一种基于粒子群优化算法的公共台区基础负荷计算方法

需求响应项目实施的关键在于用户基础负荷的计算,基础负荷不仅可有效评估用户参与需求响应的潜力,还能为补偿提供重要依据。在分析传统计算方法的基础上,提出了一种基于粒子群优化算法的公共台区基础负荷计算方法,可根据温度智能优化选择负荷日。实例证明,该方法得出的基础负荷更加科学、合理。以上海地区299个台区进行分析验证,结果与当地负荷特点相符,进一步证明了该方法的科学性、有效性及可行性。     

电压暂降事件的频繁模式挖掘与知识推理分析

电能质量在线监测系统积累了大量电压暂降事件数据。海量数据中蕴含着项间的关联关系,通过关联规则,可以预测事件发生的规律。文章设计了一种将复杂暂降数据库中暂降事件特征维度数据等价转换为一维数组的方法,通过对暂降数据库进行一次扫描,实现特征维度数据的全面提取,基于该数组进行多维频繁模式挖掘,大大提高了算法的效率。利用生成的关联规则库,融合知识推理技术,计算预测数据与规则数据之间的相似度,实现电压暂降预测。文章提出的方法适合事件型数据的挖掘与预测。     

能源结构转型背景下的电能替代发展路径探索

我国基于推动构建人类命运共同体的责任担当和实现可持续发展的内在要求,提出了“双碳目标”战略,并通过能源清洁化、用能电气化等途径推进能源形态革命进而降低碳排放。首先分析了双碳目标下能源结构转型特征,总结梳理了电能替代发展过程中面临的问题,得出电能替代发展须破解技术、经济、机制和理念等方面的制约,提出以技术进步推动能源变革,重点考虑工业、建筑、交通、农业和居民5个主要领域,从材料技术、能源转换技术、能源供给及存储技术方面进一步探索电能替代的实施路径。     

改进F-score特征选择的MPSO-BP神经网络短期负荷预测

针对海量数据提出一种基于改进Fisher分数(F-score)特征选择的改进粒子群优化的BP(Modified Particle Swarm Optimization and Back Propagation,MPSO-BP)神经网络短期负荷预测方法。首先采用改进F-score特征评价准则计算影响负荷预测精度各个特征的F-score值,再通过F-score Area法设定阈值筛选出最优特征子集,然后将最优特征子集作为MPSO-BP神经网络模型的输入变量完成对预测日一天24点负荷的预测,并与MPSO-BP神经网络短期负荷预测和传统BP神经网络短期负荷预测进行对比。算例表明,文中提出的短期负荷预测方法可以较好地对海量数据进行挖掘,具有较高的预测精度。     

一种基于贝叶斯网络的电力负荷峰值预测方法

近年来,我国电力负荷峰值增长速度较快,尤其是华东地区,负荷峰值不断刷新。文章研究负荷峰值特性分布,基于向前逐步选择正则化提出两阶段法进行模型因素选择,并以实例验证选择出6个最佳影响因素组合。在两阶段法模型因素选择研究基础上,结合k-means聚类降低计算工作量,设计了基于贝叶斯网络的电力负荷峰值预测模型和分类预测算法,并以上海市浦东区为例进行验证,预测结果精度较高,验证了该方法的可行性及有效性。     

基于小样本性能数据的电气设备可靠性评估与预测方法研究

提出了基于电气设备小样本性能数据的可靠性评估与预测模型。首先采用改进的Bootstrap法对小样本性能数据进行扩容,并进一步分析了设备性能变化的分布函数。在此基础上提出了设备性能可靠性的概念,并由此计算出设备在不同时刻下的可靠性。然后基于形态相似距离对上述可靠性值进行了曲线拟合,最后基于曲线预测值与预测误差对设备的可靠性进行预测估计。该方法不仅在数据扩容上优势明显,而且还能抑制"野值点"对拟合结果的影响。算例分析结果说明了所提方法在小样本数据条件下进行可靠性评估与预测的有效性与实用性。     

蓄热式电采暖可调节潜力分析

蓄热式电采暖作为一种电能替代技术,在应用的过程中会给配电网的安全运行带来影响,随着人们对分布式能源的重视和电采暖相关技术的发展,电采暖的研究愈发重要。为了充分挖掘蓄热式电采暖在配电网中的可调节潜力,从蓄热式电采暖单体和集群两个层面进行分析。首先提出可调节潜力量化指标,包括容量、充放电功率、储能状态、上调容量和下调容量;接着分析蓄热式电采暖单体可调节潜力指标的数学模型;然后利用模糊聚类算法基于用户的用能特性,对电采暖用户进行聚类,分析蓄热式电采暖集群的上调容量和下调容量;最后通过具体算例对数学模型进行验证。     

城市换热站热泵补热系统优化运行研究

为推动清洁能源供暖,提高北方城市供暖的质量和效率,提出了一种城市换热站热泵补热系统的优化运行策略。首先,对城市换热站热泵补热系统设备进行建模;然后,构建热泵补热系统与电网的互动场景,包括响应峰谷平电价和参与调峰辅助服务市场;接着,建立系统运行成本最低、热网稳定性最优的双目标优化模型,并将其转为单目标优化问题,采用粒子群优化算法进行求解;最后,通过算例进行4种供热方案的对比分析,验证所提模型的经济性和低碳性,为城市供暖的低碳化转型提供了新思路。     

基于低秩表示的多任务短期电力负荷预测的研究

在电力系统负荷预测中,使用传统的单任务学习方法未考虑多个地点的负荷间的潜在关系,忽视关联信息在多个地点间传递的可能会导致学习效果欠佳。针对这一问题,本文提出基于低秩表示的多任务学习方法进行多个地点的多任务负荷预测,该方法在学习过程中可以提取不同位置的负荷预测模型的共享低维表示,从而可以挖掘多个任务之间的关联关系,同时又可以区别不同任务之间的差别。实验表明,多任务负荷预测的平均性能优于决策树和随机森林等单任务学习方法,在负荷预测的精度上有了一定的提升。     

基于改进快速密度峰值算法的电力负荷曲线聚类分析

为解决传统聚类算法对大数据背景下高维海量、类簇形状差异巨大的电力负荷曲线进行聚类分析时存在的聚类结果不稳定、聚类效果较差、聚类速度慢和内存消耗过大等问题,提出一种改进的快速密度峰值聚类算法。首先应用主成分分析法对归一化后的负荷曲线集进行降维处理,以减少样本向量间欧式距离的计算量和加快后续操作。然后利用kd树算法对降维后的数据进行快速K近邻搜索生成KNN矩阵。最后以KNN矩阵代替原算法的距离矩阵作为输入数据。在基于KNN改进的样本局部密度和距离计算准则的基础上,运用快速密度峰值算法对负荷曲线进行聚类分析。通过实验和算例分析验证了所提改进算法的实用性和有效性。