基于随机森林和长短期记忆网络多元负荷预测的综合能源三层规划调度

针对综合能源系统负荷不确定性对规划和调度造成的高成本低效率问题,提出一种基于多元负荷预测的3层规划调度模型,主要包括预测层、规划层和调度层;基于随机森林回归网络和长短期记忆网络构建了多元负荷的长期和短期预测模型;以综合规划调度成本和调度运行成本最小为目标,采用改进粒子群算法和CPLEX求解器获取最优系统综合成本及配置方案;通过不同场景下的规划调度,分析了设备状态与系统成本。通过对比所构建的3层模型与常规双层模型的规划调度结果,证明了3层规划调度模型的经济性与可靠性。     

基于认知的人工动物行为记忆研究*

提出并分析比较两种记忆形成算法.二次方差法对已获取的食物点作方差计算,快速剔除距其他点较远的噪声点,获得食物分布的期望位置.改进的均值聚类算法针对二次方差法的不足,借鉴数据挖掘理论,对噪声点进行更准确的剔除.根据不同情况选取适合算法,达到聚焦器在人工动物取食记忆实现中的有效性.     

城市社区尺度降雨径流快速模拟——以福州市一排水小区为例

随着城市化进程的不断加快,我国城市正面临着越来越严峻的洪涝问题。本文在社区尺度上构建雨洪管理模型（SWMM）,使用遗传算法率定SWMM模型参数;在对研究区降雨分析的基础上,采用模糊识别法筛选出最具代表性的两种雨型;基于不同的降雨情景与SWMM模拟值组成的数据集,建立长短期记忆神经网络（LSTM）模型模拟研究区降雨径流关系,并使用不同工况评估了LSTM模型效果。结果表明,LSTM模型对降雨径流的模拟与SWMM模型基本吻合,而其对洪峰流量的拟合略有偏差。在较小降雨下,LSTM模型模拟洪峰流量较SWMM输出结果偏小;在较大降雨下,模拟结果偏大;在中等降雨时,模拟效果最好。此外,50个隐含层单元的拟合效果更好,但同时更多的隐含层单元对洪峰流量拟合效果更好。     

基于长短期记忆网络的配电网台区线损预测系统

针对目前配电网线损管理中的采样点过多、运行数据不易收集、坏数据难以辨识等问题,提出了一种基于长短期记忆神经网络的台区线损快速计算方法.该方法利用长短期记忆神经网络的结构特点,在考虑台区线损相关性的同时对目标台区当日线损进行快速计算,无需采集所有用户电量信息,能和同期系统计算得出的线损率进行核对校验,为精细化线损管理提供新的参考.     

基于 MEEMD-FN-LSTM 的冷热电联供系统负荷预测∗

针对当前冷热电联供(Combined Cooling,Heating and Power,CCHP)系统优化调度研究缺少冷热电负荷预测的问题,提出了基于改进集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)、模糊熵(Fuzzy Entropy,FN)和长短期记忆神经网络(Long Short Term Memory,LSTM)的CCHP系统负荷预测方法.使用M EEM D算法将原始数据分解为若干IM F分量,计算IM F分量的模糊熵并将模糊熵相近的分量相加,使用LSTM对相加后新的分量进行预测,最后将分量预测结果重构得到最终预测值.通过仿真并对比分析其他方法的负荷预测精度,证明所提预测方法具有良好的预测效果.     

基于长短期记忆网络的电网故障区域定位与故障传播路径推理

为了在发生故障后维持电力系统的安全稳定,有必要实现对故障区域的快速定位并确定故障冲击的传播路径,提出基于长短期记忆网络(LSTM)的故障区域定位和故障传播路径推理方法.首先,利用LSTM建立2个故障诊断模型分别实现在线检测故障时刻和确定故障区域;然后,通过计算故障点附近线路的端口供给能量确定故障冲击的传播路径;最后,以8机36节点电网为例进行算例验证,结果表明所提模型可在发生故障后短时间内检测到故障,给出故障区域和故障冲击传播的路径,且对噪声有较强的鲁棒性.     

基于LSTM的电力暂态稳定在线评估及预测研究

电网规模的扩大使得电力系统运行状态变得更加复杂,对电网安全稳定运行提出了更高要求。提出了基于深度学习中长短时记忆（long-and-short term memory,LSTM）的电力暂态稳定在线评估模型。该模型通过获取全网各节点电压、电流、功率等电气量,实时计算得到电网失稳可能性评分,并在新英格兰10机39线系统上对该模型进行测试与优化。实验结果表明,该模型能通过实时运算得到电网稳定性的评估及预警,具有准确性高、预警能力强、支持在线监测的特点。     

电网故障处置预案文本中的命名实体识别研究

电网故障处置预案是电网故障处置的重要参考,对电网故障处置预案文本中各类电力设备、名称编号等细粒度的关键实体信息进行抽取,是实现计算机学习理解预案内容并进一步支撑故障处置智能化的重要基础。文中提出一种基于深度学习的电网故障处置预案文本命名实体识别技术,首先采用字向量表征预案文本,然后将注意力机制以及双向长短期记忆网络相结合,有所侧重地提取实体词深层字符特征,最后采用条件随机场求解最优序列化的标注。算例表明:文中所提预案文本命名实体识别模型不依赖人工特征,能够自动高效地提取文本特征,准确识别预案文本中细粒度的实体词,满足预案文本中关键实体信息精确定位和识别的要求。     

基于IPSO-GRU深度学习算法的海底管道缺陷尺寸磁记忆定量反演模型

针对海底管道缺陷磁记忆定量反演的难题,提出一种基于改进粒子群优化的门控循环神经网络模型,即IPSO-GRU模型。以两端焊有盲板的X52管道作为实验材料,其上预制有不同直径、深度的缺陷,采用TSC-5M-32磁记忆检测仪,外接11-6W非接触探头,进行水下磁记忆检测试验,提取不同缺陷尺寸的磁记忆信号特征值。考虑到磁记忆信号特征值随缺陷尺寸呈复杂的非线性变化,引入门控循环神经网络,利用其双门结构能够记忆缺陷处的信号特征,非线性回归拟合能力强的特点,构建海底管道缺陷定量反演模型,进一步考虑到模型超参数选择的随机性,采用改进粒子群算法进行超参数寻优。验证结果表明:该模型对缺陷深度反演平均精度达96%;对缺陷直径反演平均精度达93%,为海底管道缺陷的磁记忆定量化识别与反演提供了新的思路和方法。      

基于磁记忆检测的桥钢箱梁翼缘损伤状态力磁关系

金属磁记忆检测技术由于其能够快速便捷的对铁磁性构件的损伤进行识别,且被认为具有识别隐性损伤的能力,而被广泛研究。为推进金属磁记忆检测技术在桥钢箱梁损伤检测方面的应用,对桥钢箱梁进行了静力受弯试验,提取其变形最严重的上翼缘磁信号分布,建立了损伤区域力与磁信号和磁信号梯度的关系曲线,并提出用磁场梯度指数来表征钢梁的受力和损伤状态。结果表明:上翼缘磁信号曲线与应力变化形态正好相反,磁信号曲线在进入塑性后发生反转变为负值,且随应力变化的速度增快,可以判断构件进入塑性状态,即将发生损伤;磁场梯度曲线在损伤最严重的区域出现最大值,且随着荷载的增大,磁梯度最大值点不断向钢梁中间移动,由此可以进行破坏状态的预警;磁场梯度与应力关系曲线可将构件整个受力过程明显的区分为初始、屈服、塑性、损伤4个状态;可以用磁场梯度指数来进行构件受力状态与损伤状态的表征。该研究可为金属磁记忆检测技术在桥钢箱梁损伤状态的定量评估和预警方面的应用提供依据和参考。