一种复合算法在短期负荷预测中的应用

为提高电力系统短期负荷预测精度,文中提出一种基于改进遗传算法优化的径向基函数神经网络短期电力负荷预测模型,该模型采用改进的选择策略、自适应交叉和变异概率防止出现早熟现象;将自适应交叉和变异操作的改进遗传算法与梯度下降法混合交互运算,作为径向基函数神经网络的学习算法,将上述模型和算法应用于某地区电网的短期负荷预测,取得良好的预测效果.     

基于上采样金字塔结构的卷积神经网络的非侵入负荷辨识算法

非侵入式负荷监测（NILM）技术为需求侧管理提供了技术支撑,而非侵入负荷辨识是负荷监测过程中的关键环节。在负荷数据采样过程中无法实现长期的实时高频采集,得到的负荷数据还存在缺乏时序性的问题;同时,卷积神经网络（CNN）存在对低级信号特征表现不足的缺陷。针对以上两个问题,提出了一种基于上采样金字塔结构的CNN非侵入负荷辨识算法。所提算法直接面向采集到的负荷电流信号,利用上采样网络扩展数据在时间维度上的相关信息弥补数据的时序性,并通过双向金字塔一维卷积提取负荷信号的高级与低级特征,以对负荷特征进行全面利用,从而实现对未知负荷信号进行识别的目的。实验结果表明,基于上采样金字塔结构的CNN非侵入负荷辨识算法的识别准确率能够达到95.21%,且具有良好的泛化能力,可有效实现负荷辨识。     

基于ReliefF-DDC特征选择算法的非侵入式负荷识别研究

提取有效的负荷运行数据特征对于提高非侵入式负荷识别的精度具有重要作用.针对数据特征选择欠佳导致负荷识别准确率不高的问题,提出了一种基于ReliefF-DDC特征选择算法,用于降低特征维数减少复杂度,改善负荷识别效果.首先,利用ReliefF算法分析各特征与类别的关系计算特征权重,筛选无关特征;其次,利用DDC算法计算特...     

基于稳态波形分解与神经网络的负荷识别方法

非侵入家用负荷识别技术对于家庭可以指导用户合理安排用电,减少用电开支,同时电力部门利用家庭用电数据可以了解负荷用电规律及趋势,完善电力规划。现有的研究多采用高级智能算法对负荷特征进行学习,针对现有现有算法识别特征存在的不足,现提出一种基于稳态波形分解的BP神经网络负荷识别方法。该算法主要利用稳态波形可叠加性对分解后的电流波形进行谐波特征提取,结合经过神经网络训练后得出权值,阈值,由嵌入式实现对负荷的识别。该方法已成功在嵌入式装置上实现,取得了预期的效果。     

基于ICOA和SVR的短期负荷预测北大核心

针对短期负荷预测精度与运行时间难以兼顾的问题,提出一种基于改进郊狼优化算法的支持向量回归模型。阐述了支持向量回归模型的原理,分析郊狼优化算法并在郊狼成长方式和贪心选择策略上进行改进。通过利用负荷、天气、日期等数据训练SVR模型,同时采用改进郊狼优化算法选择SVR参数并建立ICOA-SVR负荷预测模型。经算例分析与比较,表明在短期负荷预测方面,ICOA-SVR模型比COA-SVR、BP神经网络和LSTM模型具有更高的预测精度和更快的预测速度。     

基于模糊聚类的电力用电负荷用户识别分析

为了提高电力用电负荷用户的精细化管理,提出了一种基于模糊聚类的电力用电负荷用户识别分析方法。分析了某区域用户的工业负荷变化规律,研究了电力数据与天气之间的改变及其日负荷特征曲线,同时引入模糊聚类分析方法,对上述工业负荷的用电特征进行了判断。选择某区域的工业负荷用户进行研究,对用户进行负荷曲线计算。并通过实验测试来验证本文方法的可行性,以此作为供电公司对用电数据进行精细管理的参考依据。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

基于融合集成算法的配电网负荷预测研究

配电网的负荷预测在电力运行状态监测中尤为重要。负荷预测的精度提升为电网的安全、稳定运行提供了保障。通过对融合集成算法的研究,提出了一种基于关联特征选择的融合集成算法。在数据集的选择上,使用相关系数和灰色关联算法综合对样本中负荷影响较小的特征进行剔除,使得样本数据集的相关性更高;同时,对传统Stacking集成学习的输入和输出特征进行优化,提高了模型的预测效果。试验结果表明,基于融合集成算法的配电网负荷预测模型与传统的Stacking集成算法、XGBoost、灰狼优化-反向传播算法相比,负荷预测的精度提升了3.07%。该模型总体性能表现较好。该研究结果有效地支撑了配电网的负荷监测和规划,也为电力系统故障诊断提供了参考。     

采用改进被囊群算法的多冷水机组负荷分配优化

为了降低中央空调系统的运行能耗,针对多冷水机组负荷分配优化问题,提出一种随机森林特征优选结合核函数极限学习机的冷水机组能效预测模型,通过剔除冗余特征提高预测精度;然后提出一种混合策略改进的被囊群算法,融合鲸鱼螺旋搜索策略改进个体更新方式,引入非线性动态权重平衡全局探索和局部开发,使用空翻扰动策略避免陷入局部最优;最后在能效模型的基础上,采用改进被囊群算法对多冷水机组负荷分配进行优化。实验结果表明,随机森林特征优选的方法可以有效的提高能效预测模型的准确度;改进被囊群算法通过优化机组的启停状态和负荷率可以有效发挥系统的节能潜力,与原有方法相比能耗降低约6%。说明该方法适用于多冷水机组的负荷分配优化问题。     

基于仿真优化的临时航线动态规划北大核心

为实现空域的灵活使用,对目标空域内军方允许使用的临时航线的动态规划与优化方法进行研究,提出全空域与机场模型(TAAM)和改进离散粒子群优化算法(DPSO)相结合的仿真优化方法。首先,利用TAAM模型构建以最小管制员工作负荷和最低飞行成本为目标的临时航线规划模型;采用组合赋权法和规范化处理确定多目标函数的权重;重新定义DPSO算法的运算规则实现算法改进。以上海部分扇区航路航线的仿真运行数据为例,管制员工作负荷和飞行成本分别下降了13.64%和9.08%。结果表明,上述方法能够有效降低管制员工作负荷和飞行成本,为航班计划的编订提供参考。     

改进最小二乘变点识别法在负荷分解的应用

随着全世界正进行的大规模智能电表的推广安装,使用非侵入式负荷监测分解方法,总电能消耗分解为单独设备的消耗,成为最近的研究热点。而变点识别是负荷分解方法中的第一步。精确的变点检测为后续提取特征以及识别负荷,打下了坚实的基础。提出了一种基于均值变点模型的识别算法,通过滑动窗口,利用最小二乘法计算目标函数,以确定变点个数。最后,提出假设检验,来验证变点检测的准确性。它能根据相关信号准确检测到负荷投切等引起的电气量变化、发生时刻等重要信息,并记录下来,然后为后续的负荷识别和分解提供保障。最后以某商业写字楼为例,通过测量该商业部分用电负荷数据,从而验证了该算法的可行性。     

Selection of features from power theories to compose NILM datasets

The load disaggregation concept is gaining attention due to the increasing need for optimized energy utilization and detailed characterization of electricity consumption profiles, especially through Nonintrusive Load Monitoring (NILM) approaches. This occurs since knowledge about individualized consumption per appliance allows to create strategies striving for energy savings, improvement of energy efficiency, and creating energy awareness to consumers. Moreover, by using feature extraction to devise energy disaggregation, one can achieve accurate identification of electric appliances. However, even though several literature works propose distinct features to be utilized, no consensus exists in the literature about the most appropriate set of features that ensure high accuracy on load disaggregation. Thus, beyond presenting a critical analysis of some significant features often selected in the literature, this paper proposes identifying the most relevant ones considering collinearity and machine learning algorithms. The results show that high-performance metrics can be achieved with fewer features than usually adopted in the literature. Moreover, it is demonstrated that the Conservative Power Theory can offer the most representative features for appliance identification, leading to efficient power consumption disaggregation.     

基于隐马尔可夫模型的非侵入式负荷监测泛化性能改进

隐马尔可夫模型(HMM)是非侵入式负荷监测常用的算法.由于电压波动与负荷自身电气特性变化等原因,负荷的测量状态如功率可能持续变化,运行过程中出现新的状态转移,但当前基于HMM的非侵入式负荷监测方法并未考虑如何处理该情况,缺乏状态辨识与功率分解的泛化能力.针对这一问题,本文提出并构建二元参数隐马尔科夫模型(BPHMM),结合DBSCAN聚类算法,基于有功功率和稳态电流对负荷状态进行聚类,降低了因电压波动和噪声数据对负荷状态聚类结果造成干扰的可能性;改进维特比算法使其考虑到HMM模型参数更新以实现对负荷状态预测泛化性能的改进;考虑到功率的随机波动性,基于极大似然估计原理构建功率计算优化模型并实现负荷的功率分解.本文采用公共数据集AMPds2对所述方法进行验证,测试算例验证了所述方法的有效性.     

考虑气象因素的短期电力负荷预测研究

针对如何提高短期电力负荷预测精度的问题,提出基于核主成分分析法(Kernel principal component analysis,KPCA)和改进的回声状态网络(Echo state network,ESN)算法相结合的方法对短期电力负荷进行预测研究。通过卡尔曼滤波(Kalman filtering,KF)方法训练回声状态网络的输出权值,引入修正因子对卡尔曼滤波的协方差矩阵进行修正,从而实现回声状态网络结构参数的调整,获得理想的网络结构模型。采用Lyapunov理论验证了改进回声状态网络算法的收敛性。采用核主成分分析法对气象因素进行降维处理,获得能够体现数据信息的主元信息。通过UCI(University of California Irvine)数据集仿真对比,验证了该算法相比于ESN、SVM(Support vector machine)、BP(Back propagation)、GA(Genetic algorithm)等算法具有更高的预测精度。在考虑气象因素的前提下,对短期负荷预测进行仿真实验,实验结果显示在正常天气和存在气象突变的情况下,改进的回声状态网络算法较GA-ESN和GA-BP算法有更高的预测精度,验证了该方法的实用性。     

Identification of Wiener models for dynamic and steady‐state performance with application to solid oxide fuel cell

This work is concerned with identification of Wiener models (a linear dynamic part connected in series with a nonlinear dynamic one). A neural network with one hidden layer is used as the nonlinear block of the model, two network configurations are considered. For model identification three algorithms are described. In the first case model accuracy only in transient conditions is considered, only the dynamic data is used for model training. In the next two algorithms model accuracy in both transient and steady‐state conditions is considered, dynamic and steady‐state data sets are used. The steady‐state model errors are taken into account by an additional term in the minimized cost‐function or by additional inequality constraints. For comparison of discussed algorithms and model structures, identification of a Wiener model of a solid oxide fuel cell (SOFC) process is considered. It is shown that the best results are obtained by the algorithm 2 which minimizes at the same time both dynamic and steady‐state model errors, additional constraints used in the algorithm 3 are computationally quite demanding.     

面向深度学习的非侵入式负荷监测研究进展

非侵入式负荷监测, 是智能用电和节能技术的重要部分, 备受研究者关注. 由于近年来新发展起来的深度学习方法在各种任务所表现出来的优越性能, 目前已有一些代表性深度学习方法被成功用于非侵入式负荷监测中的负荷分解任务. 为了系统地总结深度学习方法在非侵入式负荷监测领域中的研究现状与进展, 拟对近年来面向深度学习的非侵入式负荷监测研究文献进行分析与归纳. 首先对非侵入式负荷监测的框架进行简要概述; 随后介绍了非侵入式负荷监测的特征提取方法和公开数据集, 并重点分析和归纳了非侵入式负荷监测中面向深度学习的负荷分解方法; 最后对该领域存在的一些挑战及机遇进行了展望, 并指出了其未来的研究方向.     

基于最小二乘支持向量机的短期电力负荷预测

提出了结合遗传算法(Genetic Algorithm,GA)和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)的短期电力负荷预测。由于影响负荷预测因素的复杂性和最小二乘支持向量机参数选择的不确定性,提出了采用遗传算法同时对电力负荷训练样本进行特征提取和最小二乘支持向量机的参数选择,然后利用提取出的数据序列和选择的参数,建立最小二乘支持向量机预测模型。通过实际算例分析,证明了该算法可以改善预测模型的精度和泛化能力。