基于关联挖掘的无功优化关键参数智能辨识方法

针对传统无功优化中关键参数设置过程繁琐且设置结果不合理的问题,首先,给出一种基于斜率分段归并的曲线划分策略,用于对预测区间进行智能划分;其次,采用一种标准化欧式距离—动态时间弯曲(ED-DTW)混合策略,用于不同数据集间相似度的计算;最后,提出一种基于数据关联挖掘的无功优化参数智能辨识框架,用于对数据库内的历史数据进行挖掘。仿真采用实际电网数据对整个挖掘过程进行分析,挖掘结果显示,提出的辨识框架能自动给出参数的时段划分和设置结果,将挖掘得到的参数结果用于实际控制中,表明该方法获得的划分结果符合负荷峰谷特征,且相比传统方法,在减小电压偏差和提高电压合格率上效果更好。     

计及需求响应的Elman-NN短期负荷预测模型研究

通过频谱分析研究了需求响应负荷的基本特性,并以此为依据建立了计及需求响应的Elman神经网络(Elman-NN)预测模型。Elman-NN具有处理动态信息能力强、训练时间短、全局寻优性强的优点。通过实际算例,对比在Elman-NN模型中计及需求响应因素前后的预测性能,结果显示计及需求响应因素可显著提高Elman-NN模型预测精度。本文证实了在模型中计及需求响应因素的重要作用,为需求响应负荷的预测研究奠定了必要的理论基础。     

基于多变量气象因子的LMBP电力日负荷预测

提出基于主成分分析处理多天气因素的LMBP电力负荷预测模型。采用主成分分析技术对多气象因素进行降维处理,提取多天气因素特征量,既全面表征天气因素对电力负荷的影响,又简化预测模型。将得到的新气象特征量与历史负荷数据共同作为建模对象。采用基于L-M优化算法的BP神经网络(LMBP)进行预测分析,通过最速梯度下降法和牛顿法之间的自适应调整优化网络权值,有效提高网络的收敛速度和泛化能力。通过对美国南部某地区实际电力负荷系统进行预测分析表明该方法可以有效提高预测精度和预测效率。     

视频监控系统中的概率模型单目标跟踪框架

针对视频监控的特点与跟踪目标的强机动性,提出了一种新的基于概率模型的目标跟踪框架,从目标表观模型、系统动态模型以及系统观测模型3个方面对当前标准的粒子滤波目标跟踪方法进行了改进。首先,考虑人眼细胞的分布特点,基于人眼分布结构建立目标表观模型来提高跟踪系统抵抗局部遮挡的能力;然后,建立基于自适应目标运动的系统动态模型,提高跟踪算法对快速机动目标的鲁棒性;最后,采用实时更新的系统观测模型,有效避免目标在遇到遮挡、光照变化、剧烈变形等情况下发生的跟踪漂移现象。实验结果表明,本文算法的正确跟踪率可达98%;平均跟踪误差小于6个像元。实验证明本文算法在保证系统跟踪精度要求的同时,具有计算量小、抗干扰能力强等特点。     

飞机驾驶舱舒适性参数可视化技术

为提高飞机驾驶舱人机工效水平,缩短设计过程,以舒适性设计为例,采用遗传算法进行飞行员人体姿势预测。将关节空间坐标作为变量,并以确定性约束减少变量的数量,提高算法求解速度与精度;运用Jack软件对姿势预测结果进行检测,证明了算法的有效性。通过快速上肢评估算法对所得姿势进行评估,获得舒适性参数,最后以不同等级RGB值对舒适性参数进行可视化表示。     

结合风电功率超短期预测值偏差的实时市场调度

实时市场中的超短期风电功率预测偏差较日前市场有所减小,但与实际出力相比仍然有一定的偏差,需要研究风电的不确定性给实时市场出力调整带来的影响。考虑较短时间内风速分布特性呈正态分布,详细推导了风电场功率分布表达式和偏差概率,建立了基于报价的实时市场出力调整调度模型。该模型以常规机组出力调整费用和风电功率预测偏差费用之和最小作为目标函数。通过具体算例分析了不同的正态分布参数、风电预测功率的变化、惩罚系数的变化对实时市场出力调整成本、风电预测功率偏差成本和偏差期望值的影响。仿真结果验证了模型的有效性。     

基于灰色GM(1,1)模型的电能计量异常分析及判断

利用灰色GM(1,1)模型建立用户负荷预测模型,并设定负荷预测阈值上限和阈值下限,将用户实际测量值与该用户负荷预测上下限阈值进行对比,若测量值不在上下限阈值之间,则将该电能计量装置列为"排查对象";反之,电能计量装置正常,并将台区实际测量值作为样本对模型的参数进行重新估计,以提高参数的准确性。实例证明,灰色GM(1,1)模型在异常电能计量装置判断中具有较好的工程实用性。     

SOM特征提取与ELM在电力负荷预测中的应用

随着电力负荷内涵复杂度和非线性增加,单纯追求电力负荷预测精度将变得困难。研究根据负荷样本分析其趋势、抽取特征来解决预测精度问题,即提出一种基于自组织特征映射网络(SOM)进行特征提取并与极限学习机(ELM)相结合的短期电力负荷预测方法。通过SOM特征提取找出与预测日同类型的历史数据作为训练样本;然后采用ELM进行预测,该方法预测过程简捷,能得到唯一的最优解。实验以某市的电力负荷数据进行仿真和比较。结果表明,基于SOM特征提取的ELM方法不仅精简了训练样本数量,且使训练更具有针对性,提高了预测精度和泛化性能,具有一定的理论意义和较好的应用前景。     

基于非参数核密度估计法的光储系统容量优化配置

储能技术有助于缩减光伏功率输出的预测误差,并可以提高光伏预测输出作为电力系统调度参考的可靠性.为此,提出基于光伏功率预测误差分布,提出了一种光储系统容量配置方法.利用Markov链和持续法的组合预测模型实现了光伏功率超短期预测,依靠储能系统弥补实际光伏发电功率与预测功率的预测误差.根据非参数核密度估计法建立了光伏功率预测误差分布模型,由日最大绝对能量的累计分布函数给出储能系统的总体容量配置,实现储能系统的整体容量规划.通过对某20 MW(峰值)光伏电站实测数据仿真分析可知,在满足95％储能容量的日需求下,储能配置容量为9MWh.所提出的方法为光伏电站合理配置储能系统提供了理论依据,使光伏电站具备更好的可调可控能力.     

Long-term Sector-wise Electrical Energy Forecasting Using Artificial Neural Network and Biogeography-based Optimization

This article presents a hybrid model involving artificial neural networks and biogeography-based optimization for long-term forecasting of India's sector-wise electrical energy demand. It involves socio-economic indicators, such as population and per capita gross domestic product, and uses two artificial neural networks, which are trained through a biogeography-based optimization algorithm with a goal of perfect mapping of the input–output data in the non-linear space through obtaining the global best weight parameters. The biogeography-based optimization based training of the artificial neural network improves the forecasting accuracy and avoids trapping in local optima besides enhancing the convergence to the lowest mean squared error at the minimum number of iterations than existing approaches. The model requires an input and the year of the forecast and predicts the sector-wise energy demand. Forecasts up to the year 2025 are compared with those of the regression model, the artificial neural network model trained by back-propagation, and the artificial neural network model trained by harmony search algorithm to exhibit its effectiveness.