基于天气影响的风电功率分类预测模型研究

改善风电功率预测精度是提高“源网荷”间有效互动的重要手段之一。针对不同天气变化情况对风电场输出功率的影响,建立了一种基于天气影响的风电功率分类预测模型。结合风电场输出功率与风速间的相关性检验结果以及理论关系,确定了预测模型输入数据的内容,通过不同影响因素以及风电功率序列的自相关检验结果选取了预测模型输入数据的时间窗口,并对输入数据进行融合处理。为简化天气过程分类时的计算,实现分类结果的可视化,采用深度学习自编码技术对输入数据进行降维处理,并采用改进的K-means聚类法进行了天气过程的聚类划分,根据聚类结果利用广义回归神经网络模型对风电场输出功率进行了分类预测。通过实际算例验证了本文方法的有效性。     

光伏能源高效利用研究

光伏发电大规模并网给电网的稳定运行带来巨大挑战,光伏发电系统功率输出具有非线性、间接波动性和不确定性等特点,在未来光伏发电一体化程度极高的电力系统中,不仅要在不出现电力短缺的情况下保持供需平衡,还要尽可能多地利用光伏能源,光伏功率预测和储能装置在电力系统运行中的应用就是必不可少的一环.提出了一种基于光伏功率预测来确定和...     

基于相似日原理和CPSO-Elman模型的光伏电站短期功率预测

为了提高光伏电站短期预测功率的精度,提出一种基于相似日原理和改进CPSO-Elman神经网络模型的光伏电站短期功率预测方法。将历史运行数据按照时长划分不同季节,采用欧式距离对天气类型进行处理并建立天气类型系数,通过灰色关联分析法和余弦相似度指标结合选取相似日。由于粒子群算法搜索速度慢且存在易早熟等缺陷,采用改进混沌粒子群（CPSO）来优化Elman神经网络的权值和阈值,对夏季不同天气类型条件下的短期功率分别预测。选用南疆某光伏电站2020年运行数据进行分析,结果表明:CPSO-Elman在非晴天条件下也具有较高的预测精度。     

增强型神经网络在基坑综合变形预测中的应用

为有效改善传统人工神经网络算法的缺陷,精确预测基坑变形,以实际工程为例,采用增强型人工神经网络（ANN）构建神经网络模型,并利用条件相同或相似的已建基坑工程的实测变形资料作为学习样本,实际变形观测值作为期望输出对神经网络进行训练。结果表明：该神经网络训练法的输出结果较为可靠,更接近于实际,是预测基坑变形的一种十分有效的方法,对其他基坑工程具有一定的借鉴价值。     

浅谈人工神经网络在选煤厂中的应用

简述了选煤数学模型的分类及建立的一般常识。概述了误差反传训练算法的人工神经网络操作过程,并用人工神经网络进行实验室跳汰分选过程的预测,两次预测与实测的产率误差分别为３８８％ 和３９６％ ;灰分误差分别为０５６％ 和２５５％ 。     

基于BP神经网络的微震多属性预测工作面煤厚判定方法

微震监测技术在国内外煤矿和非煤矿山中已经广泛使用,对预测岩爆、冲击地压、防治水害、深部采场稳定性及顶板冒落等突发灾害起到了重要作用。本文基于邯邢矿区九龙矿15249N工作面微震监测结果,提取其中10种微震属性数据,通过对微震属性的优化和误差分析,优选出矩震级、滑动位移、体变势、能量、静态应力降等5种震源参数,结合巷道揭露和钻孔约束方法进行BP人工神经网络方法计算,通过穷举式搜索（ES）算法和试凑递增法得最优属性顺序和隐含节点数,建立一种基于BP神经网络的微震多属性煤层厚度预测模型。对该预测模型进行误差分析和相似区域判定,结合实际地质条件验证得出该模型在工作面煤厚判定中具有良好的应用效果。     

用人工神经网络预测煤与瓦斯突出

设计了反向传播人工神经网络模型来预测煤与瓦斯突出.用“留一法”训练了神经网络模型,然后对几个实际样本进行了预测.预测结果表明：对其中两个样本的预测完全准确,另一个出现了偏差,均方误差、相对均方误差和拟和值的统计指标值分别为0.577 4,0.577 4%和1.866 0.     

矿产资源勘探新增储量预测研究

为对勘探新增的矿产资源储量进行定量地预测,运用系统工程的理论,分析了矿产资源勘查系统,提出了用人工神经网络预测矿产资源勘探新增储量,并识别出影响矿产资源勘探新增储量的因子。编写了基于matlab7人工神经网络工具箱的预测程序,完成了人工神经网络的构建、训练和测试,对广西铅锌矿未来5年新增储量进行了预测。     

基于GA-BP神经网络的淋水井筒风温预测模型

矿井进风井筒井底风温是井下风流热计算的重要节点。为准确预测淋水井筒风温，利用皮尔逊相关系数分析与遗传算法（GA）优化BP神经网络相结合的预测模型。借助皮尔逊相关系数分析筛选其中3个主要特征变量作为BP神经网络的输入变量，利用GA优化BP神经网络的权值和阈值，并与标准BP神经网络预测模型进行比较。研究结果表明，全部特征变量与特征变量筛选输入的标准BP神经网络预测模型的预测结果的平均绝对百分比误差分别为1.25%和2.33%,GA优化BP神经网络预测模型的预测结果的平均绝对百分比误差分别为0.97%和2.21%,GA-BP神经网络预测模型预测精度高于标准BP神经网络预测模型，基于特征变量筛选的预测模型既保持了较高的预测精度，又提高了预测效率。     

基于虚拟状态变量的卡尔曼滤波瓦斯涌出量预测

为了在煤矿瓦斯涌出量相关影响因素的作用发生改变时,还能够准确预测瓦斯涌出量,提出一种基于虚拟状态变量的卡尔曼滤波预测方法。将相关影响因素通过能够识别瓦斯涌出量模型的非线性网络进行映射,用所得到的输出向量作为虚拟状态变量,提出预测残差方差比检验方法,计算虚拟状态变量的最佳维数,确定能够反映当前瓦斯涌出量的最小样本个数的储量样本。采用基于储量样本计算得到具有最佳维数的虚拟状态变量,建立卡尔曼滤波瓦斯涌出量预测模型。结果表明：对于瓦斯涌出量相关因素作用发生变化的情形,采用固定的训练样本和网络结构建立的基于人工神经网络的预测方法,预测结果的平均误差为5.82%,最大误差为16.56%,采用动态调整的虚拟状态变量建立的卡尔曼滤波预测方法具有较好的跟踪能力和反应速度,预测性能明显改善,其平均误差为0.94%,最大误差为2.08%,表明所建议的方法是可行和有效的。     

考虑风电出力的电力系统短期负荷自动预测方法

利用目前方法预测电力系统短期负荷时,存在电力负荷预测误差大的问题,为此提出了考虑风电出力的电力系统短期负荷自动预测方法。由于风电出力具有不稳定性,所以该方法在预测负荷前先分析了风电出力特性,以此提升不同风电出力情况下的电力负荷预测效果。基于分析结果采集负荷数据,对相同时间下的负荷采集数据进行归类,以此为输入构建BP神经网络预测模型,利用预测模型对归类数据进行处理,最终利用该模型实现电力系统短期负荷的预测。实验结果表明,所提方法的短期负荷预测有效性强、预测精度高。     

基于改进花粉算法优化的神经网络负荷预测研究

为预测短期电力负荷,可采用神经网络方法预测,而神经网络复杂权重和阈值的参数调节为预测精度的提升增加了一定程度的困难。采用进化计算算法优化过后的神经网络拥有更为优良的结构,能够提高神经网络的预测精度,为了使求解神经网络结构的进化计算算法拥有更为优秀的搜索能力,可改进算法求解网络模型结构。对进化计算花粉算法的改进及改进效果进行了研究。     

新能源配电网故障修复时间分析与预测研究

风能、太阳能、潮汐能等新能源作为可再生能源,具有节能、环保的优势性,以其为应用发展的新能源电源并网运行,可缓解煤炭、石油等发电的高能耗、高污染问题,促使电网趋向绿色生态发展。为提高电力服务质量,及时告知停电用户故障修复及停电恢复时间,提出了MCNNs模型,将停电原因、电路编号和天气事件等离散数据及连续数据进行二进制编码,代入深度神经网络进行训练,采用正则化和非线性激活优化训练过程,从而提高故障修复及停电恢复时间预测准确率。在仿真阶段,将所提方法与VGG16、ResNet和多层感知器模型进行比较,故障修复时间的预测模型优于停电恢复时间的预测模型,停电恢复时间MAE为118.20 min,比故障修复时间MAE高约90 min。     

基于补偿新能源出力预测曲线偏差的储能控制模型

为了判断补偿新能源出力预测偏差分布情况,控制储能过程,进而优化新能源系统储能效果,设计基于补偿新能源出力预测曲线偏差的储能控制模型。构建风、光、水新能源互补分布式能源系统,基于其风、光、水新能源发电原理及能源互补模式,补偿新能源出力情况,因补偿后新能源出力存在随机性,利用预测箱采集补偿新能源出力历史信息,构建预测偏差分布概率模型,分析新能源出力预测偏差分布情况,根据递归估计协方差矩阵,解析新能源出力时间相关性,结合变分自编码器生成补偿新能源出力预测曲线偏差场景,在该场景内,采用集中、分散装置构成的储能装置方式,完成新能源系统的储能控制。实验结果证明,该模型能够精准获取不同天气状况下补偿新能源出力预测偏差分布情况,且储能控制性能优秀,可为新能源系统提供储能保障。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

平滑灰色法风电功率的预测研究

风能是一种清洁的可再生能源,由于风力发电的波动性、间歇性,能使大容量风力发电并网对电力系统可靠、经济运行产生消极影响。为保证电力系统运行的稳定性,合理制定调度计划,根据已有的4台风电机组的实测功率,提出对原始数据进行平滑化处理和基于灰色预测模型GM(1,1)的预测方法。即以风电机组第23 d前若干天的功率数据为原始数据,对4台风电机组分别进行未来24 h(第23 d)的功率进行预测,并按国家标准公式计算预测准确率。根据仿真结果确定最佳预测用原始数据,预测准确率达到国家标准,验证了该方法的有效性和可行性。     

基于LSTM+MIDAS深度学习模型的电力需求预测

为了准确预测不同用电设施的电力需求模式,设计了一种基于长短期记忆网络（LSTM）深度学习方法的自定义电力需求预测模型。利用混合数据抽样（MIDAS）方法对自回归分布滞后（ARDL）进行改进,提出了LSTM+MIDAS模型的电力需求预测方法。通过每天以5 min的频率收集住宅、市政厅、医院、工业等4类设施的用电数据,采用短期、长期、季节性预测3种方法进行了对比试验,通过测试验证了预测模型的误差率,分析了实际用电需求监测系统中电力模式的季节性波动规律,并预测各设施的用电需求。实验结果表明,利用所提出的LSTM+MIDAS模型进行电力需求预测的总体误差率均有所降低,并且可以有效检测电力需求波动性。