中压配电网电力空间负荷密度分布仿真

针对传统方法没有考虑到同类负荷分布不均,导致无法为电力预测提供可靠的数据基础的问题,提出一种中压配电网应用电力空间负荷密度特性研究方法。按照中压配电网应用电力空间实际情况,通过元胞生成在应用电力空间中完成土地使用种类的模拟,利用GIS平台得到元胞的空间分布以及涉及属性数据,形成数据表。通过均匀核函数获取核密度计算的一般形式,采用核估计实现中压配电网应用电力空间负荷密度计算,解决负荷分布不均的问题,并确定中压配电网应用电力空间负荷密度及其置信区间。在此基础上运用Logistic曲线对负荷密度指标进行拟合,通过回归模型获取不同产业占比和负荷密度间的关系,得到差异分位数下负荷密度指标和各产业占比间的定量关系,获取负荷密度分布特性。分析实验结果得出,所提方法研究结果和实际结果基本一致,方法可靠。     

基于神经网络的配电网负荷预测方法

配电网接入高渗透率分布式光伏在一定程度上削减了配电网负荷。由于配电网负荷、光伏出力与气象因素耦合特性存在差异,且均具有较强随机性,致使配电网净负荷预测难度大、随机性高。为实现波动性配电网短时预测净负荷,基于长短期记忆（LSTM）,构建神经网络短期预测模型。通过LSTM构建光伏出力短期预测模型及小时前配电网负荷预测模型,并采用交叉验证,对各LSTM预测器结构超参数进行优化。将两者预测结果进行比较,得到配电网净负荷。由实验结果分析可知,LSTM方法可自适应挖掘光伏出力特征、历史负荷预测对象之间的相关性,较支持向量回归（SVR）方法,该方法预测精度高、过程简单。     

含电动汽车和光伏的配电网空间负荷预测

随着光伏(photovoltaic,PV)的普及和电动汽车(Electric Vehicle,EV)保有量的增加,提出一种同时考虑到EV时空分布和PV出力随机的主动配电网空间负荷预测(Spatial Load Forecasting,SLF)方法.对影响PV出力的各项指标进行详细分析,并采用层次分析法确定不同指标的权重...     

基于GIS的配电网空间拓扑建模方法

介绍了一种配电网在GIS中的空间数据建模方法。基于图论建立了配电网空间拓扑分析模型及其数据结构描述形式。描述了配电网空间实体及其在GIS中的表示，介绍了配电网空间拓扑关系及其结构。为进一步进行配电网络空间分析奠定基础。     

基于分段灰色模型的负荷预测方法

基于灰色GM(1,1)模型在负荷预测运用中的局限性,引入分段灰色较正GM(1,1)模型同时采用数理统计的-检验法对模型精度进行检验.通过实例应用表明,分段灰色校正模型具有较高的拟合精度和预测精度.     

基于分段灰色模型的负荷预测方法

基于灰色GM(1,1)模型在负荷预测运用中的局限性,引入分段灰色较正GM(1,1)模型;同时采用数理统计的-检验法对模型精度进行检验。通过实例应用表明,分段灰色校正模型具有较高的拟合精度和预测精度。     

基于改进的灰色模型的煤矿电力短期负荷预测

为了提高煤矿电力负荷预测的精度,解决传统灰色模型的缺陷,建立了改进的灰色模型。将背景值进行优化生成权重系数,通过人工蜂群算法找出合适的背景值生成权重系数,以误差最小为目标,得到了负荷预测值。通过Matlab R2012a仿真,与传统的灰色模型相比,该模型的预测精度更高,证明该方法是有效的。     

基于饱和负荷预测的增量配电网自动化协调控制技术

针对增量配电网自动化协调控制存在负荷预测准确率低、协调控制误差大的问题,提出基于饱和负荷预测的增量配电网自动化协调控制技术.考虑增量配电网负荷饱和特性,应用区域人均生活用电量变化值剔除增量配电网伪饱和负荷,提高饱和负荷预测精度.通过改进后的Logistic模型得到饱和负荷预测的四个阶段,利用饱和负荷预测值实现增量配电网...     

面向可中断负荷的弹性配电网负荷智能优化模型

针对常规智能优化模型未能考虑开关操作次数对负荷智能优化的影响,出现配电网负荷智能优化结果不理想,平均计算时间较长的问题,为此提出一种面向可中断负荷的弹性配电网负荷智能优化模型。分析可中断负荷的主要特性以及约束条件,将最小停电补偿成本以及开关操作次数作为目标,构建面向可中断负荷的弹性配电网负荷智能优化模型。采用改进的灰狼算法对模型进行求解,获取配电网负荷优化方案。实验结果表明,所提模型可以有效减少平均计算时间,获取更加满意的负荷智能优化方案。     

基于负荷曲线的配电网用户月线损值预测研究

当前的配电网用户月线损值预测方法忽略了对月负荷曲线的计算,导致月线损值预测结果出现较大偏差。因此,提出基于负荷曲线的配电网用户月线损值预测方法。以用电信息采集系统采集的配电网拓扑信息和线路参数等运行数据为基础,采用实际供应电量的负荷曲线生成方法,分解配电网用户月用电量,求出配电网用户实际月负荷有功与无功功率曲线,通过结合前推回代法辐射型结构体潮流计算方法和Zbus计算法的环型结构体潮流计算方法,实现配电网用户月线损值预测。实验结果表明,该方法得到的配电网节点负荷平均误差波动范围为-3%～+3%,标准化曲线生成准确率高;预测各节点的有功功率、无功功率及电压的结果与实测值非常相近,误差较小,同时预测出的月线损值与实际统计值平均偏差低至3.215%。     

Modes decomposition method in fusion with robust random vector functional link network for crude oil price forecasting

This paper proposes a decomposition based method in fusion with the non-iterative approach for crude oil price forecasting. In this approach, the robust random vector functional link network (RVFLN), a non-iterative approach in fusion with the most efficient decomposition technique called variational mode decomposition (VMD) is proposed which is executed with two links — fixed assigned random weights and direct link from input to output, and the iterative learning process is not involved in its functioning which makes it faster in execution as compared to many existing techniques proposed for forecasting. The fusion of VMD and robust RVFLN called VMD-RVFLN is implemented for crude oil price forecasting where the crude oil price series is decomposed using VMD into a linear smoother series by extracting useful information and the decomposed modes pass through the robust RVFLN model which produces the final forecasting values. The analysis performed in the study approves its efficiency and reports improvement in forecasting accuracy and execution time as compared to some of the traditional iterative techniques like BPNN (back propagation neural network), ARIMA (auto-regressive integrated moving average), LSSVR (least squares support vector regression), ANFIS (adaptive neuro-fuzzy inference system), IT2FNN (interval type-2 fuzzy neural network) and RNN (recurrent neural network), etc. However, both ELM and RVFLN without modes decomposition fusion exhibit less execution time at the cost of reduction in prediction accuracy.     

基于神经网络的电力负荷预测方法研究

电力负荷预测易受到高频、低频和超低频振荡干扰,导致预测准确性不高,提出基于神经网络的电力负荷预测方法。在无线ZigBee组网协议下进行电力负荷传感器信息组网,构建电网负荷数据采集模型并进行模型修正。根据电力负荷数据采集结果,去除高频、低频和超低频振荡干扰因子。进行神经网络样本数据训练,去除冗余数据,输出电网负荷数据集合。对获得的数据集采用神经网络分类器进行分类融合处理,根据电力负荷数据的融合结果实现电力负荷预测。仿真结果表明,采用该方法进行电力负荷预测的准确性较高,预测过程的抗干扰性较好,在电力负荷的实时监测和信息调度中具有很好的应用价值。     

基于模糊支持向量核回归方法的短期峰值负荷预测

分析了电力系统负荷预测目前采用的方法的不足;在已有研究成果的基础上,根据电网负荷的特点进一步完善了基于模糊支持向量的核回归方法;与目前已有的方法,如神经网络、卡尔曼滤波、最小绝对值参数估计、结合遗传算法的支持向量机、结合模糊小波技术的支持向量机等进行对比实验,实验结果展示了几种方法的性能对比,为该领域的研究提供了参考．     

基于SVM的并行网络流量分类方法

针对SVM (support vector machine)算法应用到大规模网络流量分类中存在计算复杂度高、训练速度慢等问题,提出一种基于云计算平台进行并行网络流量分类的SVM方法,以提高对大数据集的分类训练速度.该方法是一种采用云计算平台构建多级SVM和映射规约(MapReduce)模型的方法.它将训练数据集划分为多个子训练数据集,通过对所有子训练数据集进行并行训练,得到支持向量集,进而训练出流量分类模型.实验结果表明,与传统的SVM方法相比,并行SVM网络流量分类方法在保持较高分类精度的前提下,有效地减少了训练时间,提高了大规模网络流量分类的速度.     

A hybrid approach of neural networks and grey modeling for adaptive electricity load forecasting

This paper proposes an effective fusion of neural networks and grey modeling for adaptive electricity load forecasting. The fusion employs the complementary strength of these two appealing techniques. In terms of forecasting accuracy, the proposed fusion scheme outperforms the individual ones and the statistical autoregressive methods according to the results of a substantial number of experiments. In addition to the fusion scheme, this paper also proposes a grey relational analysis to automatically assess the importance of each input variable for the forecasting task. This analysis helps the forecaster choose dominant ones among the many input variables, thus removing much burden of acquiring professional domain knowledge for problems and reducing the interference of irrelevant inputs on the forecasting. Experimental results are shown in this paper to verify the effectiveness of the grey relational analysis.     

基于动态双组粒子群的短期负荷预测

为提高电网短期负荷预测的精度,提出一种有效的优化支持向量机参数的算法。该算法首先将初始粒子群适应度排序,然后根据适应度的大小将初始粒子群划分为两组,并同时运用不同的权重进行全局搜索和局部搜索。前期,全局搜索的粒子群数量远多于局部搜索,且使用全局搜索能力强的较大的惯性权重;局部搜索的粒子群使用较小的惯性权重。随着迭代次数的增加,全局搜索的粒子群数量不断减少,局部搜索不断增多,两组粒子数量动态变化。并且引入平均粒距和适应度方差解决粒子群容易陷入局部最优这一问题,最后用改进的动态双组粒子群算法优化最小二乘支持向量机的参数用于短期负荷预测,实验结果表明该方法预测精度更高,可行且有效。     

基于最小二乘支持向量机的模糊图像恢复

针对模糊图像恢复问题,提出了一种基于最小二乘支持向量机的模糊图像恢复算法.该方法利用最小二乘支持向量机的非线性映射能力,通过训练样本对的学习训练,在模糊图像与清晰图像之间建立映射关系对测试样本进行恢复.实际图像恢复实验表明,得到的恢复图像在视觉上和定量分析上都获得了比较好的效果.与神经网络方法相比,最小二乘支持向量机克服了神经网络的模型选择与过学习问题、局部极小问题等.     

基于小波网络的配电网空间数据库故障诊断方法

在进行配电网空间数据库建模中,需要对空间数据库进行优化检测和诊断,提高配电网的稳定运行能力,提出基于小波网络的配电网空间数据库故障诊断方法。构建配电网空间数据库的分布模型,采用高维特征分解方法进行配电网空间数据库的特征量化分解,结合小波网络学习方法进行配电网空间数据库故障状态特征提取,根据故障特征的聚类性进行配电网络空间数据库的结构重组和故障特性辨识,结合模糊统计分析方法,实现对配电网空间数据库的故障智能诊断。仿真结果表明,采用该方法进行配电网空间数据库故障诊断的准确性较好,分辨能力较强,提高了配电网空间数据库的稳定性。     

灰色关联分析和支持向量机相融合的网络安全态势评估

为提高网络安全态势评估的准确性, 提出一种灰色关联分析和支持向量机相融合的网络安全态势评估模型。根据网络安全态势评估原则进行评估指标体系选择, 并根据灰色关联分析确定指标权重, 将训练样本输入到支持向量机进行训练, 采用改进粒子群算法优化支持向量机参数, 建立网络安全态势评估模型, 最后采用数据集KDD Cup99对模型性能进行仿真测试。仿真结果表明, 该模型可以准确、客观地对网络安全态势进行评估, 评估结果可以为网络管理员提供一定价值的参考建议。     

短时交通流预测方法研究

交通流预测是智能交通系统的热门研究课题,如何构建合适的预测模型并选择合适的预测变量是交通流预测的关键。利用相关分析法来确定交通流预测变量,将选择的预测变量输入到非线性回归支持向量机,通过样本训练进行交通流预测,最后通过交通实例分析来验证该方法的有效性。