电网侧电池储能电站综合评价模型研究

由于已有评价模型未能获取计算精度较高的权重值,导致评价结果不理想,评价用时较长。提出一种电网侧电池储能电站综合评价模型,从技术、经济以及社会效益等方面入手,构建电网侧电池储能电站综合评价指标体系。通过选择序关系方法确定评价指标体系的权重,同时使用模糊综合评价方法对指标体系进行综合评价,构建对应的综合评价模型,根据模型对电网侧电池储能电站进行综合评价。经实验测试证明,所提模型能够快速准确完成储能电站综合评价。     

基于深度学习的电网短期负荷预测方法研究

深度模型通过学习一种深层非线性网络结构以实现复杂函数逼近,具有很强的自适应感知能力。本文为了提高电力负荷预测精度,提出一种基于栈式自编码神经网络的深度学习预测方法。该方法结合自编码器和逻辑回归分类器构建一个多输入单输出预测模型,并将重构后的历史负荷、气象信息等数据输入到预测模型中,用栈式自编码器逐层学习并提取深层特征,最后在网络顶层连接逻辑回归模型进行短期负荷预测。实例分析表明,所提预测模型能够有效刻画日负荷变化规律,泛化能力较强,其预测精度达到96.2%,比支持向量回归和模糊神经网络两种浅层学习模型更高。     

Hadoop架构下基于模式匹配的短期电力负荷预测方法

大数据处理技术充分利用海量动态数据,能有效提升电力负荷预测精度及计算效率。采用Hadoop架构提出了一种基于模式匹配的短期电力负荷预测方法,通过度量日负荷序列相似性挖掘得出典型日负荷模式,辨识出关键影响因素构建基于并行随机森林的决策树群从而建立模式匹配规则,实现待测日负荷模式的快速准确匹配;在典型负荷模式下建立多时刻点预测模型,采用Map Reduce计算框架进行负荷计算与预测分析,从而建立大量样本下的负荷预测模型。以某地市电网全年负荷数据为例进行负荷预测分析,并通过平均误差和方均根误差等指标对比局部加权线性回归(LWLR)算法的预测效果。仿真结果表明该方法用于短期负荷预测时具有更高的预测准确性和计算效率。     

基于阈值的数字图像去噪的算法研究

提出了一种基于阈值的数字图像去噪算法。该算法根据椒盐噪声的特点,通过设置阈值,当待处理像素点的灰度值与该点周围像素点的均值的差小于阈值时,该像素点不作处理,否则就用该点周围像素点的均值代替该点的值。同时,研究分析了图像去噪最佳阈值与图像的平均值、方差、熵以及复杂度之间的关系,以便为快速寻找最佳阈值提供理论根据。实验仿真表明,与其他去噪算法相比,该算法既能较好地去除噪声,同时不会使图像变得模糊。     

大规模高效液流电池自动储能技术研究

采用已有方法对液流电池储能技术进行研究时，没有分析相关约束条件，导致存在弃风改善率较低、年投资回报率较低、发电利用率较低和库伦效率较低的问题，为此提出大规模高效液流电池自动储能技术，在功率平衡约束、备用约束、出力约束、爬坡约束、运行约束等条件下建立液流电池自动储能规划模型，并采用粒子群优化算法求解电池自动储能规划模型，实现大规模高效液流电池的自动储能。实验结果表明，所提方法的弃风改善率较高、年投资回报率较高、发电利用率较高以及库伦效率较高，具有较好的应用效果。