基于CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性，提出了一种基于自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise， CEEMDAN）和改进野狗优化算法（improved dog optimization algorithm， IDOA）优化双向长短时记忆网络（bi-directional long short-term memory， BiLSTM）的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性，将分解后的所有序列进行偏自相关方法分析，选出重要性较大序列作为IDOA-BiLSTM模型的输入，最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集，进行训练模型和预测分析，结果表明所提出的超短期风电功率预测模型具有较高的预测精度，具备实际应用的可行性。     

基于电网运维大数据背景下的继电保护故障定位分析

针对继电保护通信网络中的多个通信通道同时产生报警，导致继电保护通信系统故障定位较难的情况进行了探讨。首先针对继电保护故障定位需求展开研究，提出继电保护网络的通信故障定位方法；接着基于电网运行管理信息的改进贝叶斯方法，给出新的继电保护通信系统疑似故障定位方法；再通过信息综合管理RPMS、通信网管系统的报警信息及调度综合运行管理OBS所获取到的信息，对故障范围进行缩减，对原有电网运维大数据记录进行改良分析，通过贝叶斯模型来找出继电保护通信系统最可能出现故障的因素。     

基于伪洛伦兹线型的气体发射率计算模型

为了提高气体总发射率计算的准确性及效率，为高温燃烧中辐射换热的估算等工程应用提供可靠的发射率计算工具，针对CO₂、H₂O、CO 3种气体，基于伪洛伦兹线型重新生成了0.1～80 bar范围内更为准确的气体发射率查找表。基于新生成的气体发射率查找表的数据，训练了机器学习气体发射率预测模型，用于对气体发射率进行快速、准确地计算。结果表明，伪洛伦兹(pseudo-Lorentz)线型对高压气体光谱的计算明显优于Alberti等开发的谱线截断模型，能够更好地模拟CO₂、H₂O、CO 3种气体的谱线混合效应；基于伪洛伦兹线型开发的机器学习气体发射率计算模型，计算精度与逐线法直接积分算法相近，便于工程应用。