基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

基于改进天牛须算法的含固态变压器的配电网无功优化北大核心CSCD

提出了一种基于改进天牛须算法的含固态变压器(solid⁃state transformer,SST)的配电网无功优化方法,通过调节SST的调制系数和相位角补偿系统的无功功率。文中首先对SST进行数学建模,其次针对天牛须搜索算法(beetle antennae search algorithm,BAS)在低维度空间表现优异,在5维及以上空间存在收敛速度慢,精度低的问题,在BAS的基础上引入了模拟退火算法(simulated annealing algorithm,SA)中蒙特卡洛准则以及动态实时改变的步长因子,通过经典函数来测试文中所提算法的性能,最后应用到含SST的配电网中,对SST的连续优化变量和分布式发电(distributed generations,DGs)的无功输出进行优化,使系统的电压偏差与功率损耗达到最小,降低了SST在配电网中的成本。最后对改进的IEEE⁃33节点系统进行仿真,验证了该模型与算法的可行性与有效性。     

基于SSA-BP的风电场超短期风速预测方法研究

在风电场风速预测方法中,BP神经网络是常用的方法之一。针对BP神经网络相关参数选取不当影响预测结果的问题,提出一种基于麻雀搜索算法(sparrow search algorithm,SSA)对BP神经网络的权值W及阈值B的优化方法,构建SSA-BP超短期风速预测模型。从数据采集与监视控制(supervisory control and data acquisition,SCADA)系统中收集得到的风速数据,预处理后及分类之后,使用该模型进行预测。实验表明,与BP、遗传算法(genetic algorithm,GA)-BP、粒子群算法(particle swarm optimization,PSO)-BP预测模型相比,SSA-BP预测模型可有效提高风电场风速预测的准确率,且收敛速度快、寻优能力强。     

基于天牛须搜索算法的电池模型参数辨识

为实现高精度的动力电池SOC估计,需要建立准确的电池模型.针对磷酸铁锂电池平台特性,采用二阶RC等效电路建立电池的等效电路模型;用双指数函数拟合OCV与SOC的函数关系;采用双线性变换法将电池的数学模型离散化,得到可辨识的电池数学模型.为保证电池模型的精度,要对电池模型的参数进行辨识.首次提出一种基于天牛须搜索算法的电...     

基于改进天牛须搜索算法的分布式电源选址定容

针对分布式电源接入配电网的选址定容问题,在考虑到网损、静态电压稳定和线路热稳定3个指标的基础上,采用层次分析法建立了分布式电源在配电网中选址定容的多目标优化模型。对一种新的智能优化算法-天牛须搜索算法(Beetle Antennae Search-BAS)进行改进,提高了算法的稳定性,并应用于分布式电源选址定容问题求解。通过与粒子群算法在IEEE-33标准节点算例的仿真对比实验,验证了改进天牛须搜索算法(Improved Antennae Search-IBAS)在分布式电源选址定容问题求解中的高效性和稳定性。     

基于秃鹰搜索算法优化LSTM的短期风速预测

为了实现短期风速的精准预测,提出了一种基于秃鹰搜索算法优化长短时记忆神经网络的短期风速预测方法。将风速、风向、温度和气压作为特征量,采用秃鹰搜索（bald eagle search,BES）算法对长短时记忆神经网络（long short term memory,LSTM）的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化,建立基于BES-LSTM的短期风速预测模型。采用实际风电场相关数据进行仿真分析,并与其他风速预测方法进行对比,结果表明,本文所提BES-LSTM模型预测结果的方均根误差、平均相对误差和可决系数分别为0.182、3.742%和0.992,各项指标均优于PSO-LSSVM模型和SSA-ELM模型,短期风速预测效果更好。     

基于模糊神经网络的风速预测研究

针对风速的不确定性给保障风力可靠性发电带来很大困难的问题,采用模糊神经网络的方法对大型风电场的风速进行预测,利用T-S模糊系统和神经网络的知识构建模糊神经网络预测模型,将风电场风电机组附近的气温、气压、空气湿度和风向等环境参教与风速预测模型的输入,对提前4小时和提前一天的风速进行预测,仿真结果表明该方法具有很高的精度.     

神经网络短期负荷预测的输入变量选择研究

短期负荷预测中输入变量的选择直接关系到神经网络的预测性能。本文将自相关函数的概念应用于神经网络短期负荷预测中的输入变量集选择,对输入变量集的选择提出了一种比较科学系统的方法。通过采用FFT来实现对自相关函数的快速计算,增加了该方法的可操作性,并通过具体的实例验证了该方法的有效性。     

基于天牛须搜索粒子群优化的改进克里金模型

为提高克里金模型的建模精度,提出了一种基于天牛须(BAS)搜索粒子群(PSO)优化的改进克里金模型算法。在引入的天牛须搜索PSO优化算法中,每个粒子的更新规则不仅依赖于PSO最佳方案及个体的当前全局最优值,还综合了BAS的搜索规则,以提高全局搜索性能及搜索效率。由于相关参数的取值直接影响克里金模型的建模精度,应用天牛须搜索PSO算法对克里金模型的相关参数进行优化,并给出了具体的优化流程。测试算例表明,基于天牛须搜索PSO的改进克里金模型,具有得更高的模型精度和计算效率,优于常规的克里金算法及普通粒子群优化的克里金算法。     

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。     

基于混合Copula函数及鲸鱼优化算法的风电场风速预测

针对风速精准预测过程中存在的风电场内风机数量大、风速之间存在复杂时空相关性的问题,提出将鲸鱼优化算法与混合Copula函数相结合的相关性分析法,在风机风速相关性分析的基础上构建风速预测模型.在该模型中,通过混合多种单一Copula函数,再利用鲸鱼优化算法进行参数求解,提高了模型的相关性分析水平.以我国某地区风电场风机实...     

基于小波包分解和改进差分算法的神经网络短期风速预测方法

风速预测在风电场的智能管理和安全并网中起着至关重要的作用,针对风速预测固有的波动性、间歇性和非线性等特点,以及常规BP神经网络和差分算法神经网络均存在容易陷入局部最优导致收敛过早、泛化能力不足等缺陷,提出一种综合WPD和IDE算法的短期风速预测神经网络方法。该方法首先利用WPD将风速的时间序列分解成多种不同频率的子序列,然后采用IDE算法优化后的神经网络对小波包分解后的每个不同频率的子序列进行单步预测,最后将预测后的各个子序列进行叠加,得出最终预测结果。为验证所提方法的有效性,将其分别与采用混合小波分解的BP神经网络风速预测方法和混合小波分解的差分算法风速预测神经网络方法进行对比,对某地区的实际风速数据进行实验仿真,结果表明,所提方法的预测精度明显优于其他算法。     

基于混沌特性分析的风速序列混合预测方法

为提高风速时间序列的预测性能,针对具有混沌特性的风速时间序列提出一种混合预测方法。通过分析风速时间序列的动力学特性,求解风速时间序列蕴含的最佳不稳定周期轨道,将前一最佳不稳定周期轨道附近的值作为当前预测结果,从而得到基于混沌不稳定周期轨道的预测结果。另外,将混沌算子网络应用于风速时间序列预测分析中,通过调节网络参数改变预测网络的动力学特性,从而实现风速时间序列预测分析。将这两种具有不同机理的预测方法通过优化融合指标函数的方式实现预测结果融合,从而实现风速时间序列的混合预测。仿真结果表明,混合预测方法能够进一步提高风速时间序列的预测性能。     

基于Adaboost的BP神经网络改进算法在短期风速预测中的应用

进行较准确的风速预测对含大规模风电场的电力系统进行经济调度具有重要意义。针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。     

基于遗传算法和神经网络的分时段风速预测方法

为提高风速预测的准确性,提出一种分时段GA-BP(遗传算法优化BP神经网络)的风速预测方法,以遗传算法来优化BP神经网络,并将原始数据进行分时段处理,改善训练样本的相似程度。基于matlab进行了仿真验证,结果表明:遗传算法优化BP神经网络使其预测结果的平均相对误差降低,准确性提升;原始数据分时段处理后,预测准确性进一步提升。     

基于最优Copula相关性分析的短期风速预测方法

准确剖析变量间的关联关系,深入挖掘数据的潜在价值,是提升一系列基于统计分析原理所构建风速预测模型精度的关键。为最大程度保留数据的潜在价值并剔除冗余信息,首先将待选输入变量用概率密度函数拟合,其次建立风速与其他变量间的最优Copula函数,再次基于最优Copula函数求解相关系数,明确影响风速预测精度的关键输入变量,最后基于长短期记忆网络模型输出预测结果。基于我国某地区的实测数据集对所提方法进行了验证。实验结果表明,所提出的方法可有效选取关键输入变量,在减少模型训练时间的同时提升预测精度。     

基于降步长天牛须搜索算法的火电机组CCS特征轨迹设计

将特征轨迹法和降步长天牛须搜索(SDBAS)算法结合设计了亚临界火电机组协调控制系统(CCS),通过特征轨迹法确定控制器形式及部分必要参数,保证了CCS的稳定性,同时结合SDBAS算法寻优得到最佳控制器参数,从而优化控制效果。仿真结果及工程应用效果表明该方法能较好地满足工程需要。     

基于Mycielski算法的风电场风速预测

对已有的风速预测方法进行了总结归类,并使用一种新颖的基于Mycielski算法进行风电场风速预测,建立了基于该算法的预测模型,并且同持续法风速预测进行对比,同时对二者的误差进行了分析.实验结果表明,基于Mycielski风速预测模型在风速平滑段有着非常高的预测精度,其均方根误差与误差方差均小于持续法,误差为零的概率高于...