基于特征选择和Stacking集成学习的配电网网损预测

针对配电网能量管理和节能降损的要求,为了提高配电网网损分析与评估的有效性,提出了一种基于特征选择和Stacking集成学习的配电网网损预测方法。首先基于特征选择的主要方法,通过相关性分析法、最大信息系数法和基于树模型的特征选择法对特征进行综合分析,得到各种特征对网损预测的重要性,选择重要特征作为配电网网损预测模型的输入特征。在此基础上,介绍Stacking集成学习原理,考虑融合多种预测模型的优势特点,建立Stacking集成学习配电网网损预测模型,最后通过仿真验证得到网损预测结果。该仿真数据来源于湖南省10kV配电网某线路44个台区的真实数据,网损预测结果表明该方法能够有效提升配电网网损预测的准确性和鲁棒性,相比于单一预测模型具有更好的预测精度和泛化能力。     

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。     

双碳背景下区域碳排放预测研究及情景分析

在双碳目标背景下,针对城市碳排放路径预测,提出了一种区域碳排放预测方法。通过马尔科夫模型与长期能源替代规划系统（LEAP）模型,实现对各行业的能源消费结构与能源需求量的预测。在此基础上,通过计算各能源的碳排放因子,并考虑能源结构优化与能源需求降低对碳排放的影响,预测不同情景下的区域碳排放量。最终,以中国某城市为例开展了区域碳排放路径预测的案例分析,结果表明,所提方法可以有效预测出区域的碳排放量及不同政策与技术发展对碳排放路径的影响。     

基于特征加权Stacking集成学习的净负荷预测方法

当前用户侧接入大量新能源,通常采用实际电力负荷减去新能源发电功率后的负荷(称为“净负荷”)进行预测研究。由于新能源发电随机性强,净负荷具有不确定性强、规律性差的特点,难以准确预测。为此,提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法。首先,通过对不同单一预测模型的预测性能和差异性的分析,优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器。其次,针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题,根据预测精度对不同学习器进行特征加权,以修正各学习器所带来的整体预测误差。最后,基于德国TENNET区域实测数据进行算例分析,结果表明,相比于单一预测模型、传统Stacking集成预测方法,基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度。     

基于特征加权Stacking集成学习的净负荷预测方法

当前用户侧接入大量新能源,通常采用实际电力负荷减去新能源发电功率后的负荷(称为“净负荷”)进行预测研究。由于新能源发电随机性强,净负荷具有不确定性强、规律性差的特点,难以准确预测。为此,提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法。首先,通过对不同单一预测模型的预测性能和差异性的分析,优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器。其次,针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题,根据预测精度对不同学习器进行特征加权,以修正各学习器所带来的整体预测误差。最后,基于德国TENNET区域实测数据进行算例分析,结果表明,相比于单一预测模型、传统Stacking集成预测方法,基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度。     

基于Stacking集成学习的无缝钢管连轧电耗预测

无缝钢管生产作为高能耗行业的典型代表,其节能降耗一直都备受关注。通过预测电耗,企业可以找到节能降耗的有效途径,从而减少生产过程中的电能消耗,提升生产效率。为提高无缝钢管连轧电耗预测精度,采用一种改进的Stacking集成学习模型对电耗进行预测。首先,对采集到的电耗数据进行预处理,并基于嵌入法采用XGBoost和LightGBM进行特征选择;然后,采用随机搜索和贝叶斯优化结合的方法对基学习器开展超参数优化,在Stacking集成模型的首层中,选择LightGBM、ET和MLP作为基学习器;最后,根据基学习器在数据上的预测表现来赋予它们相应的权重,同时将原数据集也加入元学习器训练。结果表明：改进的Stacking集成学习模型具有最好的预测效果,其R2为0.975 7,预测精度比单一基学习器和传统的Stacking集成学习模型都要高,证明了所提方法的有效性。     

基于SWLSTM-Stacking集成学习的源荷区间预测方法

针对光伏出力和电动汽车充电特性的随机特性对电力系统的冲击不断增强,准确及时的源荷预测是实现增强电力系统适应性和稳定性的重要课题。因此,提出一种基于共享权重长短期记忆网络（shared weight long short-term networks,SWLSTM）与Stacking集成模型相结合的源荷区间预测方法。首先,光伏出力存在时序性特征,采用局部线性嵌入改进k-means算法聚类提取特征日,在实现数据降维同时,减少了网络训练难度;其次,在Stacking集成模型的框架下,将SWLSTM作为元学习器,并通过Q统计量筛选合适的基学习器模型,从而实现多模型融合的多异学习器Stacking集成学习的源荷预测;紧接着,为了得到预测的不确定信息,引入置信度区间预测;最后,采用实测数据对本文所提方法进行验证。结果表明改进k-means算法能够降低其求解难度,加快求解速度,可以快速获取聚类特征;所引入集成学习模型和置信度区间,有效表征源荷预测的不确定性,提升区间预测模型的泛化能力。     

基于区间规划的多区域行业间碳排放权交易模型研究

碳排放权交易是为促进全球温室气体减排所采用的市场机制。在区域及行业层次的CO₂减排目标基础上,考虑交易过程不确定性特性及交易参数浮动特征,运用区间线性规划方法,建立了多区域行业间碳排放权交易模型,并应用于仿真案例研究,以期为区域及行业层次碳排放权交易管理决策提供有效的技术支持。     

基于声纹特征和集成学习的变压器缺陷诊断方法

变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。     

基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法

准确预测储能锂离子电池剩余使用寿命(remaining useful life, RUL)对于电力系统的安全性与可靠性至关重要。针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法。首先,利用集成经验模态分解算法分解锂离子电池老化数据。其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的残差数据序列和本征模态数据序列建模预测。最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹。采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池RUL预测方法具有更好的鲁棒性与非线性跟踪能力。     

基于大数据驱动的集成模型车辆热失控预测

电池故障是新能源汽车热失控的主要威胁之一,开发一种算法预测汽车电池是否以及何时发生热失控,以便及时发送高温预警信息成为迫切需要.热失控的原因复杂而又多面,热失控或触发于动力电池内部,也可由外力触发,通过单纯的物理模型做出精确的预测较为困难.因此,构建了一种集成的机器学习算法,通过分别考虑电压和温度、异常电流、单电池一致...     

基于多LS-SVM集成模型的锅炉NOx排放量建模

为了提高电站锅炉氮氧化物(NO_x)排放量预测模型的精度,提出了一种基于多最小二乘支持向量机(LS-SVM)集成模型的NO_x排放量建模方法。首先按照NO_x排放量由低到高将数据空间初步划分为低、中、高3个子空间,然后依据输入变量与NO_x相关性分析来确定输入变量的权重,通过筛选得到主要的特征变量。在此基础之上,采用有监督的遗传算法-软模糊聚类(GA-SFCM)方法,获得各数据子空间的聚类中心及其相应的样本隶属度,通过融合隶属度的最小二乘法对各子空间LS-SVM模型进行集成。仿真结果表明,通过筛选参与聚类的变量提高了聚类性能和模型精度,采用有监督的GA-SFCM算法进行聚类,降低了聚类复杂度,建立的多LS-SVM集成模型比单一LS-SVM模型有更好的泛化能力。     

基于排放因子法的抽水蓄能碳减排量化方法研究

“双碳”目标给抽水蓄能参与碳交易市场带来新的机遇。通过调研电力行业现有的中国核证自愿减排（Chinesecertified emission reduction,CCER）项目方法学,构建了基于排放因子法的抽水蓄能碳减排量化模型。首先,调研电力行业现有CCER项目,分析了CCER项目方法学关键要素及计算准则;然后,基于抽水蓄能在抽水时段及负荷高峰时段的碳减排机理,构建抽水蓄能项目碳减排量化模型;最后,基于某区域电网进行分析,计算抽水蓄能典型日及典型年的碳减排量。算例分析表明,所建立模型能够有效计算抽水蓄能的碳减排量,且抽水蓄能碳减排效益显著。     

基于相似日算法及集成学习的短期光伏预测模型

随着分布式发电系统的日益增多,光伏发电预测逐渐成为影响电力系统运行及调度的关键.本文提出一种基于改进相似日算法和集成学习的短期光伏发电混合预测模型.应用改进的相似日算法在历史数据中找到相似日,将相似日数据和气候因素等作为Bagging集成学习的输入变量,对其进行建模训练.通过公开的光伏数据集进行验证,并与传统的神经网络...     

基于集成学习的时间自适应电力系统暂态稳定评估方法

对于电力系统暂态稳定评估而言,在故障清除后的早期阶段,临界样本间的特征差异不明显,预测准确率低。随着时间推移,准确率提高,但难以保证评估的及时性。针对暂态稳定评估的评估准确性与及时性之间的矛盾,提出了基于集成学习的时间自适应电力系统暂态稳定评估方法。首先,通过EasyEnsemble算法对不平衡数据进行采样,训练出多个不同评估时刻的集成长短期记忆网络分类器,输出样本在不同评估时刻的稳定性预测结果。其次,将评估时刻进行划分,提出了多阶段阈值分类规则,自适应调整阈值,对样本预测结果进行可信度评估。最后,预测结果评估为不可信的样本交由下一评估时刻的模型继续判断,直到可信度达到阈值后输出。在IEEE 39节点系统的仿真结果表明,所提方法相较于其他时间自适应方法具有更优的评估性能,在样本不平衡的情况下该方法实现了更好的修正效果。     

基于多模型融合集成学习的智能变电站二次设备状态评估

为准确评估智能变电站二次设备运行状态,建立了二次设备状态评估指标体系,并结合多种机器学习算法的差异性,提出了基于多模型融合集成学习的二次设备状态评估法。该方法采用双层结构,上层中利用划分好的数据对数个基学习器进行k折验证,下层中利用全连接级联神经网络融合多个基学习器,并采用改进的列文伯格-马夸尔特算法训练该神经网络加速模型收敛。实例分析表明,所提出的方法可以准确地评估二次设备的运行状态,并为智能变电站系统和二次设备的检修工作提供指导意见。