基于膜聚类的改进极限学习机在短期负荷预测中的应用

针对历史数据样本存在无效性影响预测精度和极限学习机的输出随机性、稳定性较差的问题,提出了一种模糊膜聚类算法与改进极限学习机相结合的组合预测方法。考虑负荷自身特征、天气温度及日类型等指标,利用模糊膜聚类算法选取出与预测日具有相似特性指标的负荷数据作为负荷预测日的输入样本,运用经过粒子群算法及隐含层神经元个数遍历法改进后的极限学习机进行预测。试验结果表明,所提方法对两个地区的某日负荷进行预测时降低了预测误差,提高了短期负荷预测的准确性。     

基于MRMR的ORELM的短期风速预测

由于风速具有间歇性、随机性及波动性等特点,导致大规模风电并网对电力系统的安全、稳定运行带来严重影响。文章提出一种基于最大相关最小冗余(Maximum Correlation Minimum Redundancy,MRMR)的离群鲁棒极限学习机(Outlier Robust Extreme Learning Machine,ORELM)的短期风速预测新方法。首先分析影响风速的属性特征,采用MRMR算法来衡量不同风速属性特征与风速的相关性,进而确定风速属性特征的输入维度;然后对极限学习机(Extreme Learning Machine,ELM)进行优化,构建ORELM风速预测模型。最后以美国某大型风电场实测数据为依据进行风速预测,仿真结果表明该方法具有较高的预测精度。     

含高比例分布式光伏的母线负荷预测方法

高比例分布式光伏的大规模接入对母线辖区的负荷预测产生了较大影响,导致母线辖区内负荷偏离用户用电负荷的真实状况。文章考虑了高比例分布式电源对负荷形态的影响,提出了基于互信息与混合模型的母线辖区内负荷预测模型,对分布式电源相关输入因子采用互信息系数进行相关性分析,并通过由XGBoost算法与极限学习机算法组成的混合模型对数据进行训练。最后,使用某地母线辖区内负荷数据进行实例验证,结果表明,考虑分布式电源接入后的母线辖区负荷预测精度高于常规预测方法,文中所建立的预测模型具有良好的预测精度。     

计及源荷不确定性的微电网分布鲁棒优化调度

高比例可再生能源的接入给微电网的稳定运行带来的巨大挑战，传统随机优化和鲁棒优化方法在处理不确定性方面仍存在一定的局限性。综合考虑风电、负荷的双重不确定性，采用分布鲁棒优化方法，构建了基于豪斯多夫(Hausdorff)距离的微电网两阶段分布鲁棒优化调度模型，第一阶段利用场景预测信息，制定包含储能充放电计划、购售电计划的预调度方案，第二阶段基于各典型场景信息制定微电网各单元出力调整计划；然后采用列与约束生成算法(columns and constraints generation, CCG)进行迭代求解，得到最恶劣概率分布下运行成本最低的调度方案；最后，通过算例仿真分析验证了所提方法的有效性，所得到的决策方案兼顾了经济性和安全性。     

基于mRMR和MA-RELM的火电厂出口SO2质量浓度预测

提出一种基于最大相关最小冗余(mRMR)算法和蜉蝣算法优化正则化极限学习机(MA-RELM)的出口SO₂质量浓度预测模型。通过机理分析确定初始输入变量,利用改进的时延分析方法对初始输入变量进行时延补偿,采用mRMR算法对各个初始输入变量进行重要性排序,搭建正则化极限学习机(RELM)预测模型,并利用蜉蝣算法确定模型参数。结果表明：与最小二乘支持向量机(LSSVM)、长短期记忆网络(LSTM)和极限学习机(ELM)相比,RELM预测模型的均方根误差分别降低了36%、38%和26%;与粒子群算法(PSO)和灰狼算法(GWO)寻优后的模型相比,MA-RELM预测模型误差最低,该模型能够对出口SO₂质量浓度进行准确预测。     

循环流化床锅炉燃烧系统的神经网络模型研究

为了准确预测热电厂锅炉的NO_x排放质量浓度,以某热电厂300 MW亚临界循环流化床锅炉为研究对象,利用并联型快速学习网进行建模。首先以经典的回归数据集测试并联型快速学习网的有效性,将结果与其他神经网络的结果相比较,证明其具有更好的学习能力和稳定性。再以热电厂现场采集的样本数据作为模型的输入输出数据,将该模型的预测结果与极限学习机、快速学习网、核极限学习机和增量型极限学习机的预测结果进行比较。结果表明:并联型快速学习网具有良好的预测精度和泛化能力,能够更准确有效地预测热电厂锅炉的NO_x排放质量浓度。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要.针对极限学习机(ELM)随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法(SSA)优化极限学习机的组合预测模型(SSA-ELM).利用收敛速度快、...     

基于VMD-WPE和SSA-ELM的短期风电功率预测研究

针对风电功率序列非线性、非平稳性特点,提出一种变分模态分解（VMD）-加权排列熵（WPE）和麻雀算法（SSA）优化极限学习机（ELM）的混合风电功率预测模型。首先,采用VMD技术将原始序列分解为多个固有模态分量,再采用WPE技术将各分量重组成若干个复杂度差异较大的子序列。然后,利用启发式SSA算法对ELM的参数进行优化,建立风电功率预测优化模型。最后,采用西北某风电场实际数据对所提模型进行验证。结果表明,与其他模型相比,所提模型提高了预测性能。     

多形态冷热负荷平抑风电不确定性的鲁棒优化方法

风电不确定性所引起的弃风和功率波动,成为限制风电大规模并网的关键因素。针对冷热负荷响应速度快且聚合容量大的特点,分析了包含分散式冷热负荷和集群式冷热负荷的多形态冷热负荷模型。为研究多形态冷热负荷平抑风电不确定性的鲁棒优化方法,以消纳风电和平抑风电功率波动为目标,对分散式冷热负荷功率和集群式冷热负荷功率进行优化,建立多形态冷热负荷两阶段鲁棒优化模型,并利用CCG算法对模型求解。最后,以IEEE39节点系统建立仿真模型,对鲁棒优化方法进行仿真分析。结果表明,多形态冷热负荷两阶段鲁棒优化方法能够有效平抑风电不确定性。     

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%。     

基于K-means聚类和极限学习机组合算法的短期光伏功率预测

考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。     

考虑风荷不确定性的大用户直购电鲁棒区间优化调度

该文以发电企业运行效益最优为目标,使用鲁棒区间优化方法对风电出力进行建模,用基于价格的需求响应对负荷不确定进行建模,建立考虑风电和负荷不确定性的大用户直购电鲁棒区间优化调度模型。最后,通过Matlab和CPLEX求解目标函数,验证所提模型的有效性和可行性。     

基于小波分解和极限学习机的短期风速组合预测研究

提出一种基于小波分解(Wavelet Decomposition,WD)和极限学习机(Extreme Learning Machine,ELM)的新型短期风速组合预测模型。首先,采用小波分解将风速序列分解成不同频段的分量,以降低序列的非平稳性;其次,为避免极限学习机输入维数选取的随意性等问题,先对各分量进行重构相空间,再使用改进的极限学习机对各分量分别建模预测;最后,将各分量预测结果叠加得到最终预测结果。实验结果表明,文章所提的组合预测模型具有较高的预测精度。     

基于协整理论的极限学习机模型在降水预测中的应用

针对传统降水预测方式存在的不足,提出一种基于协整理论的极限学习机模型,该模型主要利用协整理论将相关序列信息引入,运用极限学习机(ELM)刻画非线性映射关系,并将该模型应用于皖南地区季度平均降水预测中。结果表明,该模型预测结果合理,且具有更佳的表现。     

改进粒子群-极限学习机模型在面板堆石坝运行期沉降预测中的应用

针对极限学习机(ELM)沉降预测模型中随机权值和阈值导致部分节点无效的问题,引入改进粒子群算法(IPSO)优化极限学习机的参数,构建基于改进粒子群-极限学习机算法的面板堆石坝运行期沉降预测模型,并将其应用于某完建的面板堆石坝运行期沉降预测中。结果表明,与未优化的极限学习机预测模型和统计回归预测模型的拟合预测结果相比,经改进粒子群算法优化后的极限学习机预测模型在测点上的拟合精度更高,且由于引入改进粒子群算法后,极限学习机在满足精度条件下所需预设的隐含层神经元数更少,这可极大地降低模型网络的复杂度,避免模型在训练中出现过拟合现象;三个模型中IPSO-ELM模型的泛化能力更好,预测结果更精确、稳定。     

基于VMD和射箭算法优化改进ELM的短期光伏发电预测

为了提高光伏发电预测的准确性，提出一种结合变分模态分解（VMD）、改进的射箭算法（AA）和改进的极限学习机（ELM）的短期光伏功率预测模型。首先，将光伏数据进行变分模态分解；然后，利用混合核函数改进极限学习机；之后，利用随机反向学习策略改进射箭算法；最后，通过改进的射箭算法对混合核极限学习机中的核参数寻优并建立预测模型。通过对澳大利亚DKA太阳能中心的数据进行验证，证明该文方法的准确性。     

基于Sine-SSA-BP神经网络模型的风机叶根载荷预测

针对风机叶根载荷影响因素复杂、计算量大、非线性和强耦合,采用传统数理分析方法难以建模的问题。文章首先分析了叶根载荷的主要影响因素,并结合多元回归模型建立载荷预测模型;然后采用Bladed对2MW风机实验所得仿真数据划分训练数据集和测试数据集,并利用所得数据对Sine混沌映射改进麻雀算法优化的BP神经网络（Sine-SSA-BP）预测模型进行训练,使用训练后的模型进行叶根载荷预测;最后将预测结果与测试数据、BP神经网络预测模型和极限学习机（ELM）预测模型的预测结果进行对比分析。结果表明,Sine-SSA-BP预测模型性能更佳,预测精度更高,验证了所提方法的可行性和有效性。     

考虑源荷双侧不确定的孤岛型微网能量管理优化模型

鉴于源侧风电出力和负荷侧预测误差的双重不确定性对微电网规划运行的影响愈发显著,采取分布式鲁棒优化联合机会约束方法对孤岛型微电网进行能量管理优化,降低系统运行成本,通过历史数据将风电出力和负荷侧预测误差转化为盒式模糊集,将机会约束转化为易求解的形式,建立了混合整数二阶锥规划模型。通过孤岛运行的微网算例分析及与其他优化方法的对比求解,验证了所提模型和求解策略的有效性。     

考虑需求响应的温度敏感用户夏季短期负荷预测方法

在新常态下为了降低生产成本,用户会参与需求响应进行错峰和避峰。传统负荷预测模型对用户负荷特性变化不敏感,对一些突变信息难以准确预测。针对此问题,考虑温度敏感用户参与需求响应,提出了夏季短期负荷预测方法。该方法采用小波变换和局部离群因子方法对负荷数据预处理,基于模糊C均值聚类和径向基函数网络相结合的方法识别预测日的负荷特性,采用线性回归模型对预测日的负荷特性相同的历史负荷数据进行负荷预测,根据降温负荷的基准值和温度变化值评估出降温负荷值,最后综合得出预测日的负荷。对3类温度敏感的纺织行业大用户进行算例分析,验证了所提方法的可行性和有效性。     

主动配电网中多微网鲁棒环境经济调度研究

针对多微网调度问题,兼顾其经济性与环境性,同时考虑多微网之间的功率交互以及可再生能源和负荷预测的不确定性,建立基于鲁棒优化的多微网鲁棒环境经济调度模型。采用拉丁超立方抽样方法和平均有效目标函数进行模型转化,并利用多目标细菌群体趋药性算法(multi-objective bacterial colony chemotaxis,MOBCC)求得4种情景的Pareto最优解。仿真结果证明,微网间功率交互可减少微网对微型燃气轮机、储能装置和大电网等的依赖性,可降低成本,增强电网的可靠性。由仿真结果可知,鲁棒解的获得是以经济成本和环境成本为代价的,预测误差越大鲁棒解所需成本越大,因此预测准确性对微电网调度至关重要。