基于Bagging算法和Elman-NN融合的短期负荷预测模型

针对传统神经网络经常无法满足短期负荷预测的实际应用要求,本文提出了基于Bagging算法和Elman神经网络结合的电力系统短期负荷预测模型。把经预处理过后的数据分为原始训练集和测试集,然后通过Bootstrap方式在原始训练集中随机抽取若干个子训练集,并建立相应的Elman神经网络负荷预测模型,并将子训练集分别用于训练不同的网络模型,最后利用测试集进行预测,最终的预测结果取不同模型预测结果的平均值。利用训练不同模型的Bagging算法,消除Elman神经网络的不稳定性,提高了预测模型的精度和稳定性。通过某城市负荷预测的实际算例,对所提出的预测模型与单一的Elman神经网络预测模型进行对比分析。分析结果表明,基于Bagging算法和Elman神经网络融合的预测模型具有较好的预测精度和稳定性。该研究具有一定的应用前景。     

可用于光伏并网的双频逆变器控制策略

研究了一种新型双频并网逆变器,其中一部分工作在低频,采用电流滞环控制,快速跟踪高频单元电流,传递大部分功率;另一部分工作在高频,采用单周控制,改善光伏并网电流的动态性能,使并网电流和电网电压同频同相.以双频逆变器A相为例分析了其在4种不同工作模态下电流、电压的变化,建立了高频单元平均电路模型,通过理论分析,推导出了单周...     

矿物油变压器注换两种酯类绝缘油的研究

本文主要研究了传统矿物油变压器注换酯类绝缘油包括天然酯及单酯绝缘油的可行性问题,首先研究了两种酯类绝缘油与矿物油混合后的常规电气、理化特性,在此基础上,分别使用两种酯类绝缘油对两台10 kV矿物油变压器进行注换,并测试注换前后变压器的整体特性。结果表明：使用单酯绝缘油注换矿物油变压器后,变压器的温升有所降低,对地电容提...     

基于激光雷达的多旋翼无人机室内定位与避障研究

近年来,多旋翼无人机室内定位与避障技术成为了多旋翼无人机研究领域的热点,也是多旋翼无人机在未知室内环境中实现自主导航、完成其他复杂任务的基础。本文通过对全局地图进行分析,找出多旋翼无人机的可飞行区域,利用时变势场法实现了多旋翼无人机的室内避障与路径规划,对室内环境下多旋翼无人机的定位和避障技术进行了研究。     

SPWM逆变器死区问题研究

通过数学计算和仿真分析了不同条件下死区时间对逆变器输出电压的基波影响,及不同条件下死区产生的谐波畸变率的变化情况.建立了定量计算的数学模型,给出了仿真曲线,并以理论曲线做了验证.同时提出死区补偿的必要性,使SPWM技术在实际变频系统中得到更为有效的应用.     

基于EKF滤波的UWB无人机室内定位研究

本文对室内环境下多旋翼无人机的定位进行了研究,介绍了课题的研究背景和意义,并对多旋翼无人机室内定位方法进行了系统的分析和讨论,结合UWB方案TOA技术实现测距并结合EKF算法非线性滤波的特性,来进一步提高定位精度的方案。     

空间矢量调制用于新能源并网的双频逆变器研究

介绍新型双频并网逆变器其中一部分工作在低频,采用电流滞环控制,快速跟踪高频单元电流,传递大部分功率;另一部分工作在高频,采用空间矢量调制,改善并网电流的动态性能,使并网电流和电网电压同频同相,并且实习了电流有功分量和无功分量的解耦控制.以双频逆变器A相为例分析了系统的工作原理.利用MATLAB/Simulink建立了仿...     

考虑复故障的有源配电网故障定位方法

配电网受到极端扰动后可靠故障定位是提升配电网供电可靠性的重要手段.在极端扰动中,配电网中发生复故障的概率增大,主要体现在故障重数多、故障类型多、高阻接地等特征.文章提出一种考虑复故障的有源配电网故障定位方法.基于μPMU优化配置下的区域划分,形成各个监测域.通过搜索算法确定可疑监测域,并启动故障定位算法,利用不平衡电流分量幅值比较的故障区段检测判据定位故障.通过PSCAD/EMTDC和Matlab,验证了该方法不受故障位置和故障类型的影响,适用于多重、多类型故障等复杂场景,且有较高的抗过渡电阻能力.     

计及用户不满意度的家庭能量管理调度优化研究

针对家庭能量管理调度优化问题,本文建立了计及用户不满意度的家庭能量管理调度优化模型,综合考虑用户用电成本、用户对用电时间的不满意度和对温度的不满意度3个目标,采用多目标粒子群算法(multi-objective particle swarm optimization,MOPSO)对模型进行求解,并结合信息熵法对最优解进行选取,从而完成对各家用电器的优化调度。同时,对不同情景下的用电模式进行算例仿真。仿真结果表明,采用计及用户不满意度的家庭能量管理调度优化模型对家用电器进行调度,可以在降低用户用电成本的同时,兼顾用户用电的舒适度,验证了模型的有效性。该研究对智能家居的调度和用户的智能用电具有重要的理论和指导意义。     

基于脊波递归神经网络的短期负荷预测模型

为准确有效地预测电力系统负荷,本文提出了一种基于脊波递归神经网络(ridgelet recurrent neural network,RRNN)的电力系统短期负荷预测模型。采用脊波函数作为预测模型隐含层神经元中的激励函数,在网络模型的内部加入关联层,关联层节点可有效存储隐含层神经元的内部状态,增强了网络模型的反馈联接,并采用粒子群优化算法(particle swarm optimization,PSO)对网络的参数和权值进行优化,避免模型出现陷入局部最优解的问题。以某地区电网负荷系统作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络和常规脊波神经网络预测模型相比,本文所提出的预测模型的日平均绝对误差和日最大绝对误差均有所降低,具有较好的预测性能。该研究具有一定的实际应用价值。