全时空量测环境下基于双向长短期记忆网络的电力物联网损耗计算

针对泛在电力物联网新能源发电和传统电源混合、主动负荷与被动负荷共存导致电网损耗不断升高的问题,在全时空量测环境下,基于双向长短期记忆网络方法,提出了泛在电力物联网损耗计算方法。首先,基于传统B系数法,提出了最小二乘有功无功B系数法损耗计算模型;其次,在全时空量测环境下,提出了随时空滚动的最小二乘有功无功B系数法损耗计算及误差大数据;第三,基于人工智能中的双向长短期记忆网络方法,以预测负荷、最小二乘有功无功损耗计算、误差大数据作为输入,预测物联网的损耗。最后,以实际电网为例进行验证,表明了所提方法的有效性。     

基于灰色关联分析的短期电力负荷预测系统

电力负荷预测短时间内提取所需的变量参数,需要关联度信息的安排与处理,设计基于灰色关联分析的短期电力负荷预测系统。基于GVMS平台,构建负荷预测功能模块,搭建负荷预测系统的软件执行环境。借助灰色关联分析的基本特征,建立预测核函数,基于数据挖掘进行预处理,结合相关硬件设备结构体,实现基于灰色关联分析短期电力负荷预测系统的顺利应用。灰色关联分析法预测系统可以在满足短期电力负荷需求的同时,确定电量数据的实际传输方向,能够实现对短期电子传输量的妥善安排与处理。     

基于异构数据的电力短期负荷大数据预测方案

随着多种可再生能源电力的接入,电力系统正在向更智能、更灵活、交互性更高的系统过渡。负荷预测,特别是针对单个电力客户的短期负荷预测在未来电网规划和运行中发挥着越来越重要的作用。提出了一个基于异构数据的电力短期负荷大数据预测方案,该方案收集来自智能电表和天气预报的数据,预处理后将其加载到非关系型数据库中进行存储并做进一步的异构数据处理;设计并实现了一个长短期记忆递归神经网络模型,用于确定负荷分布并预测未来24 h的住宅小区用电量;最后利用一个住宅小区的智能电表数据集对提出的短期负荷预测框架进行了测试,并使用均方根误差和平均绝对百分比误差两个指标,对比了预测模型与两种经典算法的性能,验证了所提模型的有效性。     

基于极限学习机的超短期电力负荷度量研究

针对电力负荷超短期输出数据相似度较高导致输出结果不精准的问题,提出基于极限学习机的超短期电力负荷度量方法。基于极限学习机网络计算电力负荷度量偏差,最大程度消除冗余数据。以负荷影响因素为模型输入,以负荷为模型输出,在相似性原则下,读取历史负荷数据。利用激活Sigmoid函数平滑处理样本数据,设置切换准则,设计极限学习机度量过程,完成超短期电力负荷度量。由实验结果可知,该方法 12月21日、12月25日电力负荷的波动范围分别为0～600 kW、0～1 300 kW,与实际数据存在较小的偏差,具有精准度量结果,受数据相似度影响较小。     

基于长短期记忆神经网络的短期负荷预测

准确的电力负荷预测是电力系统安全、稳定、经济、优质运行的前提,负荷预测的本质是通过历史数据对未来负荷情况做出预先估计。电量的快速增长和用户的多元化对负荷预测提出了更高的要求。文中提出了一种基于长短期记忆网络的负荷预测方法,利用长短期网络数据驱动和对时间序列建模强的特点,对于含非线性、不确定性的系统,提取其负荷数据中的周期特征,具有较强的自适应性。以真实数据为算例,验证了方法的有效性。     

基于隶属度函数的电力光纤线路健康度评估

为了减少光纤故障因素以及故障时找出光纤的故障点,保证光纤系统的连接质量.提出一种基于隶属度函数的电力光纤线路健康度综合改进评价方法.选取电力光纤振动参数(S)、温度参数(T)、湿度参数(RH)作为衡量电力光纤线路运行状态的指标,建立关于电力光纤线路状态健康程度的隶属度关系矩阵;并在进行综合评价时改进了光纤线路状态因素综...     

基于改进模糊神经网络的输电线缆制造质量预测方法

针对输电线缆制造质量预测问题,采用制造工艺关键指标数据基于改进模糊神经网络对制造质量合格率进行预测。首先通过引入模糊化层和模糊规则计算层建立模糊神经网络的结构,采用高斯函数建立模糊化层的隶属度函数,构建了隶属度函数均值和宽度的训练过程;接着基于帝国竞争算法对模糊神经网络中的隶属度函数学子因子和后件网络权重学习因子进行优化,优化目标为最小化神经网络收敛误差;采用改进模糊神经网络设计输电线缆制造质量预测流程。最后通过一个仿真算例验证了所建立的模型相比于传统神经网络以及基本模糊神经网络在输电线缆制造质量合格率的预测效果上更优,验证了所建立模型的有效性。     

基于混合分类的插电式新能源汽车行为需求预测

针对新能源汽车行为和充电需求的不确定性问题,提出了结合无监督聚类和有监督深度学习分类器的混合分类方法,以发掘汽车行驶数据中隐藏的行驶模式;提出基于深度长短期记忆网络的需求预测方法,以预测新能源汽车的需求。基于预测结果,提出了基于成本优化的投标模型,以降低新能源汽车充电成本。结合真实的数据集,使用实验评估所提出方法的有效性。实验结果表明,提出的方法在预测新能源汽车需求方面具有出色的表现。     

基于长短期记忆网络的电网概率潮流计算及态势感知

可再生能源发电大量地并入电力系统发输配用各个部分,使配电网呈现主动性,由于电力系统发电的随机性、波动性特点,使潮流大小无法准确预估。对此,提出了基于长短期记忆网络的电网概率潮流预估及态势感知方法。在前人研究的基础上,提出了风力发电、光伏发电、需求侧负荷、电动汽车充电、发电机组的功率概率模型;进一步,基于Nataf方法将多种概率模型进行去相关标准正态分布变换,实现发电负荷的统一;然后,建立了多方协调互补、成本最小的概率调度模型,并使用长短期记忆网络进行概率潮流求解;最后,以某实际电网为例,对所提算法进行验证比较,证明了所提方法的有效性。     

考虑风电消纳的峰谷分时电价模型研究

在充分发挥电力可靠性管理在电力供应保障工作中的基础性作用目标大背景下，考虑我国部分区域风电消纳不足和调峰能力有限所导致的电力结构不稳定，构建发电侧与需求侧联动的峰谷分时电价模型，探索出一种电网向发电企业收取“过网费”、需求侧与发电侧直接交易的新模式。该模型根据电力需求价格弹性矩阵计算实施峰谷分时电价后的电力负荷，构建发电侧与需求侧约束条件，以火电机组平均发电成本为目标函数，综合考虑风电消纳影响，采用粒子群算法进行模型求解，并通过输配电价连接上网电价和用户电价，输电损耗电量连接发电量与用电量，达到发电侧与需求侧的联动。算例分析表明，所建立的模型能更好地消纳风电，同时也提高了火电机组发电功率的稳定性和经济性。     

基于SVD-LSTM的高校学生宿舍空调负荷预测

准确预测高校空调负荷是保证高校安全用电和电力高峰期区域配电网稳定运行的前提。文中以高校空调负荷中具有代表性的学生宿舍空调负荷为对象,建立了基于奇异值分解-长短期记忆网络的高校学生宿舍空调负荷预测模型。该方法以高校学生宿舍空调负荷特性为基础,使用奇异值分解进行降噪处理,通过长短期记忆网络对高校学生宿舍空调负荷进行预测。文中以武汉某高校的真实数据为样本进行了分析验证,通过与传统预测模型对比,证明所提预测模型的预测效果和精度优于传统预测方法。     

双向反射分布函数结合Bi-LSTM网络求解壁面发射率

壁面光谱发射率求解是飞行器红外隐身的关键技术之一。首先设计了壁面反射光路和光源,通过光谱辐射计获取壁面反射的辐射亮度序列,为尽可能地消除外界干扰对于光谱发射率求解精度的影响,基于双向长短期记忆网络,设计了Bi-LSTM亮度回归网络模型,并对测试样本进行训练学习。基于BRDF的壁面发射率求解模型及基于Bi-LSTM网络的亮度回归模型求解壁面的发射率。计算结果显示,提出的基于双向反射分布函数的壁面发射率求解方法的相对误差为12.21%,满足工程测试需求。     

基于Adam算法优化GRU神经网络的短期负荷预测模型

为提高短期负荷预测的精度,文中提出了一种基于Adam算法优化门控循环单元(Gated Re?current Unit,GRU)神经网络的短期负荷预测模型.针对循环神经网络(Recurrent Neural Network,RNN)存在的梯度消失和梯度下降、长短期记忆神经网络(Long Short-Term Memory...     

基于分时电价和用户侧储能的配电网调度优化策略

针对分布式电源接入及负荷波动引起配电网线路损耗增加的问题,文中提出将分时电价机制协同用户侧储能参与配电网的优化运行模型。基于分时电价建立用户负荷响应模型,构建以用户日用电成本、配电网网损最小为目标函数的配电网运行优化模型。采用评价函数法将多目标转化成单目标,并在传统遗传算法中引入模拟退火Metropolis准则对用户侧储能充放电策略寻优。仿真结果证明了文中所提策略能有效降低配电网网损及用户用电成本,所提算法寻优速度较快,收敛性能较好。     

基于区域级隶属度函数的图像分割评估分析

为了弥补模糊C均值聚类（FCM）图像分割收敛方面的自适应区域限制局限性，设计了一种基于区域级隶属度函数的图像分割评估方法。在分析像素区域级隶属度时以超像素为基础，对实际超像素与区域级隶属度函数或主标签之间的联系进行分析。研究结果表明：相较于FCM算法，区域级隶属度函数方法可实现更优的性能。采取FCM获取的分割效果在目标函数Q值降低后更佳，各像素在同一超像素中可迅速聚集并得到有效保证。该研究适用于超像素信息领域，对提高图像分割具有明显效果。     

基于贝叶斯优化的CNN-GRU短期电力负荷预测

为了提高短期电力负荷预测精度,针对负荷数据时序性与非线性的特点,提出一种基于贝叶斯优化的CNNGRU短期电力负荷预测模型。首先,将电力负荷数据按时间滑动窗口构造连续特征作为输入,采用CNN对负荷数据进行特征提取,将特征以时序序列方式作为GRU网络输入;然后通过GRU网络进行短期负荷预测,构建CNN-GRU预测模型。针对CNN-GRU模型易陷入局部最优以及超参数寻找难的问题,利用贝叶斯优化寻找最优超参数组合,对模型进行超参数优化,构建贝叶斯优化的CNN-GRU短期电力负荷预测模型。实验结果表明,贝叶斯优化的CNN-GRU模型的MAE值比传统的CNN-GRU网络模型降低58%,精度提升1.23%,说明所提模型能够有效提高负荷预测精度,可作为短期电力负荷预测工具。     

基于无线传感器网络的智能配电网安全态势感知方法

为缩小电网线路负载电压与态势电压水平之间的物理数值差,在大幅提升智能配电网安全性同时,实现对电量态势的准确感知,提出基于无线传感器网络的智能配电网安全态势感知方法。根据无线传感器网络配置标准,确定电网运行均匀度水平,计算安全负荷边界,完成电力负荷态势利导。在此基础上,选取配电指标,联合已知态势标度值,核算风险等级系数准确性,实现智能配电网安全态势感知。实验结果表明,在无线传感器网络网络作用下,电网线路负载电压与态势电压之间的最大数值差只能达到12.1 V,未超过理想情况下的最大差值13.5 V,符合准确感知电量态势水平的实际应用需求。     

基于链路失效模型的多级电力业务路由规划

该文从智能电网中电力业务多样性的角度出发,分析不同类型业务对网络的可靠性需求。建立链路失效函数模型,并基于该模型设计面向可靠性的路由规划方法。以网络阻塞率和资源利用率为指标,通过与传统链路失效路由算法的比较分析来验证所提出方法的有效性。传统链路失效路由规划算法忽略了电力业务多样性,对接入网络的业务请求无差别处理,路由规划约束条件相对单一,导致网络阻塞率较高。该文所提路由算法充分考虑了不同业务对网络需求的多样性,依据业务等级调整目标函数并分别进行路由分配,从而降低网络阻塞率,提升网络可靠性和资源利用率。     

一种基于模式类特征空间统计分布的离散模糊隶属度函数模型

本文提出了一种基于模式类特征空间统计分布的模糊隶属度函数模型,可有效地反映模式在特征空间中的真实分布,用于模式分类器输入特征的模糊化可获取更好的识别性能。作者以带钢表面缺陷检测系统为应用对象,以采自上海宝山钢铁公司冷轧带钢生产线的实际样本为训练集和测试集,对本文提出的模糊隶属度函数性能进行了测试,并与基于模糊C均值的隶属度函数进行了比较,测试结果显示,本文提出的基于模式类特征空间统计分布的模糊隶属度函数模型抗噪能力强,在提高分类器识别率和降低错误率上有明显优势。     

多尺度高斯模型的短期负荷预测

为了准确地进行电力负荷的短期预测,借鉴小波分析中对函数进行多尺度表示的思想,文中在高斯过程模型的基础上提出了多尺度高斯过程模型.通过选择合适的尺度参数,采用计算预测均方误差值大小的策略获取最佳延迟时间和最优嵌入维数对,然后对西北某地区电力系统进行短期负荷预测.与传统的支持向量机、径向基函数网负荷预测方法相比,基于多尺度高斯过程模型的短期负荷预测方法预测精度与支持向量机方法相当,性能优于径向基函数.