基于IBA-KELM的风电功率区间预测方法

在电力系统对功率预测提出更高要求的形势下,风电功率区间预测的方法已经逐渐成为新的热点。文章利用预测区间(PIs)的思想来估计风电场输出功率的不确定性。在优化区间预测目标函数的基础上,利用核极限学习机(KELM)学习速度快,泛化能力强的优点,提出一种基于KELM的风电功率区间预测模型。并使用改进后的蝙蝠算法(IBA)对模型的参数进行优化。为了克服BA易陷入局部最优的缺点,增加了其搜索时的多样性,并加入动态惯性权重,使其收敛速度更快。最后,用河北某风电场的数据进行实验仿真,与传统BP神经网络模型和BA-ELM模型对比分析,结果表明文章提出的预测方法具有速度快,精度高的优点。     

基于EEMD的SOA-KELM风电功率概率性短期区间预测

针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。     

区域水资源区间多目标规划模型及求解

以经济、环境、社会的综合效益最大为目标,建立了区域水资源优化配置的区间多目标规划模型,利用基于区间数的可能度不确定转换方法将模型转换为一两层嵌套优化模型,以东营市水资源优化配置为例,运用微分进化算法对模型进行了求解。结果表明,配置方案合理有效。     

基于MEEMD-QUATRE-BILSTM的短期光伏出力区间预测

提出一种基于改进集成经验模态分解（MEEMD）和拟仿射变换（QUATRE）优化双向长短期记忆神经网络（BILSTM）的光伏出力区间预测模型。通过主成分分析法（PCA）对时间序列进行降维处理，利用K-均值算法将降维数据分成3种类型气象数据；然后采用MEEMD对每类光伏出力序列进行分解，将其输入QUATRE优化BILSTM神经网络和核密度估计算法（KDE）联合构建的短期光伏出力区间预测模型。最后基于宁夏光伏电站实例仿真评估模型区间预测性能，实验结果表明该模型可生成高水平光伏预测区间，能够为电力系统经济稳定运行提供可靠的决策保障。     

考虑风力发电随机性的超短期风电功率区间预测研究

首先给出一种评估风电功率区间预测效果的新优化准则,基于人工蜂群算法-神经网络构建简易风电功率区间预测模型,将区间预测模型与马尔科夫链预测模型相结合,对区间内数值点进行概率分析,并通过置信区间修正马尔科夫链预测结果。仿真结果表明,该预测方法不仅能准确预测风电功率置信区间,还可从概率的角度对置信区间内数值点进行分析,提高风电功率预测精度,为优化系统提供依据。     

基于PSO算法的柴油机性能多目标优化

以玉柴YC6K420LN-C31型柴油机为研究对象,基于RBF(radial basis function)神经网络算法建立发动机数据模型,采用PSO(particle swarm optimization)算法进行基于模型的多目标优化研究.研究表明:RBF神经网络建立的NOx、总碳氢化合物(THC)、CO和燃油消耗率(brake specific fuel consumption,BSFC)数据模型的决定系数R2分别为0.93、0.98、0.96和0.95,模型的预测准确度均大于90％,拟合优度和预测能力满足多目标优化的需求;采用PSO算法对发动机进行多 目标优化,将适应度目标NOx、THC、CO和BSFC的权重最终均设置为0.25,生成控制图谱并进行台架验证,在推进特性工况下总排放量和油耗相比于原机平均降低了 22.9％与5.3％.     

基于风驱动算法的锅炉NO_x排放模型优化

为了准确地预测电站锅炉的NO_x排放量,以某300 MW亚临界循环流化床锅炉为研究对象,利用自适应风驱动优化(AWDO)算法和极端学习机(ELM)进行综合建模,并根据不同工况下现场收集的样本数据检验该模型的预测能力;将该模型的预测值与基本极端学习机、差分进化算法、粒子群算法和基本风驱动算法优化的极端学习机模型预测值进行比较.结果表明:AWDO算法可以更好地找到优化参数,该算法优化的极端学习机模型具有良好的预测精度和泛化能力,可以准确、有效地预测电站锅炉的NO_x排放量.     

基于自适应量子灰狼算法的锅炉NO_x预测模型

为更加精确地建立火电厂循环流化床锅炉NO_x排放质量浓度的预测模型,提出了一种利用量子位Bloch坐标球面生成编码的自适应量子灰狼算法(AQGWO)来优化快速学习网(FLN)的模型。将AQGWO与差分、粒子群等算法的优化能力进行比较,进而验证该算法优化的精度和收敛速度。在不同工况下实时采集某火电厂300 MW循环流化床锅炉的实验数据,在相同条件下将AQGWO-FLN模型与利用其他算法优化的FLN模型、基本FLN模型的预测结果进行对比。结果表明:利用AQGWO-FLN的模型具有最好的预测精度和泛化能力,可有效准确地预测火电厂锅炉的NO_x排放质量浓度。     

基于正弦余弦算法的汽轮机热耗率预测

为了准确建立汽轮机热耗率预测模型,提出了一种基于量子位Bloch坐标编码自适应的改进后正弦余弦算法(ASCA)和快速学习网(FLN)综合建模的方法.首先将ASCA算法与经典的人工蜂群优化算法(ABC)、教与学优化算法(TLBO)和正弦余弦算法(SCA)进行比较,最后利用某600MW超临界汽轮机组现场运行数据建立汽轮机热耗率预测模型,并将ASCA算法优化的FLN模型(即ASCA-FLN模型)的预测结果与FLN、ABC-FLN、TLBO-FLN和SCA-FLN模型的预测结果进行比较.结果表明:ASCA-FLN模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率.     

利用蝙蝠算法优化SVR的太阳辐照度预测方法研究

为了提高太阳辐照度的预测精度,提出一种利用蝙蝠算法(BA)优化支持向量回归(SVR)的太阳辐照度预测方法。首先,确定SVR预测器的基本结构,选取环境温度、云量、风速、风向、环境湿度以及年积日等与太阳辐照度关系较为紧密的气象监测数据,构成SVR的输入特征向量,将待预测时段小时平均太阳辐照度作为SVR的输出;然后,以预测精度为判断依据,利用蝙蝠算法对SVR的惩罚因子和RBF核函数方差进行寻优;最后,利用最优参数建立SVR预测模型,并对太阳辐照度进行预测。分析结果表明,相比于无参数优化SVR预测模型和利用粒子群算法优化SVR模型的太阳辐照度预测方法,文章所提出的预测方法具有更高的预测精度。     

风电随机条件下鲁棒安全区间经济调度研究

针对未考虑风电出力不确定性的传统确定性调度模式不利于风电消纳的问题,利用鲁棒区间经济调度方法,以风电场的允许出力区间下限与预测置信区间下限相等为边界条件,将风电场的允许出力区间上限作为优化参数,在保证系统安全性的基础上兼顾风电的渗透率,以常规机组的燃料成本最小化和风电场允许出力区间最大化为目标函数,建立了考虑网损的鲁棒区间经济调度模型,并采用改进μ约束处理技术的差分进化算法对模型进行求解。最后,通过IEEE30节点测试系统分析了不同装机容量下及不同目标函数和风电场允许出力区间约束下风电消纳情况,验证了所提鲁棒区间经济调度模型的有效性。     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。     

基于BiLSTM和Bootstrap方法的风电功率区间预测

风能具有较强的波动性和随机性,造成了现有风电功率预测方法的误差较大,严重影响了电力系统的安全稳定性。针对上述问题,文章提出一种基于双向长短期记忆网络(BiLSTM)和自助法(Bootstrap)的风电功率区间预测方法。该方法强调了风电功率数据间关联程度的重要性,将原始风电功率数据和测风塔提供的风速历史数据构成多变量时间序列,同时构建双向长短期记忆网络模型提高预测结果的精确度。引入Bootstrap方法增加样本的多样性,再利用人工蜂群算法(ABC)的强搜索能力对模型的超参数进行优化,最终得到区间预测的结果。以某风电场历史运行数据为例,通过与长短期记忆网络(LSTM)等现有方法在给定置信水平下的预测结果进行对比,验证了所提方法的有效性。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

光伏发电功率的预测方法目前分为点值预测和区间预测两类，但点值预测方法难以适应光伏功率的随机性和波动性，因此，该文构建一种基于集合经验模态分解（EEMD）和混沌蚁狮算法（ALOCO）的支持向量机（SVM）光伏功率区间短期预测模型。首先，通过灰色关联度筛选出不同环境条件的相似日样本集，并利用EEMD将光伏出力序列分解成不同的本征模态函数；然后，利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化，并利用分位数回归法对光伏的输出功率进行短期区间预测；最后，通过算例数据验证所建立模型的有效性。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

分时电价机制下采用改进鸟群算法的微电网运行优化

针对微电网经济环保多目标优化调度以及传统智能算法易陷入局部最优和早熟收敛的问题,利用二元对比定权法将经济环保多目标转化为单目标优化模型,提出了在分时电价机制下含蓄电池充放电的微电网优化调度策略,并采用一种新型的以鸟类觅食、警惕和飞行行为为依据的基于Levy飞行策略的自适应改进鸟群算法(LSABSA),同时利用5个典型测试函数对LSABSA、鸟群算法(BSA)、粒子群(PSO)和改进粒子群算法(GPSO)进行仿真对比分析,验证了LSABSA算法的优越性。最后,以包含冷、电负荷的夏季典型日微电网系统作为算例,采用LSABSA算法对经济、环保和多目标模型进行仿真,结果表明了改进算法的可行性以及多目标优化的有效性。     

基于混合神经网络-上下限估计法的河流流量区间预测

为对混合模糊识别和连续性方程的神经网络模型(HNN)进行不确定性分析,采用上下限估计法(LUBE)直接得到神经网络输出层的两个节点值作为区间上下限,将综合评价指标Ccwc作为目标函数,寻找最优的预测区间(PI),并以美国乔治亚州Yellow River上测站的日流量和小时流量为例,预测下游河道的区间流量.结果 表明,H...     

基于EEMD-ACS-SELM的弃风电量组合预测模型

风电已在电力系统中得到了有效利用,因此,弃风电量的准确预测对于电网的安全、经济运行至关重要。文章提出了一种基于集合经验模态分解(EEMD)和t分布自适应变异布谷鸟算法(ACS)优化改进极限学习机(SELM)的弃风电量组合预测方法(EEMD-ACS-SELM)。该方法先采用集合经验模态分解,将原始弃风电量序列分解为一系列不同频率的分量,基于模糊熵理论计算各分量的熵值,并将熵值相似序列重构为新的子序列。然后,将新序列分别建立改进极限学习机预测模型,利用ACS优化算法对SELM算法的输入权值和阈值进行优化。最后,将各序列预测值叠加求和得到原始弃风电量序列的预测值。以新疆某风电场实际运行数据进行算例分析,结果表明,文章所提方法对弃风电量的预测具有较高的精度。     

基于多目标GLUE算法的新安江模型参数不确定性研究

针对新安江水文模型参数的不确定性问题,以湘江湘潭断面控制流域为例,采用新安江日模型和两个纳什效率系数作为水文模型参数率定的目标函数,结合SCE-UA优化算法,分析了不同目标函数对实测径流的模拟能力,在此基础上进一步分析了单目标GLUE方法、多目标GLUE方法和NSGA-Ⅱ优化算法获得不确定性区间特征值。结果表明,不同目标函数对径流过程显示了不同的模拟性能;NSGA-Ⅱ算法可优化多目标拥有较小的不确定性区间,但区间对实测值的覆盖率较小;与单目标算法相比,在相同的区间宽度下,多目标GLUE方法具有更高的区间覆盖率。