基于ISSA-NESN的可再生能源电力需求预测研究

首先将标准麻雀搜索算法SSA加入Tent混沌映射以及动态步长因子得到优化的麻雀搜索算法ISSA,以提高种群的多样性并调节种群的全局搜索能力与局部开发能力。然后,将标准回声状态网络ESN的储蓄池内部状态函数用双曲正切函数来代替得到非线性回声状态网络NESN。最后,利用优化的麻雀搜索算法ISSA对非线性回声状态网络的储蓄池稀疏度SD以及谱半径SR进行参数优化,构建ISSA-NESN预测模型。通过算例分析,ISSA-NESN的平均绝对百分比误差（MAPE）为15.84%,均方根误差（RMSE）为0.12,预测效果优于其他对比模型。     

基于改进极限学习机的交直流微电网并网等效建模

微电网接入配电网的数量不断增多,对配电网的稳定运行带来挑战,微电网等效建模是分析微电网接入影响及配电网动态仿真的基础。基于非机理建模的理论,以电压、电流的实部和虚部为输入,功率为输出,建立极限学习机的交直流微电网并网等效模型。利用麻雀搜索算法优化极限学习机的输入权重和阈值,减少极限学习机模型由于输入权重和阈值缺乏统一性带来的模型精确问题。最后,在DIgSILENT平台搭建交直流混合微电网模型进行验证,仿真结果证明了所提等效模型的有效性和准确性。     

基于特征融合的风机叶片表面缺陷检测模型

针对风机叶片表面缺陷检测识别率低、且易受光照影响的特点。提出一种基于卷积神经网络特征融合局部二值模式特征及核极限学习机的风机叶片表面缺陷检测方法。利用引入注意力机制的卷积神经网络提取图像深层次信息,然后提取描述图像浅层纹理信息的局部二值模式特征,采用主成分分析方法降低局部二值模式特征维度;将两种从不同层面描述图像的互补特征串行融合。用改进的麻雀搜索算法优化核极限学习机参数,利用融合的特征训练模型,得到最优模型进行缺陷识别。通过实验,在自建数据集训练后的分类准确率达到了97.5%,kappa系数达到95.1。相比利用单一特征检测,分类准确率有明显的提高。经风电场实际验证,本模型的平均分类准确率为96.3%,Kappa系数为94.5,漏报率明显降低。     

基于奇异谱分析的短期电价预测

针对电价序列具有非线性和非平稳性的特点,提出了一种基于奇异谱分析(SSA)和改进布谷鸟算法(ICS)优化极限学习机(ELM)的短期电价预测模型。采用奇异谱分析提取电价序列中的趋势成分和振荡成分,进行准周期信号分量重建,并对重建序列进行ELM建模预测。针对ELM预测模型中的参数易陷入局部最优的问题,为了提高预测精度,提出改进布谷鸟算法优化预测模型的参数。最后将所有预测序列进行叠加,得到最终的电价预测值。以澳大利亚某电力市场电价数据为例进行分析,通过与其他几种预测模型相比,表明SSA-ICS-ELM模型能有效提高电价预测的精度和稳定性。     

基于KPCA-ISSA-KELM的光伏阵列故障诊断方法

为提高光伏阵列故障诊断的精度,提出一种基于核主成分分析（KPCA）和改进麻雀搜索算法（ISSA）优化核极限学习机（KELM）的光伏故障诊断方法。利用KPCA降维提取故障数据的非线性特征,减少外界条件产生的冗余数据,有效提高复杂故障识别准确率。通过融入Levy飞行和自适应权重t对麻雀搜索算法进行改进,并利用ISSA对KELM中的核参数γ和正则化系数C进行优化,建立了基于KPCA-ISSA-KELM的光伏阵列故障诊断模型。实验结果表明,经ISSA优化KELM的光伏阵列故障诊断模型与其他光伏阵列诊断模型相比,在故障诊断精度上达到97%,验证了该模型的准确性和有效性。     

联合VMD与ISSA-ELM的电力电子电路软故障诊断

针对电力电子电路的软故障特征区分度差、不易诊断等问题,提出了变分模态分解(VMD)结合改进的麻雀搜索算法(ISSA)优化极限学习机(ELM)的故障诊断方法。首先,将采集的故障信号进行VMD分解成本征模态分量(IMF),提取线性重构后IMF的12维时域参数作为故障诊断的特征向量。其次为提高ELM在故障诊断中的精度,提出ISSA对ELM的参数进行优化,建立ISSA-ELM分类模型。ISSA首先采用Iterative映射初始化种群,然后在发现者位置更新处引入自适应惯性权重因子,最后在解的位置引入Levy变异算子进行扰动得到新解等3种策略改进,提高算法性能。在8类基准函数测试中,ISSA比另外4种智能算法的收敛速度和寻优精度均有提升,并且VMD结合ISSA-ELM在功率为150 W Boost电路软故障诊断中精度达到99%以上。     

基于油中溶解气体分析的DBN-SSAELM变压器故障诊断方法

为了保证油浸式变压器故障诊断精度的同时,提高诊断方法的收敛速度以及泛化能力,提出一种基于DBN-SSAELM的变压器故障诊断方法。首先,利用深度置信网络(deep belief networks, DBN)对油中溶解气体浓度比值数据进行特征提取。其次,利用具有较强学习能力的极限学习机(extreme learning machine, ELM)替换传统DBN分类模型中的Softmax分类器,深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。然后,利用麻雀搜索算法(sparrow search algorithm, SSA)优化ELM模型的输入权值和隐藏层节点偏置,以提高模型诊断结果的准确率和稳定性。最后,选用准确率、查全率、查准率和收敛速度对优化前后的模型进行性能评估。最终实验结果表明：所提出的DBN-SSAELM变压器故障诊断方法,故障诊断准确率高、泛化能力强、稳定性好,平均准确率达到96.50%,适用于变压器故障诊断。     

基于奇异谱分析的长时交通流混合预测模型

长时交通流预测是综合交通运输系统规划的重要组成部分,也是宏观交通流管理政策制定的重要依据。 针对时序预测 中存在较多噪声及单一模型预测效果不稳定等问题,提出了一种基于奇异谱分析(SSA)的混合预测模型,以提高实际应用中交 通流序列预测的精度与效率。 首先将原始数据经过奇异谱分析后重构为趋势项、周期项和残差项,其中趋势项运用支持向量回 归(SVR)进行预测,并引入灰狼优化(GWO)算法对模型参数进行优化,周期项利用带遗忘机制的在线序列极限学习机(FOSELM)预测,最后叠加两部分得到预测结果。 以真实交通流数据开展实验,本文所提出的混合预测模型的平均绝对误差为 215. 15,均方根误差为 278. 51。 整体结果表明,该模型能够解决单一模型预测结果误差波动大、预测效果不稳定等问题;相比经 验模态分解(EMD)以及未经处理的时间序列,各模型对经过奇异谱分析的时间序列的预测误差均有所减小,进一步证实了奇 异谱分析在时间序列分解中的有效性。     

基于时序分解与机器学习的渡槽变形预测北大核心CSCD

南水北调工程中渡槽的安全监测对保证其长距离输水的稳定具有重要的意义。为解决目前渡槽变形预测中原型观测资料挖掘不充分的问题和进一步提升预测的精度,本文提出了一种基于时序分解和机器学习的渡槽变形预测方法。该方法首先使用奇异谱分析法将渡槽变形监测数据分解为周期分量、趋势分量和剩余分量三部分,使用核极限学习机对周期分量和趋势分量进行预测,使用长短期记忆网络结合相空间重构理论建立剩余分量的预测模型,将预测结果叠加,建立渡槽变形组合预测模型。以双洎河支渡槽的变形监测数据为例,验证了该模型的性能。结果表明,所提出的组合预测模型具有较高的精度,并且具有一定的鲁棒性,为渡槽的安全监测提供了新的技术方法。     

融合两阶段分解与 iJaya-ELM 的短期风速预测模型

准确的预测风速对于风电场的安全运行和高效发电具有重要意义。 针对已有文献在风速预测问题中采用的单一分解 策略存在固有缺陷、优化预测模型效果不稳定等问题,提出了一种融合两阶段分解与 iJaya-ELM 的混合预测模型。 首先,对原 始风速序列进行 ICEEMDAN 分解,得到 12 个分量后基于排列熵熵值重构为高频项、中频项与低频项;随后对高频项进行奇异 谱分解滤去序列噪声;提出一种改进的 Jaya 算法 iJaya,利用 iJaya 算法获取极限学习机 ELM 的最优连接权值与阈值,最后将各 个分量的预测结果线性集成得到最终结果。 以我国甘肃地区风电场风速数据进行模型验证,并利用新疆地区数据集测试其鲁 棒性与通用性。 实验结果表明,iJaya 算法具有较强的寻优精度与稳定性,两阶段分解能够深度挖掘风速序列的特征;该混合模 型能够有效提升风速预测精度,平均绝对误差与均方误差分别为 0. 067 9 和 0. 134 5。     

双碳目标下的煤炭价格预测与预警研究

针对“双碳”目标背景下能源安全供应需要煤电兜底保供的问题,对影响煤电生产保供的煤炭价格进行了预测研究。首先,建立了基于布谷鸟搜索算法优化的长短期记忆网络（CS-LSTM）煤炭价格预测模型。模型运用布谷鸟搜索算法对LSTM的学习率和隐藏层神经元个数2个参数进行寻优,完成了参数确定,加强了LSTM的预测能力。其次,建立了煤炭价格预警机制,对煤炭价格的波动做出警示。最后,基于CS-LSTM模型预测了2022年山西电煤价格指数,同时进行了价格预警。实例计算结果验证了所提模型预测精准度和预警机制的有效性。     

基于DE-GWO-SVR的中长期电力需求预测

电力需求预测是电力系统科学规划与运行的重要前提.根据相关性分析,从经济发展水平、城镇化水平、工业化水平、人口数量、产业结构、居民消费水平、电价和用电基数8个方面筛选出电力需求关键影响因素.利用差分进化(differential evolution,DE)和灰狼优化(grey wolf optimization,GWO)...     

基于改进X-12-ARIMA的电煤需求预测模型与实证研究

考虑中国春节、端午、中秋等移动假日效应,对美国人口普查局开发的X-12-ARIMA模型进行了改进和实证分析。结果表明,中国电煤消费量具有显著的季节性特征,每年11-12月为消费最高端,7-8月为消费小高峰;基于改进X-12-ARIMA模型对2013年1、2和3月份的电煤需求预测精度分别为96.6%、和95.1%和93.7%,具有较好的短期预测能力。     

“双碳”目标下“十四五”电力供需形势

“双碳”目标将推动电力系统加快清洁低碳转型,对中国“十四五”电力供需形势产生深刻影响。分析了“双碳”目标下“十四五”电力供需的主要影响因素,建立了基于部门分析等方法的电力需求预测模型,采用电力系统生产模拟分析电力供需平衡情况。研究发现“十四五”期间中国电力供需形势呈现电力需求保持较快增长、夏冬“双高峰”均面临电力保供压力、水电占比较高地区冬季枯水期存在一定电量缺口等特点。建议采取加强电力源网荷储一体化规划、加快完善需求响应政策和机制、根据需要布局适量气电与电化学储能电站等措施保障电力供需平衡。     

“双碳”目标下先进煤炭清洁利用发电技术研究综述

在“双碳”目标下,煤炭发电逐渐由主体能源向托底能源转变,燃煤发电技术在煤炭清洁处理、高效率发电及排放物低碳处理等各方面不断发展,同时也向深度调峰辅助服务、“燃煤+”耦合发电等方向转型,探索高效清洁的先进煤炭发电技术意义重大。分析超临界煤气化、超临界煤液化以及超临界水煤氧化等煤炭清洁利用技术的研究现状,讨论超临界水煤氧化热力发电技术、超临界CO₂动力循环技术、整体煤气化联合循环技术、超超临界循环流化床技术等先进燃煤低碳发电方式的技术特点,论述碳捕集利用与封存技术的发展趋势,同时展望煤炭清洁利用发电技术的转型方向,为碳达峰碳中和目标的实现提供发展思路。     

系统动力学方法的中长期电力需求预测

介绍将系统动力学方法运用于电力需求量的中长期预测中。该方法能够全面地考虑各种因素对中长期电力需求的影响 ,充分发挥电力专家与经济专家的经验 ,将他们的预测经验与模型化预测方法相结合 ,较好地解决了中长期电力需求受政策性和社会性因素影响而造成的预测误差问题。模型使用者可以在使用中不断总结经验提高预测精度     

基于SHCGE-SIC模型的上海市电力需求预测

电力需求预测是能源预测、电力系统规划以及经济发展预测的重要组成基础.采用情景分析法,利用SHCGE-SIC模型开展上海市电力需求预测.首先构建基准情景,然后逐渐引入未来可能实施的重大政策对电力需求的影响,利用SHCGE-SIC得到与宏观判断相一致的结构判断和电力需求预测数据.     

基于改进ABC和IDPC-MKELM的短期电力负荷预测

为提高受外部因素影响敏感的短期电力负荷预测精度,提出了一种基于改进ABC优化密度峰值聚类和多核极限学习机的短期电力负荷预测方法。构建融合特征提取、人工蜂群算法（ABC）、密度峰值聚类（DPC）和核极限学习机（KELM）的短期电力负荷预测模型。针对ABC收敛效率不高的缺陷,设计新型蜜源搜索和蜜蜂进化方式,以提升改进ABC全局寻优能力;针对DPC截断距离与聚类中心人为设定的不足,定义邦费罗尼指数函数和聚类中心截断指标,并将改进的ABC应用于DPC参数优化过程,以实现DPC最佳聚类分析;针对KELM回归能力不强、参数选取难以确定的问题,设计多核加权KELM,并采用改进的ABC进行参数优化,以提高极限学习机预测精度。仿真结果表明,所提短期电力负荷预测方法更具有效性,平均误差低了约8.8%~39.8%。