计及故障时间的神经网络风力发电量预测

风电是可再生能源的一种重要形式,随着越来越多的风电并入电网,发电量的预测对电网的稳定性变得格外重要,为了得到更高的预测精度,提出了一种将天气因素和故障时间相结合的两段式风力发电量预测的方法。结合湖南省某风力发电场的实际生产数据,分别运用神经网络结合时间序列的方法对故障时间进行预测,以及GRNN神经网络方法对发电量进行预测。提高了风力发电量预测的精度,延长了预测时间,证明了方法的可行性。     

基于层次模糊逻辑的电网企业备品备件类型预测

针对专家在备品备件预测中所要考虑的因素,利用AHP层次分析法计算备品备件选择时影响因素的权重,再根据权重和影响因素基于模糊逻辑进行综合评判,选择所需要的备品备件类型,从而为电网企业的备品备件安全库存提供科学依据.     

基于主成分分析和LightGBM的风电场发电功率超短期预测

风力发电场发电功率的超短期预测越精确,越有利于电力系统的稳定运行和优化调度。为提高风电场发电功率超短期预测的准确率,提出了一种基于主成分分析(PCA)和轻量梯度提升树(LightGBM)的风电场发电功率超短期预测方法。该方法首先进行主成分分析,将与风电功率相关程度低的维度剔除,降低数据的冗余性。然后利用LightGBM建模,实现风电场发电功率的超短期预测。实验结果表明,基于LightGBM的风电场发电功率超短期预测效果良好,优于传统机器学习方法在风电场超短期功率预测上的精度。     

中小型水力发电企业备品配件管理

区域性中小型水力发电企业与传统的大型发供电企业相比，其电力备品配件管理面临诸多新的问题。文中分析了企业资产管理和状态检修技术，研究了区域性中小型水力发电企业备品配件管理，提出了一种新的备品配件管理系统。通过构建集中管理控制下的多级备品配件管理体系，从技术手段上为区域性中小型水力发电企业电力设备的精确管理提供支撑。最后，采用先进的多层软件架构，设计了区域性中小型水力发电企业备品配件管理原型系统     

深度学习在电力领域的研究现状与展望

深度学习技术,近年来已经广受学术界和工业界的关注,已在图像处理及分类,自然语言处理和生物医疗领域中取得卓越成果.对于存在大量高维度数据的电力领域,引入深度学习的理论具有一定的意义.介绍了深度学习的几个经典模型结构、工作原理,以及相关领域的部分研究成果,并围绕深度学习在电力领域中的研究现状展开了论述,指出了存在的不足和未来研究的方向.     

基于多因素改进型PSOSVM算法的中长期负荷预测

中长期负荷预测作为电力规划与调度中的重要一环,其影响因素有着多样性和不确定性等特点.选取支持向量机作为中长期负荷预测的核心算法,筛选多种区域宏观经济因素,利用粒子群(PSO)寻优与循环寻优的改进型算法对支持向量机(SVM)的参数进行优化及负荷预测.仿真结果显示,改进型PSOSVM算法有着较高的预测精度.     

一种基于本体的语义Web服务发现模型

Web服务已经成为互联网中最为重要的一种计算资源和软件资产,Web服务的大量涌现对服务发现提出了挑战。Web服务发现的关键是Web服务的语义描述的准确性和Web服务检索引擎的检索效率。提出了一种基于本体的Web服务描述方法,采用OWL-S对Web服务进行语义描述,并提出了针对性的Web服务检索引擎。通过试验,该模型结合语义Web服务技术实现Web服务的动态查找与组合,可提高Web服务发现的查全率和查准率。     

SQL3对面向对象技术的支持

在关系数据库中融合面向对象技术已经成为当今数据库领域研究和发展的热点。SQL3是最新的关系数据库语言标准，特别增加了SQL语言对面向对象技术的支持。文章以SQL3对面向对象技术的支持为出发点，初步探讨了面向对象技术在SQL语言中应用，并结合实例分析了SQL3中为面向对象技术提供的数据类型，调用例程和对象语言等。