基于改进微粒群算法的梯级水库群优化调度

为了进一步增强微粒群算法的优化性能,提出了一种改进微粒群算法,并将其用于求解梯级水库群的优化调度.该算法引进了类似遗传算法的交叉和变异算子来提高搜索效率,其中交叉是微粒在解空间中的位置以一定的概率随机进行算术交叉,变异是微粒以一定的概率随机使速度矢量的某一维分量变为0.为了加速收敛,初始微粒群生成时采用了有条件的随机自动生成方式,并利用惩罚函数法来处理边界条件和其它非等式约束.实例计算结果表明,改进微粒群算法具有比常规动态规划法和常规微粒群算法更快的计算速度,且优化调度结果比较满意.     

水库群供水优化调度的改进蚁群算法应用研究

针对水库群供水优化调度问题,建立改进蚁群算法求解带罚函数的水库群供水优化调度数学模型,重点研究蚁群算法的改进。在对传统蚁群算法研究的基础上,提出一种自适应调整信息素挥发系数、信息量及转移概率的改进蚁群算法,克服传统蚁群算法收敛速度慢且容易陷入局部极值等方面的缺陷,并将其应用于黑河三水库联合供水优化调度中。与传统蚁群算法优化结果的比较表明,应用改进蚁群算法的优化调度结果较传统蚁群算法更为合理,该算法有利于提高计算效率、优化质量及改善收敛性能,为解决水库群供水优化调度问题提供了新方法。     

长江上游大型水库运行对长江上游水文过程的影响

2000年后,长江上游大型水库建设进入快速发展阶段,本文分析了长江上游60多座大型水库调节下上游主要水系出口控制水文站的径流变化过程.通过长年径流系列分析,大型水库群的调节使主要水文站汛期径流略有减少,而非汛期水量有明显增加,且径流过程比较平稳,有利于流域水资源的利用.由于水库群汛前预泄,流域5月份径流增加到汛期水平;汛后水库群蓄水,下泄径流减少到枯季水平,从而使汛期提前到来,又提前结束,汛期向前平移了一个月,显著的改变了天然径流的时空分布,将给中下游防洪形势带来新变化.根据上游水库群不同建设水平,分析了三峡枢纽的调度响应.认为在保障长江上游大型水库汛后蓄水保证率的前提下,上游水库的进一步建设有利于三峡枢纽的兴利效益.     

考虑生态用水的水库群优化调度研究

生态用水调度是维持河道生态健康稳定的重要手段,在水库群的调度规则中应当纳入生态用水因素。通过考虑生态流量目标需求,建立了沙河水库群生态用水调度模型,并根据长系列优化运行的结果,对考虑生态的水库群调度规则和生态流量满足程度进行分析。结果表明,进行生态调度能有效减小供水期末的生态破坏,而对社会经济用水影响不大,最小生态和适宜生态流量的保证率分别达到98%和82%,且下游河道的流量更接近天然水流情势;库水位在不同的水平年表现不同的变化趋势,同时水库调度规则受到上下游次序和边界入流的影响,可为水库群联合进行生态用水调度提供依据。     

三峡水库运行初期蓄水调度函数的神经网络模型研究及改进

针对三峡水库运行初期汛末蓄水实时调度问题,提出了一种改进方案用以训练神经网络水库调度函数,并与传统方案进行对比分析。首先建立了水库汛末蓄水优化调度模型,并通过动态规划求解生成了训练样本,然后采用两种方案训练神经网络调度函数:①传统方案(优化———拟合):用神经网络直接拟合优化出的训练样本;②改进方案(优化———拟合———再优化):直接以模拟调度的发电量最大为目标,而将传统方案输出的神经网络权重作为优化初值,采用直接优化方法(单纯形法)进一步调整神经网络权重。通过比较这两种方案,得到了改进方案虽不能最好的拟合训练样本与检验样本,但在实际调度中却可以获得较高的蓄满率及较大的发电效益的结论;并详细的分析了其原因。因此,在训练神经网络调度函数时,最终目标应是使整个调度获得最大的效益,而不是去最好的拟合最优训练样本;而改进方案为训练神经网络水库调度函数给出了一有效的算法。     

基于深度卷积神经网络的电力系统运行稳定性评估方法

研究了一种电力系统运行稳定性评估深度卷积神经网络算法.利用深度卷积神经网络算法对电力系统运行稳定性评估系统进行技术升级.采用深度卷积神经网络构建多层多列神经网络,对电网稳定性作出评价.系统对特定故障的评价效率显著提升,特别提升了评价判断特异性,减少了因对无故障电网运行状态做出稳定性预警而带来的额外检修工作量.深度卷积神...     

基于集成深度神经网络的配电网分布式状态估计方法

随着大量分布式能源的接入,配电系统的运行与控制方式愈加复杂。针对配电网状态估计方法面临分布式电源波动数据辨识困难、估计精度低、鲁棒性与估计时效性差等问题,提出一种基于集成深度神经网络的配电网分布式状态估计方法。首先,利用量测数据相关性检验的数据辨识技术识别不良数据和新能源波动数据。在此基础上,利用时域卷积网络(temporal convolutional network, TCN)-双向长短期记忆网络(bidirectional long short term memory, BILSTM)对不良数据进行修正。然后,建立集成深度神经网络(deep neural network, DNN)状态估计模型,采用最大相关-最小冗余(maximum relevance-minimum redundancy, MRMR)的方法优化训练样本,从而提高状态估计的精度和鲁棒性。最后,建立分布式集成深度神经网络模型,弥补了集中式状态估计速度慢的不足,从而提高状态估计效率。基于IEEE123配电网的算例分析表明,所提方法能更准确地辨识分布式电源波动数据和不良数据,同时提高状态估计的精度和效率,且具有较高的鲁...     

基于深度神经网络的电力调度语音识别研究及应用

为进一步提高智能电网调度语音识别的准确率,本文将深度学习技术引入了电力调度语音识别领域,提出了基于深度神经网络(deep neural network,DNN)的电力调度语音识别技术。针对电力调度专用术语以及某区域电网习惯调度用语,建立了电力调度语音识别基础语料库。通过应用深度神经网络-隐马尔可夫模型(deep neural network-hidden markov model,DNN-HMM)进行声学模型训练,并对电力调度语音材料制作,语音模型训练过程、端点检测、与D5000系统交互以及语音转文字的整套流程进行了论述。实践结果表明,采用DNN-HMM的电力调度语音识别性能要显著优于传统语音识别框架,即高斯混合-隐马尔可夫模型(gaussian mixture model-hidden markov model,GMM-HMM),采用所提方法进行电力调度语音识别准确率达94.63%。基于所提方法开发的电力调度语音识别系统在某区域电网调控中心的应用实例表明了所提方法的可行性与优良性。     

基于深度递归神经网络的电力系统短期负荷预测模型

针对电力负荷非线性动态特性导致的负荷预测困难、预测精度低等问题,本文构建了深度递归神经网络短期负荷预测模型。在深度神经网络多隐层结构的基础上,深度递归神经网络增设了关联层,并以改进粒子群算法作为网络的优化学习算法,对模型权值空间进行深度优化。对某地区电网实际负荷进行预测仿真,结果表明与BP网络、深度神经网络相比,深度递归神经网络的平均绝对误差的周平均值分别降低1.61%和0.56%,验证了深度递归神经网络能够融合前馈与反馈连接,提高网络泛化能力,有效提高负荷预测精度。     

改进的多层次优化算法在水库群优化调度中的应用

随机动态规划(SDP)方法是水库优化调度的基本方法,但将其应用于包含有多年调节水库的水库群的优化调度时会引起"维数灾"问题,并且难以反映多年调节水库调节周期不定的特点。针对这种情况,本文提出多层次的改进遗传模拟退火优化算法(IGA-SA),把库群优化问题分解为第1层次的SDP优化与第2层次的IGA-SA优化,从而获得库群的优化调度结果,并应用于贵州乌江梯级水库群中长期发电优化调度研究中,取得较好的结果。实践表明,该方法可以克服随机动态规划应用中遇到的"维数灾"问题,并给包含有多年调节水库的水库群的优化调度问题研究提供了有效的工具。     

跨流域调水条件下水库群联合调度图概化降维方法研究

由于单纯采用优化算法求解大规模水库群联合调度图存在搜索效率低和求解结果不合理的问题,所以本文以辽宁省水资源联合调度北线工程为研究背景,进行水库群联合调度图概化降维方法研究。首先根据聚合水库中主要用水户供水限制线的基本型式、聚合水库时段平均余缺水分布和反映水库调度经验规律的启发式信息,确定调度图概化降维方法;然后建立基于概化调度图的模拟-优化求解模型。实例研究表明,调度图概化降维方法不仅降低了优化算法搜索最优解的难度,而且提高了调度图的合理性和实用性。     

基于改进BP神经网络的智能控制方法研究

针对典型 ＢＰ神经网络存在的缺陷而提出了一些有效的改进措施。通过采用改进的 ＢＰ神经网络来对控制规则样本采样的学习和训练,使网络记忆控制规则,以达到智能控制的目的。仿真和实验结果证明该方法具有优良的控制特性,满足伺服电机控制的需要。     

基于深度学习的三峡水库实时防洪调度模型北大核心CSCD

水库实时调度需要考虑多种约束条件及综合目标,具有较高复杂度。本文以三峡水库实时防洪调度为研究对象,提出一种基于深度学习的水库实时防洪调度模型。研究模拟三峡水库实时调度过程,生成训练样本数据。基于样本数据生成高维张量输入数据,通过网络参数训练提取高维数据特征以学习拟合水库实时调度模式。基于深度卷积神经网络实时调度模型在训练过程中提取闸门数据特征,模型中采用强化学习算法,迭代优化模型参数,随着样本数据不断更新,通过在线学习实现最优调度决策。实例研究表明,水位实时控制和下泄流量实时控制模型模拟的下泄流量与实际数据相对误差分别为1.4%和1.0%左右,该深度学习模型有较好的收敛性,能够应用于水库实时调度。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

神经网络径流预报模型中基于互信息的预报因子选择方法

神经网络在径流预报中得到了广泛应用并取得了良好效果,其关键问题之一是输入变量(预报因子)选择,但这一问题通常没有受到重视.本研究基于互信息的概念探讨了如何选择径流预报输入变量,并结合三峡工程建成前长江干流宜昌水文站的日径流预报进行了研究.结果表明,基于互信息能够有效地判断待选预报因子(输入变量)与预报变量之间的相互关系...     

基于深度神经网络的液体视觉识别研究

针对液体表面特征少,区分度低,机器视觉难以有效识别检测的问题,通过使用两束不同波长的激光光源同时照射液体来提高不同液体之间的区分度,设计了数据集自动采集装置为模型训练提供了大量有效的样本,并构建了基于EfficientNetV2深度神经网络的视觉识别模型,模型引入cosine学习率衰减,调节获得最佳超参数后,形成最优方式实现高效训练,进一步提升了预测精度,结果表明视觉检测系统能够获得100%的测试准确率,成功解决了液体视觉检测中特征少的难题。     

基于人工神经网络的电力系统精细化安全运行规则

随着大规模可再生能源不断并网,对电网的实时调控能力提出了更高的要求。传统的基于在线关键断面自动发现以及基于连续潮流的在线极限传输容量计算方法,模型复杂、计算周期长,难以做到在线运行。从数据驱动的角度出发,首先将电网实时运行状态的潮流量抽象为该时刻电网的运行特征;然后对所有特征进行聚类和分布式特征选择;最后运用人工神经网络建立所选特征与关键断面极限传输容量之间的对应关系。算例分析表明,所提基于人工神经网络的电力系统精细化安全运行规则,在保证时间效率的前提下,能够在一定程度上提高关键断面极限传输容量的预测准确度。