基于模块化回声状态网络的实时电力负荷预测

电力负荷预测特别是实时电力负荷预测是电力系统规划的重要组成部分,也是电力系统可靠、经济运行的基础。针对回声状态神经网络在实时负荷预测中存在易受噪声影响、鲁棒性不强、不稳定的问题,提出了将基于模块化回声状态网络的方法应用于实时电力负荷预测中。根据输入时序数据所引起的储蓄池内部状态的相似性对储蓄池空间进行模块划分,将此高维空间划分为多个子模块,针对每一个模块训练一个读出器,最后把各个模块的输出结果集成输出。利用模块化回声状态网络模型,对大客户的实时负荷数据进行预测,并与几种短期负荷预测模型进行精度和稳定性的对比实验,结果表明,模块化回声状态网络在实时负荷预测中既提高了预测精度,又增强了预测的稳定性和泛化性能。     

基于回声状态网络的电力市场电价预测

传统的神经网络算法在电价变化剧烈的情况下,精度较低并且所耗费的时间较长,难以满足电力市场发展的需求。为解决该问题,提出了一种基于回声状态网络(ESN)的短期电价预测方法。所提方法介绍了基于回声状态网络的预测原理,提出了电力市场短期电价的预测机制,包括参数选取、采样数据预处理和ESN训练及预测过程;并分别采用回声状态网络和反向传播算法(BP)神经网络进行短期电价预测。经过仿真验证,所提出的基于回声状态网络的电价预测具有较好的准确率和可行性。     

基于回声状态网络的电网负荷模型参数预测

负荷模型的参数是进行电力负荷建模、仿真分析、计算的重要依据之一。电网互联的稳步推进,对负荷模型的参数提出了更高的要求。对于短期负荷的主要模型参数进行预测,可为电力负荷的准确建模提供重要依据。本文以静态负荷的模型参数为对象,介绍了回声状态网络的原理,并基于回声状态网络对电力负荷的模型参数进行预测。本文以最小负荷的模型参数预测为例,进行参数选取、参数处理以及短期负荷模型的参数预测。经过验证,基于回声状态网络的负荷模型的参数预测误差率较低,可行性和可信度较高。     

基于回声状态网络的电力EPON业务感知技术

配用电是智能电网建设的重要环节,智能配用电新业务的多样化对其通信网络的支撑能力提出了更高的要求。为了进一步提高配用电以太无源光网络(EPON)系统对业务的支持匹配能力,提出了一种基于回声状态网络的电力EPON业务感知算法,采用回声状态网络模型对电力通信业务进行识别感知,以实现EPON对电力通信业务的高效匹配。在此基础上通过OLT与ONU的交互,优化电力EPON系统的资源调度与分配能力。以配用电通信EPON作为典型业务,对基于回声状态网络的业务感知算法进行验证。仿真验证表明,该机制能有效改善丢包率和时延等性能,提高了EPON系统对配用电通信本地接入业务的主动支持能力。     

基于回声状态网络的开关磁阻电动机转子位置估计

针对传统神经网络用于开关磁阻电动机转子位置间接检测时存在网络结构确定困难和训练过程过于复杂的问题,将利用回声状态网络来实现转子位置检测。这种新型的网络利用储备池和线性回归算法简化了网络设计和训练过程,使得模型具有良好的收敛速度和实用性。利用离线获取的磁特性数据建立的转子位置预测模型,与基于BP和RBF神经网络的预测模型相比,在保证良好预测精度的前提下,具有计算简单,收敛速度快等优势。实验结果表明该模型可以快速准确地实现转子位置检测,为开关磁阻电动机的转子位置检测提供了一种新方法。     

基于过程回声状态网络的电力用户用电模式分类研究

电力时序数据的分类问题是数据挖掘领域中的一个研究热点。对电力用户模式分类可以帮助电网企业分析用户用电特性,实现差异化营销。在回声状态神经网络(echo state network,ESN)基础上引入过程神经元,提出一种用于电力时序数据分类的新型神经网络——过程回声状态网络(process echo state network,PESN)。该网络通过对连接权重进行函数化,实现函数域到实数域的映射。并针对权函数难以训练学习的问题,提出利用基函数的展开形式来逼近权函数的学习算法,从而将回声状态神经网络从时序预测领域进一步扩展到时序分类领域中。仿真实验结果证明,与传统时间序列分类算法相比,过程回声状态网络在用电模式分类实验中表现出了更好的效果。     

基于贝叶斯框架和回声状态网络的日最大负荷预测研究

为克服神经网络中的伪回归问题,对标准的回声状态网络进行改进,用贝叶斯理论提高网络的泛化能力。在实证算例分析中,采用某地区的实际负荷数据和相关气候数据,对该地区的日最大负荷进行预测,验证所提方法的有效性和适用性。对比试验的预测结果表明,改进的回声状态网络比标准回声状态网络和前馈神经网络预测效果更精确,网络泛化能力更强。     

基于状态频率记忆网络的家庭短期电力负荷预测

家庭的短期电力负荷预测在智能电网中发挥着越来越重要的作用,为了进一步提高预测的精度,提出了一种基于状态频率记忆网络的家庭短期电力负荷预测模型。首先采用K均值聚类方法,将具有相同用电模式的家庭归为一类;随后采用小波降噪技术对负荷数据进行降噪处理;最后构建状态频率记忆网络模型进行批量的家庭负荷预测。该模型通过引入离散傅里叶变换将记忆状态分解为多个频率分量,并通过这些频率成分的组合来预测未来的用电量。使用均方误差、均方根误差和平均绝对误差来评估模型,与该领域上性能表现最好的长短期记忆模型相比较,文中的模型在未来一天的负荷预测中,3类误差分别降低了21.6%、11.4%、15.4%,充分验证了模型的有效性。     

基于回声状态网络的磨煤机故障预警

为实现对火电机组磨煤机断煤故障的早期预警,提出一种基于回声状态网络(ESN)的故障预警方法,结合电厂实际运行数据,与传统静态阈值方法进行比较.仿真结果表明:基于ESN的磨煤机故障预警方法输出的故障预警信号能够提前于实际断煤信号,实现磨煤机故障的早期预警.     

基于配变负荷测控系统的配电网络运行状态估计

在配电网中配变负荷测控系统的基础上,结合时间序列预测算法,以及平均功率系数,提出了一种对配电网运行状态进行估计的方法。通过实践证明应用此方法能较准确地得到配电网的运行状态数据。     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于负荷电流的配电网状态估计研究

基于负荷电流的配电网状态估计方法以负荷电流为状态变量,将支路测量函数用负荷电流表示,利用三相潮流计算方法得到支路电流的状态估计值,从而降低了状态估计问题的求解空间,提高了算法的收敛性和计算速度,通过将该算法与三相潮流计算法比较,结果表明状态估计算法在效果、速度、收敛性方面都较常规方法优越。     

基于回声状态网络的开关磁阻电机建模

针对传统神经网络在开关磁阻电机建模过程中存在的网络结构确定困难和训练过程过于复杂的问题,提出了基于回声状态网络的电机建模方法。回声状态网络利用储备池和线性回归算法简化了网络设计和训练过程,使得模型具有良好的收敛速度。无需电机的任何先验知识,利用训练样本,便可建立正确反映电机磁特性的电感模型。在保证良好预测精度的前提下,与BP和RBF神经网络相比,所建模型具有计算简单,收敛速度快等优势,可进一步应用于电机的实时控制中。     

基于负荷测录系统的配电网状态估计

提出了基于负荷监测系统的配电网状态估计方法。该方法利用负荷测录系统所采集的杆变和配变的三相电压、三相电流、有功功率和无功功率作为状态估计的量测量,将馈线上所有节点的电压、相角作为状态估计的状态量。 使用基于牛顿法的状态估计算法求得配电馈线的运行状态和馈线上所有节点的电压、功率信息,这些信息可帮助调度员了解配电网的整体运行情况并协助决策。以装配有负荷测录系统的一条实际的10 kV馈线网络为例来说明该方法的正确性。     

基于回声状态网络的接地网地表电位计算

现有基于地表电位的接地网故障诊断需要测量大量的现场数据,为在减少现场测试工作量的同时提高接地网地表电位分布计算的准确性,文中提出了基于回声状态网络的接地网地表电位计算方法。首先利用接地网地表电位计算结果对回声状态网络进行训练,然后根据接地网结构对其进行网孔划分,最后使用少量的现场测试数据输入到每个区域的回声状态网络模型来计算得到接地网的整体地表电位分布。计算结果与某接地网模型的试验结果表明,文中所提方法能得到特定网孔处的接地网地表电位分布计算模型,据此可得到较为准确的接地网地表电位分布,从而大幅减少了现场测试工作量。研究结果可为基于地表电位分布的变电站接地网故障诊断提供理论计算依据。     

基于CEEMDAN与回声状态网络的风速预测方法

为了对风速进行准确预测,结合分类与回归树(Classification and Regression Tree, CART)、自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)、回声状态网络与非线性误差修正策略,提出了一种基于回声状态网络(Echo Sate Network, ESN)的混合期风速预测方法。其中,CART用于对原始数据进行重构,得到建模数据集。CEEMDAN用于提取输入特征信息。ESN根据输入特征建立风速预测建模。最后,利用误差修正策略对所得到的模型进行修正。基于国内某风电场的数据实验表明,所提出方法能够准确预测风速,可以指导风场生产,提高生产自动化水平。     

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强,传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度,提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列,利用CEEMDAN将其分解为多个固有模式函数(IMF),降低其非稳定性;采用LSTM网络分析各分量时序特征,获得多个预测结果 ;将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习,获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析,结果表明,所提方法能够准确掌握负荷变化的规律,且在一天负荷预测问题中精度达到97.32%。     

基于Dropout-ILSTM网络的短期电力负荷预测

针对传统BP神经网络难以处理电力负荷数据间关联的问题,提出了一种基于Dropout的改进的长短期记忆神经网络结构用于短期电力负荷预测.这种改进的长短期记忆神经网络(Improved LSTM,ILSTM),通过将长短期记忆网络的多个时间步输入与输出矢量进行全连接,增强了对目标系统中线性成分的表征;使用Dropout 对...     

基于泛函网络的电力负荷预测研究

介绍了电力系统负荷预测的概念,并结合泛函中的线性算子介绍了负荷预测的基本模型.回顾了负荷预测方法的发展历程,给出了适用于电力负荷预测的多元非线性泛函回归预测模型.最后通过算例验证了使用泛函网络进行电力负荷预测的有效性.