基于相似日和人工神经网络的风电功率短期预测研究

随着地球上的化石燃料的不断消耗,风能作为清洁、安全的能源正在改变着全球能源结构,由于自然风具有随机性、波动性和不可控制性,造成风电场在发电时,发电功率产生巨大的波动,为了提高风电功率预测精度,采用人工神经网络和相似日的方法,以云南某电场风电场发电功率的数据为例,建立模型对风电功率进行了短期预测,研究得出:该方法能够有效地对风电场功率进行预测;与传统BP神经网络相比而言,基于人工神经网络和相似日的方法具有很强的非线性学习的能力,对提高高精度风电场输出功率的预测很有帮助;基于人工神经网络和相似日的方法预测误差概率,误差概率分布符合正态分布,可以作为风电场发电功率误差的置信区间估计和预测的依据,研究为风电功率的预测提供了一定的借鉴意义。     

基于改进PSO优化LS-SVM参数的煤与瓦斯突出预测研究

为提高最小二乘支持向量机的预测精度,拓展其应用范围,采用改进后的粒子群优化算法对最小二乘支持向量机进行参数寻优,并应用于芦岭煤矿煤与瓦斯突出危险性类型预测。结果表明优化后的模型比神经网络预测的结果精度高,总体效果良好。     

一种基于耦合算法的矿井风流温度预测新方法

针对矿井风流温度预测工作的复杂性及各个影响因素的模糊的非线性关系,传统预测方法难以构建预测模型,导致预测精度低的特点,提出一种基于RBF神经网络的矿井风流温度预测方法;并利用粒子群算法对RBF神经网络参数进行寻优,利用煤矿历史数据对预测模型进行仿真研究。结果表明,提出的基于改进粒子群算法的RBF神经网络模型(MPSO-RBF)具有收敛速度快,预测精度高的特点,为矿井风流温度预测领域提供理论支撑。     

基于PSO-BP的胶结充填体强度预测研究

为快速、准确地确定胶结充填体强度,构建了基于PSO-BP的胶结充填体强度预测模型,并以养护7 d和28 d的胶结充填体强度试验数据进行了验证。结果表明：结合粒子群算法优化BP神经网络初始权值,从而大大提高了预测模型的准确性和可靠性,基于粒子群算法优化下的神经网络相对误差为0.77%,比BP神经网络预测的平均相对误差降低了3.42%,表现出良好的预测精度。     

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。     

粒子群算法在煤与瓦斯突出危险预测中的应用

煤与瓦斯突出危险是影响煤矿生产安全的一个重大问题,为了解决危险预测的问题,将反映煤与瓦斯突出的六个指标:垂深、倾角、巷道类型、煤层厚度、地质构造和作业方式作为输入层参数,使用BP神经网络与粒子群算法结合建立模型,导入数据到Matlab中进行模拟仿真,将预测结果与实际情况相对比。结果表明:粒子群算法结合神经网络对预测煤与瓦斯突出危险是有效的,相较于传统预测方法,其预测的速度、精度都有所提升,可以将该算法应用到突出危险预测当中。     

基于智能计算的铁矿石消费预测

为了提高铁矿石消费量的预测精度,采用一种基于智能计算的时间序列预测方法。该方法首先对粒子群算法进行改进,然后利用它的全局寻优能力优化RBF神经网络的关键参数,最后了建立铁矿石的消费预测模型。实验结果表明：与其他预测方法相比,该方法预测精度较高,为铁矿石消费预测提供了一种新途径。     

深度学习耦合粒子群优化SVM的瓦斯浓度预测

为改进工作面煤矿瓦斯涌出浓度的预测精度,基于深度学习网络、SVM和粒子群(PSO)优化算法的原理,建立1种深度学习网络与粒子群优化SVM神经网络耦合的混合算法模型,该算法首先基于深度学习理论学习样本数据较深层次的特征,提取出较少个用来表征原始数据的特征量变量,对特征变量建立PSO-SVM预测模型进行瓦斯涌出浓度预测,通过工作面现场采集的数据进行仿真实验,实验结果表明该方法使预测精度较对原始数据直接进行PSO-SVM预测得到较大的提升,同时实现了原始数据的降维,减少了算法的运行时间,提高了算法效率。     

概率积分法预计参数的智能优化选择方法研究

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料作为网络的学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP算法的计算结果进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

基于改进的QPSO-BP算法的锌矿价格行情预测

为了提高锌矿价格预测精度,采用改进的QPSO算法优化BP网络的权值与阈值,将通过优化搜索得到的粒子位置向量解码作为网络的权值与阈值,优化BP神经网络,对锌价格进行建模预测。在输入因子相同的条件下,以PSO-BP与QPSO-BP模型分别预测未来锌矿价格行情,以预测精度(MAPE)和泛化能力指标(ARV)评定两种模型的优劣。结果表明,改进的QPSO-BP模型的预测精度和泛化能力明显高于PSO-BP模型,更能适用于锌价格预测,对项目投资决策和风险评估有一定的参考价值。     

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。     

改进粒子群算法的输配电网分布式电源规划研究

研究基于改进粒子群算法的输配电网分布式电源规划方法,以期缩短输配电网网损、降低运行成本、保证电力系统稳定运行。以总投资与运行成本最小、分布式电源有功网损最低、电压稳定裕度为目标函数,结合分布式电源的容量、电压、电流约束条件,建立输配电网分布式电源规划模型;应用改进粒子群算法,通过初始化粒子群参数、例子迭代次数及速度设定、粒子潮流和网损计算、粒子适应值分析等步骤,求解分布式电源规划模型,输出最优规划方案。实验结果表明,该方法可以实现输配电网的电源规划,规划后输配电网电压稳定,所产生的有功网损小,可降低输配电网的总体运营成本,更好地满足实际电力工作需求。     

基于PSO-BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体的容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO-BP模型,并对5个边坡的稳定性进行分析,预测的平均误差达到1.98%,预测效果较好。结果表明,PSO-BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

分布式电源配电网络系统故障诊断方法优化设计

针对分布式配电网故障诊断过程中因信号丢失导致的诊断准确率下降问题,以分布式电源配电网络故障定位拓扑结构为基础,采集不同时段不同区段故障发生后的配电网络节点信息,形成故障信息数据集群,并对其数据特性进行分析,提取故障特征量,最后,采用粒子群寻优算法对支持向量机模型参数进行参数寻优,在Matlab仿真平台构建了分布式配电网络故障诊断算法模型,其中对区域故障信号因子进行反馈校正,剔除非区域故障的冗余计算。仿真结果表明,该故障诊断策略提升了配电网络的故障诊断运算速度和准确率。     

太阳能光伏发电系统储能容量多目标优化技术

太阳能光伏发电储能效果,对保证发电稳定性具有重要意义,为此,提出了太阳能光伏发电系统储能容量多目标优化技术。分析太阳能光伏发电系统储能器件的储能特性,提出太阳能光伏发电系统能量管理策略;通过构建目标函数,以负荷需求能量为约束条件,建立太阳能光伏发电系统储能容量优化模型,并对其进行求解获取最佳太阳能光伏发电系统储能容量优化结果。应用结果表明：该技术可有效增加太阳能光伏发电系统的储能容量,降低其负荷缺电率、能量浪费率以及入网波动率,提升系统供电可靠性与运行稳定性,经济性较好、应用价值较高。     

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。