基于CEEMDAN-SE和DBN的短期电力负荷预测

为提高短期负荷预测精度,提出一种基于自适应噪声的完全集合经验模态分解(CEEMDAN)-样本熵(SE)和深度信念网络(DBN)的短期负荷组合预测模型。首先利用CEEMDAN-样本熵将原始负荷序列分解为多个特征互异的子序列,计算各子序列的样本熵,将熵值相近的子序列重组得到新序列,降低了原始非平稳序列对预测精度造成的影响并减小计算规模;随后综合考虑各新序列的周期特性和影响因素对每个新序列分别构建不同的DBN预测模型,利用DBN预测模型克服了浅层神经网络特征提取不充分及初始参数难确定的问题;最后将预测结果叠加得到最终预测值。仿真结果表明,该组合预测模型有效提高了预测精度。     

基于VMD与PSO优化深度信念网络的短期负荷预测EI北大核心CSCD

为提高短期负荷预测精度,采用变分模态分解（variational mode decomposition,VMD）技术将原始历史负荷序列分解为一系列特征互异的模态函数,对每个模态函数进行特征分析并分别建立负荷预测模型。电力系统负荷预测建模过程中,选取有效的输入变量是提高预测精度技术措施之一,该文采用互信息度量影响因素与输出变量间的相关性,可选取出对负荷影响较大的输入变量集合。传统的神经网络负荷预测模型难以训练多层网络,从而影响其预测精度。而深度信念网络（deep belief network,DBN）采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,已成为深度学习领域研究热点。因此,该文借助DBN算法对每个模态函数建立预测模型,提高了预测精度。由于DBN网络权值的随机初始化,使得目标函数在学习训练过程中容易陷入局部最优,采用改进粒子群算法优化网络权值,增强了DBN预测性能。最后,算例测试表明该文模型的有效性。     

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。     

基于VMD与PSO优化深度信念网络的短期负荷预测

为提高短期负荷预测精度,采用变分模态分解(variational mode decomposition,VMD)技术将原始历史负荷序列分解为一系列特征互异的模态函数,对每个模态函数进行特征分析并分别建立负荷预测模型。电力系统负荷预测建模过程中,选取有效的输入变量是提高预测精度技术措施之一,该文采用互信息度量影响因素与输出变量间的相关性,可选取出对负荷影响较大的输入变量集合。传统的神经网络负荷预测模型难以训练多层网络,从而影响其预测精度。而深度信念网络(deep belief network,DBN)采用非监督贪心逐层训练算法构成多隐含层感知器结构,在回归预测分析中展现出优良的性能,已成为深度学习领域研究热点。因此,该文借助DBN算法对每个模态函数建立预测模型,提高了预测精度。由于DBN网络权值的随机初始化,使得目标函数在学习训练过程中容易陷入局部最优,采用改进粒子群算法优化网络权值,增强了DBN预测性能。最后,算例测试表明该文模型的有效性。     

基于EMD-QRF的用户负荷概率密度预测

考虑用户负荷时间序列基数小、波动性与随机性强、难以取得较高预测精度的特点,建立基于经验模式分解(Empirical Mode Decomposition, EMD)与分位数回归森林(Quantile Regression Forest, QRF)的用户负荷概率密度组合预测模型,以提高用户负荷预测精度。首先,采用EMD信号处理算法对用户负荷原始时间序列数据进行分解处理,计算各模态函数样本熵值并根据样本熵大小对模态函数进行重构。其次,对重构分量分别建立QRF用户负荷预测模型,叠加不同分量预测结果从而获得预测值的条件分布。最后,利用核密度估计输出任意时刻用户负荷概率密度预测结果。相对于确定性点预测方法,概率密度预测具有描述用户负荷未来可能的波动范围及不确定性等优势,且算例测试验证了模型的有效性。     

集成经验模态分解与深度学习的用户侧净负荷预测算法

随着用户侧分布式能源发电容量增长,配电网净负荷需求预测面临着更大困难.为此,提出一种改进的自适应噪声的完全集成经验模态分解(CEEMDAN)和深度信念网络(DBN)结合的用户侧净负荷预测方法.首先,通过CEEMDAN将原始净负荷数据分解为若干个频率、幅值不一的本征模态函数(IMF).然后,配合机器学习智能算法,使用DBN逐一对各个IMF分量进行特征提取和时序预测.最后,将多个目标预测结果累加得到最终用户侧短期净负荷预测结果.采用某地区实际数据进行算例分析,验证了所提CEEMDAN-DBN独立预测模型与直接预测相比,能够辨识各频率负荷分量特性,提高分布式能源与负荷耦合性增强背景下的负荷预测精度.     

基于CEEMDAN-排列熵和泄漏积分ESN的中期电力负荷预测研究

针对中期电力负荷预测,提出一种具有自适应噪声的完整集成经验模态分解(CEEMDAN)-排列熵和泄漏积分回声状态网络(LIESN)的组合预测方法。CEEMDAN方法在负荷序列分解的每一阶段添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD方法相比,其分解过程是完整的。为降低负荷非平稳性对预测精确度的影响以及减小计算规模,采用CEEMDAN-排列熵方法将负荷时间序列分解为具有复杂度差异的不同子序列,通过分析各个子序列的内在特性,分别构建相应的LIESN预测模型,最终对预测结果进行叠加。将该方法应用于不同地区的中期峰值电力负荷预测实例中,并与其他组合预测以及单一预测方法进行比较。实验结果表明,所提出的方法有很高的预测精确度,显示出其有效性和应用潜力。     

光伏电站短期功率区间预测

为了解决因天气因素导致的光伏出力预测不确定性和随机性问题,更好地量化光伏出力预测偏差的波动范围.提出了基于自适应噪声的集合经验模态分解(CEEMDAN)-排列熵(PE)和改进的蚁狮算法(IALO)优化核极限学习机(KELM)的光伏发电功率区间预测模型.利用CEEMDAN将历史功率信号分解为多个模态函数(IMF)分量,然后,计算各IMF的熵值,相近的熵值重新组合新序列.借助采用IALO调整输出层权重的KELM网络建立预测模型,对各序列进行区间构造并根据区间预测偏差调整区间模型,再叠加区间预测结果.以实际数据为算例,将组合预测模型与IALO-KELM模型和粒子群算法-反向传播算法(PSO-BP)模型进行对比实验.结果表明,CEEMDAN-PE-IALO-KELM模型的区间预测结果准确性和可靠性更高.     

基于聚类经验模态分解-样本熵和优化极限学习机的风电功率多步区间预测

针对风电功率序列的不确定性和随机性特征,提出一种基于聚类经验模态分解-样本熵和优化极限学习机的多步区间预测模型。首先,利用聚类经验模态分解-样本熵方法将原始风电功率序列分解为一系列复杂度差异明显的子序列。然后,分别对各子序列建立基于上下界直接估量的区间预测模型。为分析不同区间构造的差异,提出一种体现训练目标值偏离区间范围影响的新型区间预测评估指标作为目标函数,并采用基于混沌萤火虫结合多策略融合自适应差分进化的优化算法寻求其最优解,以提高模型预测性能。最后,以某一风电场实际功率数据为算例,验证了所提模型能获得可靠优良的多步区间预测结果,可为风电功率多步不确定性预测提供一种新的有效途径。     

基于VMD和PSO-SVR的短期电力负荷多阶段优化预测

为降低短期负荷序列的非线性以提升预测精度,提出一种基于多阶段优化的变分模态分解（variational mode decomposition, VMD）和粒子群算法优化支持向量回归（particle swarm optimization support vector regression, PSO-SVR）的短期电力负荷预测模型。第1阶段采用VMD优化和预处理原始负荷序列,分解获得多个较为平稳的模态分量。第2阶段利用相空间重构优化重组各序列分量,并针对各分量分别建立支持向量回归（support vector regression,SVR）预测模型。第3阶段将粒子群算法（particle swarm optimization,PSO）用于优化SVR模型内部参数,便于更好地进行训练和预测。最后累加所有序列的预测值,实现短期电力负荷预测。研究结果表明：所提方法可以取得更高的预测精度。     

基于改进经验模态分解和支持向量机的风电功率预测研究

风电大规模接入给电网安全运行带来了较大的挑战,风电预测是主要的解决措施之一.针对风电功率信号的非线性和非平稳性特征,提出了一种基于改进经验模态分解(IEMD)和支持向量机(SVM)的风电信号组合预测方法.首先,阐述了EMD的基本原理和优缺点,针对其分解非线性非平稳信号时的采样率问题,提出了一种消减欠冲现象的改进方法.其次,以辽宁某风电场提供的风电数据为研究实例,利用IEMD将风电信号分解为一组较为平稳的子序列分量;然后,运用SVM理论分别构建风电信号低频和中频分量的EMD-SVM和IEMD-SVM组合预测模型,并在MATLAB中仿真对比了两种模型的预测结果.研究结果表明,IEMD-SVM的组合预测模型在分解风电信号时能够有效减少欠冲点数目,较好地表现原信号的整体趋势,与EMD-SVM预测方法相比具有更高的精度和准确度.     

基于时间序列压缩动态时间弯曲距离故障区段定位

针对基于暂态零模电流相关系数法的配电网故障区段定位方法存在数据处理量大且需要时间同步问题,提出一种基于时间序列压缩的动态时间弯曲(DTW)距离的小电流接地故障区段定位方法。先对终端控制单元(FTU)采集的故障录波数据预先处理,只提取故障发生后一个工频周波内的初始值、极值以及两极值点之间数据变化差值最大的两点,再将新的时间序列上传至主站,最后由主站采用动态时间弯曲距离算法求取两相邻FTU零模电流的相似性来进行故障区段定位。通过算法对比分析可得,在抗同步误差能力和信号幅值反应能力上,DTW算法较强于相关系数法;在直流分量表达能力上,两算法效果基本一致。此外,数据压缩后的新时间序列在DTW距离上的相似度表达能力基本与原时间序列相同,但数据处理量减少了至少一半以上。大量ATP/EMTP仿真说明文中所提方法能在不同故障角、接地电阻、故障位置下准确判出故障区段。     

基于改进优化隶属度函数的便携式电量计量装置综合评估方法

便携式电量计量装置可以在保证电力用户正常用电的情况下,对电能表更换过程中用户实际使用的电量进行计量和监测.文中提出了一种基于改进优化隶属度函数的便携式电量计量装置综合评估方法.从商务和技术两方面建立了便携式电量计量装置的综合评估指标体系;为了避免现有隶属度函数选择和指标权重确定方法中存在的单一性和主观性问题,提出了一种改进隶属度函数优化构造方法,提高了评价结果可信度;进而结合序关系法和均方差法确定各指标的权重向量,并给出了便携式电量计量装置综合评估的算法步骤.研究结果表明,文中所提出的综合评估方法能对便携式电量计量装置做出有效评价,具有较高的可信度.     

基于阻抗变化的主动式无线充电系统金属异物检测方案

金属异物混入无线充电系统中时,不仅会影响系统的传输效率,严重时甚至会导致火灾等安全事故的发生。文中提出了一种基于阻抗变化的主动式金属异物检测方案,通过在无线电能传输系统发射线圈表面添加一层检测线圈阵列并给检测线圈施加激励源,解决了被动式检测方案无法实现掉电情况下检测的难题;对检测线圈的结构进行设计,与传统的检测线圈方案进行了对比,解决了传统检测方案的检测盲区问题;对检测线圈回路的谐振频率选取原则进行了探讨,选取偏离谐振点的频率,提高了检测灵敏度。通过搭建有限元仿真模型,研究了检测线圈方案对不同类型金属异物的检测效果。实验结果表明,不同类型金属异物混入无线电能传输系统中时,所设计的检测方案能有效地检测出金属异物的存在。     

风机异常及缺失数据的填补方法研究

风机异常数据和缺失数据的识别和填补对于风机运行状态的评估和未来风速的预测具有重要意义。本文考虑到SCADA数据中某些风机可能存在异常数据和大量缺失数据的情况,首先对数据进行错误数据的识别剔除,再对缺失数据进行分类,对于个别不连续点缺失的情况进行均值填补;对于连续缺失并有旁侧风机数据参考的情况下,基于同时间段临近风机数据,先建立风向填补模型,绘制连续完整的风向数据,再分风向区间分别使用SVM方法建立风速填补模型;对于无旁侧风机参考状态下的缺失数据,使用NAR神经网络进行逐点填补。本文采用某风场实测数据进行数据验证,并与其他几种传统神经网络填补方法进行比较,测试结果表明本文提出的方法性能优于其他模型。     

基于自适应权重FAHP的电能表运行状态评价

智能电能表作为电能计量装置的核心设备,其运行状态直接影响着电能计量的准确性和公平性,因此对电能表运行状态进行准确评价至关重要。针对现有的电能表状态评价方式存在的问题,提出了一种新型电能表运行状态评价方法。以电能表现场试验、基本信息和运行监测指标为基础建立了运行状态评价体系;针对评价体系指标众多,各项指标重要性横向比较困难、缺乏客观性的问题,建立了基于模糊层次分析法(FAHP)的运行状态评价模型;考虑到异常状态值的淹没问题,提出了通过权重自适应调整对运行状态评价模型的改进,动态反映各个指标对电能表的影响。算例分析证明了FAHP可得到合理的评价权重系数,权重自适应调整算法避免了单个子指标异常越限的淹没,评价结果更加准确、合理。     

基于主从博弈理论的社区微电网-配网能量交易模型研究

随着全球环境污染问题及化石能源短缺问题日趋突出,分布式光伏大量接入配电侧导致微电网环境下的能量管理愈发困难.为实现微电网能源高效消纳及资源合理配置,提出了一种基于主从博弈的能量交易优化模型.针对光伏产消型社区微电网建立一种新型区域电力市场模型,并根据电网分时电价模型及内部交易电价模型提出市场交易模式选择方案.提出基于数据驱动的产消者负荷模型,并搭建用户经济模型.基于主从博弈理论提出售电用户(主导方)与购电用户(随从方)的博弈模型,并结合微分进化算法提出该模型的求解流程.算例验证了该优化模型对于提升社区收益、促进能量消纳的有效性.     

考虑用户需求的配电网规划对象选优分析方法

针对目前配网规划中过于追求电网侧可靠性指标,但用户需求考虑、投资优先次序难以量化等问题,本文提出一种考虑用户需求的配电网规划对象选优分析方法。首先,从供电可靠性水平、用户需求和电网经济因素三个层面建立了一套配电网规划综合评价指标体系,在可靠性方面关注与期望水平的差距,用户需求方面关注用电体验,电网经济因素方面关注停电缺供电量;其次,通过改进型“拉开档次”法计算各配网综合评价值,并据此排序,在年度总投资一定时,以方案总体综合评价值最大为目标函数来实现配电网对象选优,以有效安排多个配网规划的优先顺序;最后,以韶关地区配网为例,验证了本文提出的配电网规划对象选优分析方法具有实际应用价值。     

基于小波阈值去噪的直流充电桩电能计量算法研究

针对直流充电桩输出电压、电流中包含纹波导致直流电能计量准确性降低的问题,在研究直流电能计量算法基础上,分析纹波如何影响直流电能计量精度,并给出采用经典滤波法后的仿真结果,说明了经典滤波方法的有效性。提出了一种基于小波阈值函数去噪方法的现代滤波算法,对直流充电桩充电实测数据进行去噪处理,同时将改进函数与传统的软、硬阈值小波去噪法分别进行仿真结果对比分析,得到了趋势相同的直流充电数据,验证了改进小波阈值去噪算法对提高直流充电桩计量精度效果最好。