基于互信息属性分析与极端学习机的超短期风速预测

超短期风速预测对保证风电并网运行可靠性和维持电力系统安全稳定具有重要的意义,针对风速预测中不同因素对风速影响程度不同的特点,本文提出一种基于互信息属性分析与极端学习机的超短期风速预测方法。首先,选取与风速相关的68种候选属性因素,分别计算其相对于风速序列的互信息值,根据互信息,衡量属性对风速的影响程度,并选择输入属性;然后,由互信息值计算属性权值;之后,采用加权处理后的属性值来训练极端学习机,构建风速预测模型;最后,采用新模型预测未来4h内风速。采用北纬39.91°、西经105.29°的美国风能技术中心的实测数据开展实验,实验结果表明,新方法具有良好的预测精度,能够满足实际风速预测需要。     

基于GA和ELM的电能质量扰动识别特征选择方法

电力系统中海量暂态扰动的分析与治理需要以高效准确的扰动分类为基础。现有扰动识别方法缺少合理的特征选择环节,分类器过于复杂,不能满足高效分类的需要。提出一种新的电能质量扰动特征选择方法。首先,对原始信号使用S变换进行预处理,提取具有代表性的25种扰动信号特征构建原始特征集合;然后,根据极限学习机识别准确率构造用于扰动特征选择的遗传算法适应度函数;最后,用遗传算法来进行迭代运算,确定最优特征集合。实验证明,新方法能够有效去除冗余特征,在保证分类准确率前提下,有效降低分类器复杂度,提高分类效率。     

基于灰色关联度和BP神经网络的最大负荷同时率预测方法研究

电力系统最大负荷同时率是电力系统规划中的一个重要参数,对其分析要考虑众多影响因素的叠加效用,并在预测模型中体现这些影响因素的关联程度。在负荷特性分析的基础上,充分利用灰色关联度分析方法能够定量地描述各因素之间相互变化的相对性特点和BP神经网络在非线性映射方面的能力,揭示负荷同时率与电力、经济和需求侧管理等方面的内在联系,有效凸显了影响负荷同时率变化的主导因素。用MATLAB对样本数据进行训练,并通过应用灰色关联度分析对网络隐含层节点的逐步优化,使网络结构达到最优化。仿真结果表明改进后的BP算法能够有效提高网络的预测精度、学习效率和实用性,能够为电网规划中负荷同时率预测提供有益的指导。     

基于布谷鸟搜索优化支持向量机的短期负荷预测

针对支持向量机(SVM)在短期负荷预测中,根据经验选取参数导致预测精度下降的问题,提出一种基于布谷鸟搜索算法(CSA)优化SVM的短期负荷预测新方法(CSA-SVM)。先以历史负荷、温度、湿度等属性构成训练样本集的输入向量作为SVM的输入,以负荷值作为输出,建立SVM预测模型;再根据训练误差,以CSA对SVM中惩罚因子和核参数进行寻优;最后,按照CSA寻优获得的最优参数建立基于CSA-SVM的预测模型并开展短期负荷预测。实际负荷数据试验显示,相较于SVM模型、粒子群(PSO)优化SVM模型、BP神经网络模型,CSA-SVM具有更高的预测精度,能够满足电力系统短期负荷预测精度需求。     

基于S变换与全局最优阈值的暂态扰动信号降噪*

现有的电能质量扰动信号降噪处理方法容易损失信号中包含的高频暂态扰动细节。提出一种基于S变换与全局最优阈值的扰动信号降噪方法。首先,通过S变换获得扰动信号的时-频矩阵;其次,将S变换模矩阵转化为灰度表示;之后,采用Otsu’s算法,计算全局最优阈值,进行滤波降噪;最后,将降噪后的时-频矩阵进行S变换逆变换获得降噪后的扰动信号。仿真实验证明,新方法能够有效保留信号中的高频扰动成分,降噪效果好,能够满足扰动信号分析要求。     

基于模式相似度和LZW压缩编码的电能质量数据压缩方法

针对电能质量数据多数情况下具有周期性、对称性、奇偶性等特点,提出了一种基于模式相似度和LZW压缩编码的电能质量数据压缩处理方法.在该压缩算法中,利用模式相似度归一化距离测度良好的畸变识别能力,对畸变和非畸变数据分别进行无损和有损压缩;合理引入LZW编码压缩,进一步提高算法的压缩比.依据IEEE电能质量标准,在MATLA...     

基于广义S变换和DE-ELM的电能质量扰动信号分类*

电能质量扰动信号分类对电能质量综合评估、扰动源定位治理具有重要意义。提出了一种基于广义S变换和差分进化优化极限学习机的电能质量扰动信号分类方法。首先,通过改变S变换在不同频段的窗宽因子,来提高特征表现能力;然后,采用极限学习机作为扰动分类器,引入具有全局寻优功能的差分进化算法,优化极限学习机输入权值和隐藏层结点偏置,增强极限学习机的泛化能力,提高分类准确率。最后,仿真对比实验表明,相比于支持向量机和极限学习机,文中新方法准确率高、抗噪性强,更适用于电能质量扰动识别工作。