基于正交分析空调器性能影响因素的研究

空调器室内机的性能是多个设计参数组合的综合影响结果,本文通过选取多个影响空调器室内机性能的参数,运用正交分析进行实验设计,设计多个参数水平以及采用正交分析理论设计正交表,以确定实验方案并进行实验测试。最终,通过分析各个参数及其之间的交互作用对空调器室内机性能的影响水平和影响程度,从而得出最优的参数组合,以获得最优的空调器室内机性能参数。     

中长期负荷组合预测的改进

对中长期负荷组合预测进行了研究,提出了基于预测有效度最优的原则来求取组合预测加权系数的方案。通过引入可信赖域,改进预测精度矩阵,来推导单个预测和组合预测的阶预测有效度。由拟合样本因子区分样本区和预测区的加权系数,给出预测区加权系数的公式,得出基于一阶和二阶有效度最优原则的中长期负荷组合预测模型。算例结果表明,2种预测模型具有良好的预测精度。     

电力系统中长期负荷预测的参数抗差估计研究

主要介绍提高中长期负荷预测结果的准确性和改善中长期负荷预测方法的抗粗差效果，对中长期负荷预测中参数的抗粗差估计进行了研究，提出了基于权函数的电力系统负荷预测参数抗差估计算法，通过对加权最小二乘法的修改，实现了负荷预报模型参数的抗差估计。算例表明，所提出的算法在处理中长期负荷预测中数据的粗差问题上效果较好，是改善预测精度的有益尝试。     

基于贝叶斯证据框架下WLS-SVM的短期负荷预测

提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法.在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量.通过贝叶斯证据三层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第三层推断确定核函数的超参数σ.为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度.采用上述方法对黑龙江电网短期负荷进行了预测,结果证明了该方法具有良好的预测效果.     

模糊聚类分析在分区负荷预测中的应用

分区负荷预测通常直接按行政区域划分预测区域,没有考虑同一行政区内可能存在电力负荷增长规律有较大差异的情况。通过模糊聚类的方法,按下一级行政区域中负荷变化规律的近似程度,实现新的分区,有利于改善分区负荷预测的预测效果。针对聚类过程中各项聚类指标对用电量水平影响力不同的问题,引入了加权标定方法。以苏南5市为例进行了聚类分析,其结果和实际情况相符。     

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory, OWT-LSTM）的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。     

Hadoop架构下基于模式匹配的短期电力负荷预测方法

大数据处理技术充分利用海量动态数据,能有效提升电力负荷预测精度及计算效率。采用Hadoop架构提出了一种基于模式匹配的短期电力负荷预测方法,通过度量日负荷序列相似性挖掘得出典型日负荷模式,辨识出关键影响因素构建基于并行随机森林的决策树群从而建立模式匹配规则,实现待测日负荷模式的快速准确匹配;在典型负荷模式下建立多时刻点预测模型,采用Map Reduce计算框架进行负荷计算与预测分析,从而建立大量样本下的负荷预测模型。以某地市电网全年负荷数据为例进行负荷预测分析,并通过平均误差和方均根误差等指标对比局部加权线性回归(LWLR)算法的预测效果。仿真结果表明该方法用于短期负荷预测时具有更高的预测准确性和计算效率。     

基于实测PMU数据的风电综合负荷参数辨识

根据配网侧负荷特点,构建含风力发电机的综合负荷数学模型。以实测PMU数据为基础,利用总体测辨法进行模型参数辨识。将负荷节点输入电压和负荷模型参数代入数学模型,通过改进Euler法求解模型的状态方程,得出负荷节点电流,将其与实测电流误差加权最小作为目标函数,采用遗传算法辨识出负荷模型的参数。以华北电网某线路实测PMU数据为依据,辨识出考虑风电综合负荷的模型参数。辨识结果体现了负荷中以双馈异步发电机为主体的特征,与负荷特点相吻合,由此说明了辨识方法的有效性与辨识结果的合理性。     

基于自适应加权最小二乘支持向量机的短期负荷预测方法

提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单,泛化性能好,不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

考虑气象累积效应的IPSO-BP神经网络短期负荷预测算法

气象因素是短期负荷预测中的重要因素,考虑气象累积效应选取相似日作为训练样本,提出基于改进粒子群优化算法的BP神经网络负荷预测方法(IPSO-BP)。首先通过相关性分析得出与日负荷相关程度较大的气象因素;在此基础上,采用加权几何距离选取与待预测日关联度较大的历史日作为相似日,并对IPSO-BP神经网络模型进行训练和预测。实际应用结果表明,所提出的预测模型和数据处理方法能够得到更加精确的预测结果。