基于负荷曲线特性的潜在储能用户挖掘建模

文章提出的基于负荷曲线特性的潜在储能用户挖掘方法可以基于电网监控系统的运行数据快速确定储能的目标用户,加快储能投资建设的精准度。具体建模方法是通过提取用户负荷特征曲线,聚类处理原始负荷曲线,根据特性指标分析曲线的基本特征计算对应的负荷密度,提取加装储能前后用户的用电变化特征。通过分析用户参与储能用电潜力,利用数据挖掘的方式实现对区域电网中潜在储能用户的挖掘。实验结果表明,与传统的用户挖掘模型相比,基于负荷曲线特性的潜在储能用户挖掘模型挖掘出的用户数量增加了11.1%,挖掘时间节省了约57.1%。     

负荷预测算法下光伏并网储能集群控制系统

光伏并网储能受到谐振影响,导致功率控制结果达不到理想状态。针对该问题,设计了负荷预测算法下光伏并网储能集群控制系统。在Linux编译环境下,装置两路RS485通信接口。设计充放电控制器,实现对电池的充放电控制,避免产生谐波。根据滤波差分方程,设计储能集群控制电路,实现平抑波动。构建光伏并网储能负荷预测模型,通过对光伏并网储能负荷分析,为集群控制提供数据支持。采用闭环集群控制方式,分析电压、电流与光伏电池之间线性关系。结合适应步长的负荷跟踪方法,调整系统控制灵敏度。系统测试结果表明,所设计系统与实际功率最大值相差3×10⁴W,证实了系统设计方案的可行性。     

基于改进型BP算法的电网负荷预测研究

电网负荷预测问题非常复杂，由于其本身受到众多变数的影响，在实际预测时，常规方法一般比较困难。现提出了基于人工神经网络的电网负荷预测模型，并针对BP神经网络结构和算法的某些不足提出了改进措施，为电力系统电网负荷的有效预测提供了新的方法。     

基于双层XGBoost算法的台区用户超短期负荷预测

台区用户超短期负荷预测的影响因素较多,使得预测结果准确率有所下降,文中提出基于双层XGBoost算法的台区用户超短期负荷预测方法。利用双层XGBoost算法构建超短期负荷预测模型,使用双层协同校正方法校正模型的基准层与实时层。充分考虑超短期负荷预测的影响因素,选取相似负荷向量构成低秩矩阵,使用非线性插值方法填充缺失值,以此实现模型求解,得到台区用户超短期负荷预测结果。由实验结果可知,该方法的预测准确率最高值为99.15%,均方根误差最小值为0.02,预测结果更为精准。     

基于蚁群算法的电力负荷组合预测

为了提高负荷预测的准确性,引入了优化组合预测模型,将几个电力负荷预测模型有机地结合起来,通过综合各个预测模型的优点,得出更为准确的结果。文中采用改进蚁群算法作为优化方法,并用实例证明,基于改进蚁群算法的电力负荷组合预测方法,运算速度快,预测精度高,相对误差小,有一定的实用价值。     

基于负荷分解与聚类融合的短期用电负荷预测研究

传统负荷预测算法通常仅以单一的数据源为基础进行计算,因此在面对动态随机特性较强的场景时难以准确预测。针对这一问题,提出了一种负荷分解后再聚类融合的短期用电负荷预测算法。该算法根据负荷行为按时间顺序分类及分解客户负载,并进行负荷数据的聚类融合,再基于贝叶斯时空高斯过程模型描述不同用电区域间的相关性。同时利用深度学习负荷数据中存在的时空相关性来表征电力消费行为特征,从而实现短期用电负荷的精准预测。在对公开数据集进行的预测实验结果表明,与现有方法相比,所提算法的误差较低,且预测性能显著提高。     

基于联想神经网络算法的电力系统负荷预测

基于神经网络可以模仿人脑进行智能化信息处理,对大量非结构性、非确定性规律具有自适应功能,将人工神经网络的预测原理应用于电力系统负荷预测中。分析了负荷预测的基本概念,以及基于神经网络的预测原理中正向和逆向建模的基本结构,研究了联想神经网络优化算法。设计了电力系统负荷预测模型,并对系统进行仿真测试,试验结果表明,基于联想神经网络优化算法的电力系统负荷预测具有提高预测精度的效果。     

基于量子免疫优化算法的BP神经网络短期负荷预测方法研究

电能作为常见的能源类型,易与其他类型的能源进行转换,被广泛用于日常生活以及社会发展等方面。随着电力系统的不断发展,用户的不断突破,短期内的负荷用电预测成为国家电网稳定运行不可或缺的一部分。本文提出一种基于量子免疫优化算法改进的BP神经网络算法短期负荷预测方法,旨在提高BP神经网络算法存在的收敛速度慢、初始值敏感等问题,经某电力公司提供数据,对电力短期负荷进行预测,结果证明了本文提出方法的有效性与快速性。     

基于PSO?BP神经网络的短期负荷预测算法

提出一种短期负荷预测算法,用于解决对未来能耗周期能源使用的预测问题。首先介绍短期负荷特点,分析短期负荷运行规律,并采用零相滤波器对原始负荷曲线进行预处理,相除奇异点。其次,介绍BP神经网络基本结构,并针对BP神经网络容易陷入局部极小值的缺点,采用PSO算法确定网络训练初始权值。然后,设计一种基于PSO?BP神经网络的短期负荷预测算法,包括预滤波、训练样本集建立、神经网络输入/输出模式设计、神经网络结构确定等。最后,选择上海市武宁科技园区的电科商务大厦进行负荷预测,实验结果表明,与传统的BP神经网络相比,PSO?BP神经网络用于短期负荷预测算法的精度更高,预测负荷和实际负荷之间的平均绝对误差（MAE）小于1%。     

基于改进型BP神经网络的电网负荷预测

考虑到传统的线性电网负荷预测方法的预测精度无法满足现代电力电网管理系统的要求,使用更适用于电力电网负荷的预测任务的非线性BP神经网络算法建立预测模型。由于常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题,该文使用模拟退火算法对BP神经网络权值训练算法进行优化,提高预测模型的收敛效率和自学习能力。通过实例对所研究的预测模型进行分析,结果表明,所研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络,具有更高的收敛精度,同时改进型BP神经网络预测模型的预测误差明显降低,具有较好的工程应用价值。     

基于Apriori算法的手厅潜在客户识别模型研究

当今基于大数据来发现物品之间的频繁模式、关联、相关性或因果结构的应用非常广泛,通过合理的搭配或捆绑的模型进行精准营销的同时,能够有效提高服务质量和效益。目前常用的关联分析的算法有：灰色关联分析、fp-growth算法、apriori算法等。本文基于Apriori算法对中国移动内蒙古有限公司用户针对现有手厅APP客户的第三方APP使用关联度较高的客户进行识别,并按4:5:8的比例分配优先级高：中：低;对使用了和手厅具有较高关联度的app同时又是非手厅使用者的用户进行手厅推荐。     

基于生物免疫优化支持向量机算法的居民区负荷预测

针对居民区用电负荷随机性强、稳定性差等问题,综合考虑各因素对居民用电负荷的影响,提出一种免疫支持向量机(support vector machine,SVM)算法负荷预测模型。以居民区历史用电量及相关气候数据为处理对象,使用PCA(principal component analysis)算法对电网历史数据进行处理,并结合免疫算法对电网历史数据进行预处理,形成数据簇并划定标签提供给预测模型进行训练。为提高模型精度,采用生物免疫优化算法对SVM模型参数进行优化,并在负荷预测环节,将预测误差作为调优依据,对预测模型进行反馈调优。将预测效果与常用于负荷预测的BP(back propagation)神经网络、SVM算法模型进行对比,免疫SVM算法负荷预测模型的短期、中期预测精准度均在98%以上,具有较好的精度与鲁棒性。     

基于SFO-GRU模型的短期负荷预测

为提高短期负荷预测精度,提出一种基于旗鱼优化算法(SFO)和GRU神经网络的短期负荷预测模型.通过使用负荷、气象等真实数据对GRU神经网络的权重参数进行训练并建立GRU预测模型,同时采用旗鱼优化算法(SFO)优化GRU模型的迭代次数、学习率和隐藏层神经元数量,仿真实验结果表明,与BP、LSTM等经典预测模型相比,SFO...     

基于改进栈式自编码算法的中期负荷预测研究

综合考虑影响电力系统中期负荷预测的各个因素并提高预测精度,提出了基于改进栈式自编码算法的中期负荷预测方法。利用ICA进行特征提取,筛选主导的影响因素并对数据进行归一化处理,结合模糊理论构建气温因素的隶属度关系,通过参数自适应微分进化算法对栈式自编码算法参数展开在线优化,进而匹配最佳基于改进栈式自编码算法的组合中期负荷预测模型,并展开案例分析。其结果表明：该改进算法通过影响因素筛选、参数选择与优化,能够有效避免参数选择的盲目性,将气温动态因素进行模糊化处理,能够进一步提高预测精度,其预测结果优于PSO-SVM算法,与实际结果更为接近,且稳定性好,为电力系统负荷预测提供了重要手段。     

基于BFA-Elman的电力负荷可靠性预测系统设计

针对现有负荷预测系统耗时长且精度较差等问题,文中设计了一种基于BFA-Elman的电力负荷可靠性的预测系统.利用细菌觅食算法(BFA)优化Elman网络模型的结构参数获得最佳的权值和阈值,同时避免Elman网络陷入局部最优.通过结合BFA和Elman网络构建BFA-Elman电力负荷预测模型,以实现可靠的预测.利用历史...     

基于神经网络算法的电信客户流失预测

电信客户流失预测能够有效地帮助运营商制定有用的挽留策略。文章收录了来自某开源数据平台的电信公司数据集,该数据集包含了22个字段,20个特征变量。文章通过SPSSModeler对数据集进行分析,通过比较贝叶斯网络、神经网络算法和C5.0算法的预测准确率、ROC值以及ROC曲线下面积,最终发现神经网络算法通过训练2次后的效果较好。     

优化粒子群算法在组合供热负荷预测中的应用

分析了粒子群算法和组合预测的特点。将组合预测和粒子群算法结合,建立了一种组合形式的供热负荷预测模型。同时针对粒子群算法易于陷入局部最优解、进化后期收敛慢等缺点对粒子群算法进行改进,解决了组合预测中权重难以确定的问题。改善了预测模型的拟合能力,提高了预测精确度。最后选取大庆油田某一天供热数据作为测试数据,结果表明组合预测误差较小,精确度高于其他单项预测方法40%以上。     

基于对侧变电站主变状态的储能电站滚动计划曲线生成

目前,电化学储能电站运行方式,主要有执行上级调度指令和自主运行两种,自主运行时,仅考虑储能电站本身的约束和条件制定计划曲线.在实际应用过程中,存在对侧变电站主变轻载时储能电站放电、重载充电等情况.针对这一问题,提出了考虑对侧变电站主变状态的储能电站滚动计划曲线生成策略.以储能电站最佳经济性作为目标,以储能电站功率能量等...     

基于Attention-LSTM的电力负荷自动预测方法

电力负荷预测方法异常数据筛选能力较差,导致预测精度较低,为此,基于Attention-LSTM研究一种新的电力负荷自动预测方法,构建ZigBee组网协议下的数据采集信息组网,采集电力负荷原始数据,建立自动预测模型,将电力负荷数据输入到数据处理模块中,构建模态序列,将各个子序列中的模态分量结果重组叠加,得到电力负荷功率的预测结果。实验结果表明,该方法能够筛选出绝大部分异常数据,异常数据筛选率在90%以上,预测精度在99%以上,预测时间低于15 s。