基于改进极限学习机的短期电力负荷预测方法

为了提高电力系统短期负荷预测精度,提出一种基于改进极限学习机(MELM)的短期电力负荷预测模型。引入基于结构风险最小化理论,并结合最小二乘向量机回归学习方法,以克服传统极限学习机(ELM) 在短期负荷预测中存在的过拟合问题。某地区用电负荷预测结果表明,改进模型的泛化性与预测精度均优于传统ELM和OS-ELM模型,可为短期电力负荷预测提供有效依据,具有一定的实用性。     

基于多特征提取的Attention-BiGRU短期负荷预测方法

电力负荷预测在电力系统发展中起着重要的作用,为供电提供了重要的指导。短期电力负荷预测(STLF)可以在短时间内保证电网的安全和稳定。为解决预测精度不足且数据集单一缺乏参考因素的问题,提出一种基于多特征提取并结合注意力机制的双向门控循环单元(Attention-BiGRU)网络短期电力负荷预测方法。预测模型采用门控循环单元(GRU)的基本结构,在已有数据特征的基础上进行时间特征与数据分布特征提取,将所有特征作为负荷预测的影响因素,然后使用注意力机制对输入序列进行权重分配,使用双向门控循环单元(BiGRU)网络对特征进行学习并输出负荷预测值。仿真结果表明,基于多特征提取的Attention-BiGRU网络表现优于传统高斯回归预测方法、GRU网络、多特征提取的BiGRU网络和BiGRU网络。     

考虑区间构造的改进极限学习机短期电力负荷区间预测

针对区间预测中电力负荷预测区间范围过宽和精度不高的问题,提出一种基于灰狼优化算法(graywolf optimizationalgorithm, GWO)-蚁狮算法(antlion optimizationalgorithm, ALO)优化的极限学习机(extreme learningmachine,ELM)短期电力负荷区间预测方法。首先将电力负荷历史预测误差进行正态分布拟合,构造负荷功率历史区间。进而将负荷历史区间和历史前24h、前2h及前1h功率作为模型输入。然后考虑ALO的随机初始种群会影响求解速度与质量,利用GWO生成ALO的优质初始种群,避免陷入局部最优解。接着用ALO优化ELM输入权重及隐藏层偏置,构建具有强泛化能力的ELM短期电力负荷区间预测模型。最后利用湖南省某市电力负荷进行验证,通过多种方法对比,所提方法准确度更高,预测区间质量更好。得到的区间预测结果能为电力系统调度、新能源消纳提供精确的负荷变化信息。     

基于改进高斯过程回归的短期负荷概率区间预测方法

电力市场改革和分布式能源的并网给电网的运行和规划带来了许多不确定性的因素。为获取更准确、更综合的电力负荷预测值信息,提出一种基于K-means特征提取和改进高斯过程回归的短期负荷概率区间预测方法。首先利用历史负荷数据建立候选特征集,然后通过K-means的特征提取方法先对候选特征集进行分类,再利用K邻域内特征变量之间的互信息来选取负荷最优特征子集,并实时更新最优特征子集。为了准确捕捉电力负荷的时变特性,利用改进的高斯过程回归算法进行电力负荷概率区间预测,主要包括动态更新超参数和滑动窗更新训练样本集两个部分。实例表明,所提方法相比分位回归、高斯过程回归而言预测精度更好,所形成的预测区间具有更窄的区间宽度和更高的覆盖率,能为电力系统的运行规划提供更全面、更有效的负荷信息。     

基于极限学习机与负荷密度指标法的空间负荷预测

空间负荷预测对有配电网的规划建设具有重要意义,为了提高配电网空间负荷预测的精度,文中提出基于极限学习机(ELM)的配电网空间负荷预测算法,采用粒子群优化(PSO)模型的参数。首先根据用地性质将负荷分类,再通过模糊C均值(FCM)算法对每一类负荷进行聚类分析,建立精细化的负荷密度指标体系。根据待预测地块的特性指标选取训练样本,代入ELM训练,提高预测精度。通过搜索的数据对实例进行仿真试验,通过对比未引入FCM算法的相对误差、未引入PSO算法的相对误差以及采用PSO-ELM算法的相对误差可得,文中提出的PSO-ELM算法具有较高精度,满足实际工程的要求。     

基于人工蜂群优化极限学习机的短期负荷预测*

针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。     

基于熵权法与GRA-ELM的配电网空间负荷预测

空间负荷预测对配电网规划建设具有重要意义。为了提高配电网空间负荷预测精度,文中提出基于熵权法与灰色关联分析-极限学习机(GRA-ELM)的配电网空间负荷预测方法。首先,将规划区域内的小区按用地性质划分,分析不同类型负荷的影响因素,建立空间负荷密度指标体系;其次,利用熵权法对不同类型负荷的负荷密度指标进行权重分配;然后,应用GRA挑选出与待测地块负荷密度指标相似的训练样本;最后,将样本带入经粒子群优化(PSO)算法参数处理后的极限学习机(ELM)进行训练,得到预测结果。通过实例对所提方法的性能进行仿真验证,结果表明,所提方法相对其他方法的空间负荷预测精度更高。     

考虑负荷自适应检测和修复的鲁棒极限学习机短期负荷预测方法

针对现有负荷预测方法对于温度、湿度累积效应下的短期负荷预测精度低的不足,该文提出了一种基于时变Cook距离统计量的负荷异常值检测和基于非参数概率密度估计的负荷自适应修复的鲁棒极限学习机(extreme learning machine,ELM)短期负荷预测方法。首先将历史负荷数据按季节分组,根据每个季节实时负荷和对应的气象因素,利用递归最小二乘法获取历史负荷数据的自适应遗忘因子,构建基于遗忘因子的时变Cook距离统计量,检测负荷数据中的异常值(或强影响值);采用非参数概率密度估计,构建实时负荷与气象因素的随机模型对异常负荷值(或强影响值)进行修复。考虑电力负荷数据异常值对预测精度的影响,采用了一种鲁棒ELM算法对负荷数据进行回归分析;最后,引入基因遗传算法对负荷预测模型参数进行优化,提升负荷预测算法预测准确率;通过实例仿真分析,验证了该方法提高预测精度的有效性。     

Tsne降维可视化分析及飞蛾火焰优化ELM算法在电力负荷预测中应用

电力系统的稳定运行具有负荷平衡的强约束性,准确的电力负荷预测在保证电力系统规划与可靠、经济运行方面具有十分重要的意义,影响着电力系统的诸多决策,如经济调度、自动发电控制、安全评估、维护调度和能源商业化等。该文针对电力负荷预测的多种气象因素影响,提出一种基于Tsne降维可视化分析及飞蛾火焰优化ELM算法(MFOELM)的电力负荷预测新方法。针对影响电力负荷预测的高维气象数据,采用改进的SNE降维可视化分析方法 Tsne,解决了数据拥挤造成可视化效果不佳且数据结构易发生改变的问题,通过与Kpca、SNE降维方法的对比实验,证明了Tsne可以更好地将高维气象数据向低维空间映射,较高地保持高维空间中的数据结构并改善数据可视化效果;针对ELM负荷预测模型的局限,利用MFO在求解具有约束和未知搜索空间的复杂问题时具有的优越性对ELM优化,更好地解决了ELM权值输出不稳定,易陷入局部最小值等问题。通过对SAELM、PSOELM、MFOELM三种预测算法进行寻优实验,结果表明MFO不但具有更快的求解速度,而且提高了ELM的预测精度。通过对国际公开的美国日气象数据降维,协同负荷数据进行预测进行对比实验,证明了该文方法的有效性和优越性。该文方法在唐山实际电网负荷预测中应用,为制定合理的电网运行方式提供依据。     

基于多分支门控残差卷积神经网络的短期电力负荷预测

短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residual gated convolutional neural network,RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取;其次为增加模型的非线性拟合能力,采用注意力机制对权重进一步合理分配;最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验,通过与4种常用模型对比,该模型预测结果的平均绝对百分误差（MAPE）评价指标下降了0.02%~0.70%,验证了该模型提高负荷预测精度的有效性。     

基于完全约束的特征语义和语义特征的研究

分析了传统的基于历史流管理的特征造型系统的缺陷和不足，提出了语义特征造型，详细解释了特征语义和语义特征。最后，建立基于完全语义约束的特征。     

视觉显著性纹理—色彩特征融合的图像目标分类

针对图像目标分类,提出了一种显著性纹理特征.考虑到显著目标图像在纹理特征表征上的优势,在目标显著性图像提取的基础上进一步提取视觉显著性纹理特征.进而将该视觉显著性纹理特征同HSV色彩特征进行融合,形成图像目标融合特征,输入至后端分类器中进行分类.多类别的交叉实验证明,基于该融合特征的目标分类方法能够较为准确的对图像目标进行分类,在SIMPLIcity图像数据集上平均分类正确率达到84.84％,在Corel图像集上平均分类正确率为85.05％,优于基于单一分类特征的图像分类方法.     

新一代FBD系列矿用防爆对旋轴流式局部通风机的研制

传统的局部通风机普遍存在着噪声高、启动性能差等缺陷,而新开发的矿用防爆对旋轴流式局部通风机,应用三元流动理论,采用电机—风机一体化的特殊设计,从根本上解决了在用对旋局部通风机的一些缺陷。     

基于类心和特征加权的特征选择算法

基于边界最大化的特征选择方法是一种有效的特征选择方法,它能够显著去除高维数据中的不相干特征,在机器学习中有着重要的应用.但该方法存在着计算复杂度较大的问题,为了克服这一问题,提出了基于类心和特征加权的特征选择算法.其基本思想是以某一类的类心为中心,寻找其同类和异类最近邻构成边界,根据某种准则获得一个特征空间的权重,使得权重特征空间中的边界最大.在4个UCI数据库上的实验验证了所提算法不仅有更高的效率而且有更好的分类准确度,并且对于不相干特征几乎是不敏感的.     

一种改进的语音关键词特征提取方法

介绍了一种新的语音关键词特征提取方法,对其特征提取过程中的一些方法提出了改进。实验数据表明,改进后的提取方法较先前在提取效果上有显著改善。     

尺度及旋转不变纹理图像检索

针对图像检索时常见的尺度及旋转问题,本文提出了一种基于双树复小波变换的尺度及旋转不变纹理图像检索方法.对图像进行尺度变化的预处理,对原图像和变化后的图像分别进行DT-CWT后,提取纹理特征并插值为特征矩阵;分别在尺度维和旋转维上进行FFT消除尺度和旋转变换影响,得到尺度和旋转不变的特征向量;采用Canberra距离进行相似性度量.通过对尺度及旋转变化的纹理图像库的实验表明,该方法对图像的旋转和尺度变化具有较好的鲁棒性.     

基于快速ACE算法的视觉里程计图像增强方法

为提高同时定位与地图构建(simultaneous localization and mapping, SLAM)在室内定位的不同场景下的鲁棒性,应对室内场景纹理少,光线差等极端环境的挑战。通过利用改进快速自动彩色增强(automatic color enhancement, ACE)图像增强技术,优化定向FAST和旋转BRIEF(oriented FAST and rotated briEF,ORB)特征点法的前端视觉里程计。同时将原始图像数据、限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization, CLAHE)增强后、单尺度Retinex(single scale retinex, SSR)增强后,改进快速ACE增强后图像数据应用于楼梯间,地下停车场等不同现实场景中做基于图像质量和特征提取匹配两方面对比实验。实验结果表明,改进快速ACE增强后图像质量其他算法,并且视觉里程计(visual odometry, VO)应用该算法增强后提取到的特征点数量增幅达到倍数级,极端环境下匹配数量增幅在7%～25%,鲁棒性提高。     

基于特征提取矩阵的稀疏系数求解算法

在压缩感知算法的基础上,提出了在字典学习算法过程中同时训练得到一个投影矩阵,通过该矩阵可以直接运算求取稀疏系数的方法.字典训练过程采用的是KSVD字典学习算法,并与传统的L1范数求解算法进行比较,通过实验可知,该方法比传统利用贪婪法等L1算法具有更加快速、识别率更高的特点,提出的算法通过矩阵运算可以直接求解出系数项,而后者则是一个NP问题,需要利用迭代算法来求解,这样对于大样本的测试来说提出的算法具有更好的应用空间,节约的时间将非常显著.     

基于特征气体分层特性的电力变压器故障诊断技术研究

随着电网的扩大,变压器在电网中的作用日益提高,从而变压器在线故障诊断技术也显得异常重要。分析了变压器常见的故障类型以及变压器故障与变压器油产生特征气体的对应关系;选出具有代表性的特征气体作为最优诊断特征量;将故障诊断过程分为三个层次：正常-故障层、过热-放电层和故障细化层（高温过热、中低温过热、低能量放电、高能量放电）;最后用互信息方法与神经网络法实现基于特征气体分层特性的变压器故障诊断方案。     

基于特征耦合泛化的流量异常检测方法

针对现有流量异常检测模型中稀疏特征易被特征选择算法忽略的问题,提出一种基于特征耦合泛化(FCG)的流量异常检测方法。首先,采用DBSCAN密度聚类算法去除数据中的离群点,降低异常点对后续FCG算法的影响。其次,使用最大相关最小冗余(mRMR)算法对数据特征进行排序,选择对分类最具影响力的特征生成FCG算法中的类别区分特征(CDF),以增强分类能力。利用K最近邻(KNN)算法填补CDF中的缺失值,保持数据完整性。然后,将数据按照攻击类别分组,分别使用mRMR算法对特征进行排序,挑选每种攻击类别数据中具有实例区分能力的稀疏特征作为FCG算法中的实例区分特征(EDF)。利用两种特征在异常检测数据中的耦合程度和EDF的上层概念将EDF转化成更泛化的特征。最后,将经过处理的数据输入基于贝叶斯优化(Bayesian optimization, BO)参数的随机森林(RF)模型进行分类识别。通过在NSL-KDD数据集上进行仿真实验,准确率达到了91.79%,验证了所提方法具有较好的检测性能。