,与单一的RBF神经网络相比提高了预测精度,能及时了解导线覆冰的趋势并给出预警,有效防止严重覆冰事故的发生。     

基于灰色聚类分析的输电线路舞动分级预警方案

输电线路舞动灾害会造成严重的电网安全事故和经济损失。为了对舞动事故的发生进行预警,提出了一种基于灰色聚类分析的输电线路舞动分级预警方案。根据舞动发生的主要原因,从气象因素、风的激励和线路结构因素三个方面建立影响输电线路舞动的指标体系,并采用层次分析法计算指标权重。采用灰色聚类分析进行舞动分级预警方案设计,由白化权函数和指标权重值计算综合聚类系数,并根据其最大值判断舞动状态。对算例的计算结果与实际舞动状态吻合程度较高。本文的预警方案可以为舞动灾害的防治提供借鉴和参考。     

基于随机风场概率加权的台风灾害下输电线路损毁预警

为解决台风灾害下输电线路损毁预测精度和数据利用率低的问题,建立了基于随机风场概率加权的输电线路损毁概率预测混合模型。该模型综合考虑了气象、微地形、杆塔运行和实时损毁等空间多源异构信息的融合。首先,使用极值Ⅰ型概率分布进行阵风的风值模拟,通过柯尔莫哥洛夫-斯米尔诺夫假设检验证明了其具有较高的精度;其次,利用蒙特卡洛法实现了随机风场的概率生成;最后,利用随机森林法预测每个风场下的线路损毁概率,实现了基于随机风场概率加权的输电线路损毁概率预测,该预测结果可为电力部门提供有效的预警决策支持。以台风"山竹"为实例,验证了所提基于随机风场概率加权的输电线路损毁概率预测混合模型的科学性及有效性。     

基于阿基米德Copula和拉丁超立方采样的概率最优潮流计算

提出一种考虑随机变量相关性的概率最优潮流算法。选用广义lambda分布拟合最优潮流模型中的随机变量,建立逆累积分布函数;基于Clayton、Gumbel、Frank、Joe生成元,构筑4种部分嵌套式阿基米德Copula模型对随机变量的相关性结构建模;选取Kendall秩相关系数描述随机变量的相关性,采用相关系数匹配法求取Copula模型的参数;基于生成元的拉普拉斯逆变换,将阿基米德Copula与拉丁超立方采样相结合,生成相关的随机样本用于概率最优潮流计算。对某地区10个风电场风速样本的建模和分析,验证了广义lambda分布和部分嵌套式阿基米德Copula模型的有效性。基于IEEE 118节点系统对2种拉丁超立方采样法进行了对比。     

基于AdaBoost-SAMME的风力发电机组变桨异常识别系统

为了实现对风力发电机组变桨系统的预见性维护,提出了在机组健康管理平台上开发变桨异常识别系统的设计思路。在模型算法构建过程中,提出将变桨速度的频域特征作为分类特征,实现了对异常征兆的精确刻画。利用AdaBoost-SAMME算法将变桨速度分为高频、低频以及正常三类,与人工神经网络、支持向量机、随机森林等五种算法对比发现,即使各类样本数量严重不均衡,AdaBoost-SAMME算法的准确率、查准率、查全率及G-mean等评价指标也都优于其他算法。为了提高系统的自学习能力,提出了一种基于欧式距离的新样本判断方法,以此自动扩增训练样本规模。应用实例验证表明,基于AdaBoost-SAMME算法的变桨异常识别系统具有显著的分类效果和良好的稳定性,解决了不同机型的变桨速度频域特征普适性规律不明显,常规逻辑判断方法无法识别变桨系统异常的技术难题。该系统实现了在故障前识别出异常的预警功能,能够指导现场人员开展预见性维护,提高机组的可靠性和可利用率。     

采用预测模型与模糊理论的风电机组状态参数异常辨识方法

为提高风电机组的停运预警能力,基于风电场数据采集与监控(SCADA)系统数据提出了一种风电机组状态参数的异常辨识方法。对参数进行划分,针对与环境因素密切相关的状态参数,采用神经网络建立了状态参数预测模型。采用本机组近期SCADA样本、本机组历史样本和其他机组近期样本分别作为预测模型的训练数据,对比分析了基于3类样本建立的模型的预测精度。采用平均绝对误差对基于本机组历史样本和其他机组近期样本建立的预测模型进行选择。定义了异常程度指标量化预测残差的异常程度。为了提高异常辨识的精度,采用模糊综合评判对筛选出的预测模型的异常辨识结果进行融合。最后,以国内某风场的1.5 MW风电机组为例进行了异常分析,并与传统的风电机组状态参数异常检测方法进行了对比,实例分析结果表明所提出的异常辨识方法具有更高的准确性。     

1000kV交流紧凑型输电线路舞动计算分析

导线舞动是影响架空输电线路安全稳定运行的重要因素之一。由于紧凑型输电线路相间距离较小,1000kV特高压紧凑型输电线路可能采用10分裂或12分裂的导线,共发生舞动的几率可能大于采用其它多分裂形式导线的线路,因此进行1000kV特高压紧凑型输电线路的舞动计算分析是十分必要的。为此,建立了1000kV特高压紧凑型输电线路导...