电网中长期负荷预测技术探究

当前,国民经济受电力工业发展的影响越来越大,电力负荷的准确预测显得越发重要.电力行业的投资、网络布局和运行的合理性在很大程度上取决于电力负荷的准确预测.首先介绍了电网规划中中长期负荷的预测步骤,其次分析、探讨了目前常用的负荷预测技术,最后预测了负荷预测技术未来的发展方向.     

短期电力负荷预测模型的建立与应用

研究短期电力负荷问题.电力负荷影响因子多,且含有噪音信息,传统短期电力负荷预测方法难以对其进行准确的预测,导致电力负荷精度低.为了提高短期电力负荷预测精度,提出了KPCA - BPNN的短期电力负荷预测模型.模型对电力负荷影响因素进行分析,并利用KPCA提取其主元特征分量,然后利用BPNN进行建模预测,最后对湖南某城市的短期电力负荷进行预测.仿真表明,KPCA - BPNN不仅加快了电力短期负荷预测预测速度,同时提高了电力短期负荷预测精度,是一种新型实用的电力系统短期负荷预测模型.     

基于优化决策树的短期电力负荷预测

电力负荷预测是一项重要和具有挑战性的工作.从寻求准确预测电力系统负荷的目的出发,提出了基于优化决策树的短期负荷预测新方法,有效地考虑了非负荷因素对短期负荷预测的影响.文中先将样本数据进行预处理,利用粗糙集理论对决策树的测试属性进行优化约简,然后建立了短期负荷预测的决策树模型.良好的实例分析效果说明,该方法可提高短期负荷预测的精度,具有实用性和优越性.     

基于相似日负荷修正算法的短期负荷预测

为实现准确、快速预测电力系统短期负荷的目的,综合考虑气象、日类型和时间对负荷的影响,提出了基于相似日负荷修正算法的预测模型.首先建立相似度量化模型,具体用灰色关联分析法计算气象相似度,兼顾"近大远小"和"周期性"原则来量化时间相似度,二者乘积作为总体相似度,依此选取若干相似日;然后基于"日类型"和"时间跨度"修正相似日负荷;最后用加权平均法预测负荷.短期负荷预测的实例结果表明了该算法的可行性.     

改进神经网络的短期负荷预测模型及仿真

在电力负荷准确预测问题的研究中,电力负荷具有周期性、随机性和非线性的特点,而传统方法存在负荷预测精度低的难题,为了提高负荷的预测精度,提出一种改进神经网络的短期负荷预测模型(CPSO-BPNN).首先利用非线性预测能力强的BP神经网络对短期负荷建模;然后结合混沌粒子群优化算法挖掘短期负荷的变化规律以提高短期负荷预测精度;最后对模型性能进行仿真.仿真结果表明,CPSO-BPNN解决了传统方法存在的难题,提高了短期负荷的预测精度,为非线性负荷预测提供了依据.     

电力负荷的预测方法的建模与仿真

研究电力负荷预测准确性问题,电力负荷与天气、经济、假期等多种因素密切相关,变化规律具有周期性和随机性,单一预测方法不能全面进行准确预测,导致电力负荷预测精度低.为了提高电力负荷预测精度,提出一种ARMA和BP神经网络的组合预测方法.首先采用ARMA模型对电力负荷的周期性变化规律进行预测,然后结合BP神经网络方法对电力负荷的随机变化规律进行预测,最后将2种预测结果进行相加,得到组合模型的电力负荷预测结果.采用某市电力负荷数据对组合模型预测性能进行验证,实验结果表明,组合模型充分利用了单一模型优势,使电力负荷的预测提高了精度,为电力负荷的预测提供了有效手段.     

基于改进数据子空间算法的电力负荷预测问题

针对电力负荷进行准确预测对于电力系统的稳定运行具有重要的意义.利用传统的数据子空间算法进行电力负荷预测的过程中,由于没有考虑电力系统的非线性和时变性,导致预测精确度较低.为此,提出一种基于改进数据子空间算法的电力负荷预测方法,在电力负荷预测子空间方程式中加入反馈因子,在电力负荷历史数据中加入遗忘因子,利用粒子群算法对两种反馈因子和遗忘因子进行寻优,并将寻优结果带入到改进的电力负荷子空间预测模型中进行计算,从而获得准确的预测结果.实验结果表明,利用改进算法进行电力负荷预测,能够提高预测精度,效果令人满意.     

分布式SVR在短期负荷预测中的研究

准确的负荷预测,可以合理安排机组启停,降低发电成本,特别是短期负荷预测对电力系统控制、运行和规划都有重要意义。传统的预测方法不能及时准确地反映需求响应,在Hadoop环境下利用分布式支持向量回归机(Support Vector Regression,SVR)实现负荷预测,同时使用基于均匀设计的自调用SVR(UD-SVR)方法进行参数寻优,进一步提高本文实现的分布式SVR算法精度。通过真实的电力负荷数据集验证该算法,实验数据来自我国西部某地级市连续424天的真实用电量数据。结果表明,本文改进后的算法用于短期电力负荷预测是可行的,不仅预测准确度又在原有基础上明显提高,并且随着数据量的增加,计算速度也大幅提高,减小了负荷预测时间。     

大数据挖掘下冲击性负荷特性电网短期负荷预测的探索与实践

抚顺地区冲击性负荷占地区总负荷比重较大,而地区总负荷冲击特性明显时,有可能引起系统频率的连续振荡以及电压摆动,不利于电网安全稳定运行。因此,本文对如何提高地区电网短期负荷预测精确度进行探索和相关的实践,改善冲击性负荷预测和预处理的准确程度,以期望能够合理经济调度、降低生产成本、保障电网安全。     

数据挖掘在电力系统负荷预测中的应用

电力系统负荷预测是电力部门日常重要工作,传统的预测方法有很多缺点,并不能真实地反映负荷变化规律。数据挖掘技术具有强大的数据处理能力,可以从海量数据中发现有价值的规律。通过对电力系统实际负荷特性的分析,利用数据挖掘算法,建立合理准确的数学模型,最终得出精确的预测结果。     

小车吊重系统摆振动力学模型及仿真

认识和掌握吊重摆振的动力学特性,是研究起重机防摇控制方案的前提条件.为了准确分析吊重摆振的动力学规律和影响因素,采用理论分析和动态仿真的方式对吊重摆振特性进行了研究.文中根据起重机小车-吊重系统的三维动力学模型建立了吊重摆振的二自由度摆角动力学模型,通过线性简化从模型中找出了影响摆角大小的主要因素--吊重绳长和运行加(减)速度,并以此动力学模型进行了起重机在多种工况下的动态仿真.通过仿真分析得到了小车加速度和吊重绳长对吊重摆振角度、频率和摆角速度的影响规律.     

Load Balancing in IEEE 802.11 Networks

Because wireless stations independently select which access points to camp on, the total wireless station traffic on all available IEEE 802.11 network APs might be unevenly distributed. This load-balancing problem can lead to overloading and network congestion. This survey examines the problem, along with state-of-the-art network- and wireless-station-based solutions. It also presents experimental results using off-the-shelf IEEE 802.11 devices. As the results show, effectively balancing AP traffic loads can increase overall system throughputs.     

基于负载均衡的簇间路由协议

针对无线传感器网络簇头节点负载不均衡的问题,提出一种基于负载均衡的簇间路由协议.该协议通过记录邻居簇头节点到Sink节点的最小跳数信息建立到Sink节点的多条路径,根据簇节点的剩余能量和负载选择合适的路径进行路由,从而实现了簇头节点间的负载均衡.仿真实验结果表明,该路由协议能有效地均衡网络负载和簇头节点能量消耗,减少数据传输延迟,延长网络生存时间.     

飞机不确定阵风缓和控制方法

提出一种包含有指令过载生成器的阵风缓和方法.该方法利用示例飞机同向副翼协同升降舵产生直接升力来抵偿阵风产生的附加过载.采用优化理论设计了不确定阵风缓和控制律.数字仿真证明,采用该系统的飞机在不确定紊流阵风干扰下的阵风缓和率大于36%,同时,其过载响应特性也有所改善.     

附加信息对负载可任意划分应用调度的影响

研究需要附加信息的可任意划分应用的调度问题.文章首先引入附加信息的概念,扩展了DLS模型,在此基础上重新分析了在这类应用中经典的平均划分(EQS)算法的缺陷,并提出了一个无空闲时间调度算法(NIS).基于这两个算法的解析表达解,严格地证明了NIS算法的调度性能总是优于EQS算法.由于在这类应用中典型的情况是每个处理器需要相同的附加信息,文章进一步研究了这类典型应用.分析表明,与EQS算法相比有更大范围的应用能利用NIS算法获得并行计算的收益,NIS算法所能利用的资源也更多.     

电网供电系统短期电力负荷预测优化仿真

对电网供电系统短期电力负荷预测模型进行优化,能提升预测结果的准确性和鲁棒性.虽然现有预测模型可以满足预测速度的要求,但预测结果的精确性和稳定性却无法保证.为了得到更加准确和稳定的预测结果,提出了细菌觅食算法优化极限学习机预测模型.首先在电力负荷样本数据中形成训练样本和预测样本集,利用细菌觅食优化算法对极限学习机预测模型中的不确定参数进行优化,然后利用改进后的模型进行电力负荷预测.新模型的优化仿真结果显示,利用细菌觅食算法优化极限学习机预测模型的预测精度和稳定性均优于传统预测模型的预测结果,该算法具有很好地实用性.     

基于请求类型的数字图书馆负载平衡模型

对于具有海量信息的数字图书馆,文章针对不同请求服务时间变化大的特性,提出基于请求类型的负载平衡模型,该模型根据各种不同请求对服务器负载状况的影响并结合各服务器的性能进行动态负载调度。避免占用服务器资源较多的请求同时分配到同一台服务器上。仿真结果表明该模型具有良好的负载平衡效果。有效地缩短了用户请求的响应时间。     

Load sharing in distributed systems with failures

Summary An approximate model is presented for the mean response time in a distributed computer system in which components may fail. Each node in the system periodically performs a checkpoint, and also periodically tests the other nodes to determine whether they are failed or not. When a node fails, it distributes its workload to other nodes which appear to be operational, based on the results of its most recent test. An approximate response time model is developed, explicitly allowing for the delays caused by transactions being incorrectly transferred to failed nodes, because of out-of-date testing results. For the case when all nodes are identical, a closed form solution is derived for the optimal testing rate minimizing the average response time. Numerical results are presented illustrating the relationships among the problem parameters.This research was performed while Satish Tripathi and David Finkel were visiting ISEM. Satish Tripathi's research was supported in part by grants from NSF (grant no. DCR-84-05235) and NASA (grant no. NAG 5-235), and by Université de Paris-Sud     

一种面向会话的自适应负载均衡算法

在论述负载均衡技术相关工作的基础上,基于IP报文头多域分类方法,提出自适应负载均衡算法MSF(minimum sessions first),通过动态调整TCP流数目最少的流束,能够在各处理节点间保持动态负载均衡的同时维持会话的完整性.模拟结果表明,MSF算法具有设计简洁、负载均匀度好、重映射破坏度小、会话完整性破坏度小等优点,对不同负载具有良好的综合性能.该算法已经成功地应用在国防科学技术大学计算机学院研制的高速网络安全设备中,在保持较好的负载均衡效果的前提下保证了会话的完整性,提高了网络安全设备的性能.     

多主体协同电力负荷预测模型

提出了基于多主体(Multi-Agents System,MAS)协同的电力负荷预测模型,将不同的预测模型封装在不同的Agent中,利用各Agent之间的通信、合作机制来共同完成预测问题的求解,以近似日模型、回归模型、神经网络模型和规则修订模型为基础,进行协同预测。并通过实验证明了协同预测模型不仅能达到较好的预测精度,同时预测结果相对稳定,对提高实际负荷预测精度具有很现实的意义。