基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。     

多层多原理STLF评估系统

根据电力市场运营对短期负荷预测STLF(Short Term Load Forecast)高精度要求,提出多层多预测原理的STLF评估系统。系统由人机交互层、评估决策层、多原理预测层和数据库管理层构成。根据具体负荷特性、运行情况、评估结果自适应选择高精度原理的预测Agent执行。按评估系统多数据源的需求,采用ADO．NET实现复杂互联网环境下异构数据库的集成,构建负荷预测专用数据仓库,给出了负荷预测计算服务的Web Service实现方法。     

基于动态决策实时修正的家庭能量管理系统环境适应型调度方案研究

在智能电网发展的背景下,旨在满足用户节电要求及配合电网需求响应的家庭能量管理系统(home energy manage system, HEMS)应运而生。针对基于整体优化方法的传统HEMS静态调度无法灵活地适应外部环境动态变化的问题,建立HEMS基本结构,提出基于动态决策实时修正的家庭能量管理系统环境适应型调度方案。在日前整体优化调度计划的基础上,根据实时采集的电价、气温、光伏出力等信息判别时段环境状态,利用动态决策模型对调度计划进行实时修正,给出符合实际需求的环境适应型调度方案。经试验仿真,该方案可在动态调度中做出符合用户需求的最佳决策,既继承了传统HEMS调度的优越经济性,又能适应动态变化较大的实际环境。     

基于IPSO算法的建筑级综合能源系统优化调度

为节约建筑级综合能源系统的运营成本,提高电网供电的可靠性,本文提出了一种基于随机权重粒子群算法的建筑级综合能源系统优化调度策略,构建了建筑级综合能源系统优化调度模型,以运行能源成本最小化为目标函数,采用随机权重粒子群算法对模型进行求解,并引入实际算例进行仿真,对基于规则的控制策略和优化调度控制策略进行比较。仿真结果表明,与基于规则的控制策略相比,本文提出的优化调度策略可以显著降低运行能源成本,对电网的削峰填谷起到一定的促进作用。该研究为建筑级综合能源系统优化调度问题提供了理论依据。     

基于梯度提升决策树的电力短期负荷预测模型

为提高短期负荷预测的预测精度,本文基于梯度提升决策树,对电力系统短期负荷预测模型进行研究。梯度提升决策树是通过将梯度提升机和决策树相结合,用大量的历史负荷和气象等数据进行训练,在损失函数负梯度的方向上生成新的决策树,不断优化预测结果。以某地区电力负荷数据为例,对比传统的BP-NN和RBF-NN预测模型。研究结果表明,与其它两个模型相比,基于梯度提升决策树的预测模型对于工作日负荷的预测误差分别降低了1.56%和1.73%,对于休息日负荷的预测误差分别降低了1.60%和1.53%,预测精度得到明显提高。而且该模型不仅可以克服易陷入局部极小值问题,还有效地减小了多因素之间关系互嵌、信息冗余对预测精度的不良影响,验证了该模型研究的合理性和有效性。     

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。     

基于HSA的家庭能量管理系统优化调度研究

针对家庭能量管理系统的经济性与环保性,本文基于和声搜索算法,提出了一种家庭能量管理系统的优化调度方法。以减少用户的用电成本和碳排放量为目标,将家庭负荷分为可调度负荷、不可调度负荷和储能负荷等,根据光伏发电预测值、不可调度负荷预测值、室外温度采集值以及用户设置的舒适度条件,建立了家庭能量管理系统数学模型,并采用改进的和声搜索算法对模型进行优化求解,得到了各时段可调度负荷的工作状态以及蓄电池和电动汽车的充放电功率。仿真结果表明,该方案有效减少了用户的用电成本和碳排放量,实现了电网需求侧节能减排。该研究为智能电网环境下家庭能量管理系统的建设提供了一定的参考价值。     

基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法

根据电力负荷序列的混沌特性,提出以相空间重构理论和优化递归神经网络结合的电力系统短期负荷预测方法,以相空间重构理论确定递归神经网络输入维数;训练样本集由对应预测相点的最近邻相点集构成,并按预测相点步进动态相轨迹生成;优化递归神经网络是以双重遗传算法来确定递归神经网络的隐层结构和权值,总体寻优性可抑制伪近邻点的影响,保证提高预测精度及其稳定性。对两类不同负荷系统日、周预测仿真测试,证实其比传统神经网络预测模型能有效地提高预测精度0.8%。因此,所研究的预测模型和方法在实际预测领域有较高的实用价值。     

基于量子加权多层级GRU神经网络的综合能源 系统多元负荷短期预测

针对综合能源系统多元负荷短期预测问题,提出一种基于量子加权多层级GRU(quantum weighted multi hierarchy gated recurrent unit, QWMHGRU)神经网络的多元负荷短期预测模型。采用最大信息系数对多元负荷间和负荷与天气因素间的相关性进行分析,选取模型输入量。然后改进GRU的门控结构,形成多层级门控循环单元(multi hierarchy gated recurrent unit, MHGRU),并将量子加权神经元引入MHGRU,构成QWMHGRU多变量负荷预测模型。仿真算例结果表明,QWMHGRU多元负荷预测模型在夏季和冬季的权重平均精度均可达97%以上,相比MHGRU、QWGRU和GRU模型具有更高的预测精度。     

RBF-NN与RBF-SVM组合的风电功率预测研究

针对单一预测模型无法全面利用历史数据对风电场风电功率预测问题,本文提出了基于径向基神经网络(RBF-NN)与径向基-支持向量机(RBF-SVM)组合的风电场风电功率预测模型,通过固定综合权系数将2个模型融合在一起,同时采用最小二乘法来求取各子模型的权系数,实现2个子模型的优势互补,并对实际某风电场的功率数据进行预测仿真和测试。仿真结果表明,2个模型组合后,平均绝对误差为11.63%,分别比子模型降低0.87%和0.76%,证明所提出的组合预测模型能有效提高预测精度。该研究满足实际的调度预测要求。