基于GM(1，1)与BP神经网络的综合负荷预测

针对电力负荷预测中的单一预测模型存在的局限性,提出基于BP神经网络和GM(1,1)的残差修正组合模型。通过算法组合的方式进行系统建模,从而提高负荷预测模型的精度。首先通过GM(1,1)模型进行预测,得到灰色残差序列,利用灰色残差序列建立BP残差修正模型,利用该模型进行残差预测,最后将残差修正值和GM(1,1)模型预测值进行叠加得到最终所需的负荷预测值。利用该模型对某地区进行仿真实验,结果表明该修正模型具有较高的预测精度和实用性。     

中长期负荷预测的傅里叶级数残差修正模型

为了提高电网中长期负荷预测精度,在灰色预测的基础上建立傅里叶级数残差修正模型,对中长期电力负荷进行预测,并以黄山电网负荷数据为例进行了分析比较,结果表明模型能提高预测精度。     

灰色双重残差修正的多芯片组件寿命预测

针对利用传统灰色模型进行多芯片组件寿命预测时存在的精度不足,以及预测精度随时间跨度增加而显著降低的问题,提出马尔科夫-尾段双重残差修正的多芯片组件寿命灰色预测方法。将在灰色GM(1,1)模型预测值基础上经马尔科夫法优化后的残差作为尾段灰色残差模型的输入值,实现双重残差修正。以对热循环加速试验条件下得到少量试验数据的影响多芯片组件寿命的电阻值进行寿命预测为例,试验结果表明,相较于传统灰色模型和神经网络预测方法,所提出方法在小样本条件下平均残差分别减小了80.469%和68.53%,预测精度得以提高,结果更加可靠,能够更准确地预测多芯片组件的寿命。     

一种基于加权马尔科夫链修正的SVM光伏出力预测模型

构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差(MV)法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明:组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。     

改进残差GM(1,1)模型在中长期负荷预测中的应用

GM(1,1)模型是中长期负荷预测的一种常用方法。为了解决残差GM(1,1)模型在残差预测值符号判断中存在的问题,提出一种基于朴素贝叶斯法的改进残差GM(1,1)模型。该模型根据历史负荷增长率区间,对负荷增长状态进行划分,统计各个状态下残差正负号出现的个数和各状态前一年份残差正负号个数,然后利用朴素贝叶斯法建立分类器,判断残差预测值符号。将改进模型应用于某县用电量预测中,算例结果表明改进模型能够有效地提高中长期负荷预测的精度,具有一定的实用价值。     

基于深度残差网络的短时交通流量预测

建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%~4%,可以看出该模型一定程度上提高了预测精度。     

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。     

基于改进灰色马尔科夫预测法的中长期负荷预测

提出了一种提高对可能发生较大畸变序列的负荷预测精度的方法。由于电力负荷受天气、节日、经济等较多因素影响,在时间序列上表现为非平稳的随机过程,在某些年份负荷值可能会出现较大畸变,导致模型预测精度下降。分三步对畸变较大的数据样本进行预测以及误差分析,首先建立灰色预测模型,然后利用残差进行模型修正以增加序列波动性,而后用改进的马尔科夫链进行误差修正以提高精度。采用某市1998年至2013年最大负荷作为样本数据验证算法有效性,算例结果表明:与传统灰色系统预测模型相比,此模型有更高的拟合精度和预测精度。此方法的优势在于:在相同样本情况下,拟合程度高并且可以明显修正畸变数据带来的误差。     

基于ARMA-GARCH模型的超短期风功率预测研究

风功率预测对提高电能质量和电力系统的安全运行具有重要意义。基于时间序列的方法,对内蒙古赤峰地区某风场的风功率数据进行了超短期预测,通过对数据平稳性检验的结果,建立了时间序列的ARMA模型,利用拉格朗日乘子检验的方法,检验ARMA模型具有ARCH效应,并建立适合的ARMA-GARCH模型。结论通过对比ARMA模型,ARMA-ARCH模型和ARMA-GARCH模型的风功率预测精度可知,在解决数据的残差序列异方差函数具有长期相关性时,ARMA-GARCH模型能够有效的提高预测精度。     

Novel algorithms to estimate and adaptively update measurement error variance using power system state estimation results

This paper presents novel algorithms for on-line estimating and adaptively updating measurement error variance by using power system state estimation results. The idea hinges on the relationship between the residual variance and measurement error variance. The residual variance is estimated with the residual sample variance and the measurement error variance is then obtained by solving the residual sample variance equation. The statistical properties of the sample variance are discussed. The relation between the estimation precision and sample size under given confidence levels is derived. The on-line estimation and adaptive updating of measurement error variance can provide the state estimator with more accurate weights to improve the quality of state estimation calculation and the ability to detect and identify bad data.     

基于转移潮流的状态估计模型

传统的状态估计把量测方程作为约束条件,以量测残差的加权平方和或加权绝对值之和最小等为目标函数进行估计,因而不能直接辨识出拓扑错误.为了同时辨识拓扑错误和不良数据,文中把转移潮流方程增广为状态估计的约束条件,在目标函数中同时计及转移潮流的残差和量测残差,对已有的加权最小绝对值状态估计进行了改进,提出了可以同时辨识支路拓扑错误和不良数据的状态估计模型.文中给出了某省实际电网的计算实例.     

基于支路有功功率的配电网拓扑辨识方法

针对配电网量测冗余度低且开关变化频繁、识别出正确的拓扑结构存在困难的现状,文中提出一种基于支路有功功率的配电网拓扑结构识别方法。该方法基于支路有功功率残值的大小选择可能断开的支路,得到若干种可能拓扑结构;采用相同量测值,在每个可能拓扑结构下分别进行状态估计并计算匹配目标函数值,从可能拓扑结构集中找到可能性最高的拓扑结构作为可信拓扑结构,降低配电网拓扑结构分析的解空间;并引入快速潮流直流法进行状态估计,提高了算法的计算效率,从而把此类配电网拓扑检错问题转换为以量测值匹配度高为目的的配电网重构问题。算例表明,该方法合理有效,快速简便,且在带有较大量测误差的情况下也有很好的适应性。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

基于改进Hampel抗差法的电网谐波状态估计

针对电网谐波状态的估计问题,分析了量测粗差对于估计结果的影响,建立了考虑粗差辨识的谐波状态估计数学模型,应用Hampel抗差法对量测数据进行了辨识分类,并根据谐波状态估计的特点对算法的阈值函数进行了改进,有效地解决了"残差污染"和"残差淹没"问题。仿真计算及分析结果表明,求解谐波状态估计问题时,改进Hampel抗差法能有效抑制粗差对估计结果的影响,提高了估计精度。     

一种能消除直流偏置和稳态误差的电压型磁链观测器

电压型磁链观测器由于物理概念清晰、简单易用而备受关注.然而它固有的初值误差和直流偏置问题,使用已有的低通滤波器(LPF)等方法很难彻底解决,而且会带来稳态误差.本文在已有方法的基础上,提出了一种使用低通滤波器和高通滤波器(HPF)串联代替纯积分求解定子磁链的新方法,更有效地消除了初值误差和直流偏置的影响,并利用时间相量分析的方法,推出稳态误差的补偿公式,实现了磁链观测零偏置和稳态无误差.该方法简单明了,易于在数字系统中实现.仿真和试验结果都显示,直接转矩控制的低速性能有了显著提高,这也证明了新观测器的有效性.     

配电网非量测负荷的最小二乘估计

提出了用于修正10kV配电系统非量测负荷的变权值最小二乘估计算法，该算法采用了权值随残差变化的权函数，从而较大程度上抑制了伪量测中坏数据对估计结果的不良影响。用该算法编制了应用程序并进行了实例研究。结果表明该算法能够利用线路首端的实测数据和有量测装置的配电变压器的实测数据对非量测点的伪测量数据进行修正，使其准确度达到或接近实际量测值。     

基于分解协调算法的互联电力系统状态估计

提出了基于分解协调算法求解多区域互联系统的状态估计算法。互联系统计算中心根据虚拟节点两端子系统状态估计所得功率残差加权平均值计算各子系统虚拟节点注入功率的变化量,各子系统节点状态量通过注入功率和功率估计值对节点状态量的灵敏度矩阵修正子系统状态估计结果,得到互联系统的状态估计解。仿真计算结果说明,分布式状态估计算法计算准确、速度快,且在互联系统计算中心无法获得部分子系统数据的情况下,能够最大限度地准确计算出互联系统的部分可观测结果。     

具有有界扰动的奇异摄动系统鲁棒稳定性

对于高频寄生、外部扰动及高频参考输入共存的奇异摄动系统进行了鲁棒性稳定性研究．为了得到较小的残差集，采用新的自适应律作为控制输入的理论法则．利用Lyapunov稳定性理论，给出了误差系统的状态偏差向量、高频变量及失配参数向量的有限上界。结果表明，新的自适应律的引入，得到了更小的参差集，从而增强了系统的鲁棒性与稳定性。     

卡尔曼滤波对油中溶解气体含量的预测

准确测量变压器油中溶解气体的浓度是对变压器进行色谱分析的关键,为此,以卡尔曼滤波理论为基础研究了新型油浸式电力变压器油中溶解气体含量的预测模式及其应用特性,并分析了卡尔曼滤波的稳定性、实用性及其适应数值变化的能力,展示了卡尔曼滤波在数据预测方面的优越性。在卡尔曼滤波算法的迭代计算中以观测量的最小均方误差阵为准则,推导出了用预测误差向量进行方差估计,求出最小方差意义下预测量的最优估计。理论推导和仿真结果表明,该方法计算简单、可靠,可以大大地降低预测误差,提高预测模型的预报能力,能满足工程实践的需要。