电力物资招标采购“中标条件“浅析

<中华人民共和国招标投标法>第四十一条对中标条件作了明文规定,人们通常简称为综合评价法和最低投标价法.电力物资招标工作的长期实践证明"综合评价法"和"最低投标价法"互相补充,各有优长、各有侧重,招标进程中应当联系实际,优先采用"最低投标价法",谨慎选择"综合评价法",以保障招标工作的圆满成功.而且,随着我国市场经济的发展和完善,执行"最低投标价法"乃大势所趋.     

基于偏最小二乘支持向量机的烟气湿法脱硫效率预测模型

为了能够更好地反映电厂湿法脱硫中的过程参数与脱硫效率之间的关系,本文利用偏最小二乘回归法(PLS)对影响烟气湿法脱硫效率的过程因素进行分析,提取出对湿法脱硫效率影响较大的因素作为主成分,将提取的主成分采用支持向量机(SVM)进行预测,降低了SVM的输入维数,建立了基于偏最小二乘支持向量机(PLS-SVM)的烟气湿法脱硫效率预测模型,并选取某机组石灰石-石膏湿法脱硫设施运行监控数据进行模型的训练和预测。预测分析结果显示,PLS-SVM的预测数据最大绝对误差小于0.65%,平均绝对误差在0.3%左右,说明该模型的预测效果较好,与SVM预测模型相比,提高了预测效率和精度。     

基于改进的PSO-SVM的短期电力负荷预测

提出一种基于PSO-SVM电力负荷短期预测方法,在SVM学习过程中引入粒子群算法。通过选取组合核函数来改进SVM算法,这样可以充分保证计算速度和较高的预测精度。利用吉林地区的历史负荷数据作为训练样本,通过与传统的SVM预测模型进行对比,对预测结果与实际数据进行比较,证明基于组合核函数预测方法在一定程度上能够保证短期负荷预测的精度。     

基于FCM聚类与SVM的电力系统短期负荷预测

分析了模糊C均值(FCM)聚类算法,介绍了支持向量机(SVM)回归的基本原理,提出了一种将FCM聚类算法和SVM结合使用的电力系统短期负荷预测方法。该方法考虑到电力负荷变化周期性的特点,通过对学习样本的聚类,选用同类特征数据作为模型的预测输入,然后对各个模型的输入数据进行归一化处理和分类识别,得出最后总的预测输出。此预测方法保证了数据特征的一致性以及算法的全局性,避免了算法陷入局部极小的缺陷。经过仿真实验,证明了该方法的有效性。     

应用支持向量机的变压器故障组合预测

对变压器油中溶解气体进行预测有助于及时预测变压器的故障。提出一个基于支持向量机(support vector machine,SVM)的变压器故障组合预测模型及其求解步骤。在预测过程中,首先利用多个单一预测方法如线性模型、指数模型、乘幂模型、非等间隔灰色GM(1,1)模型和非等间隔灰色Verhulst模型构成预测模型群,对原始油中溶解气体数据进行拟合。然后,将预测模型群的拟合结果作为支持向量机回归模型的输入进行2次预测,形成变权重的组合预测。该文对基于SVM的组合预测过程和参数计算进行了详细地探讨。通过2个实例证明了该文提出的组合预测模型能较好地平衡拟合和外推,在某种程度上解决了传统方法拟合优而外推差的问题。此外,通过与多种预测方法进行比较,基于支持向量机的变压器故障组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。     

基于相似日和分位数回归森林的光伏发电功率概率密度预测

为提高光伏发电功率预测精度及可靠性,提出一种基于相似日和分位数回归森林(QRF)的光伏发电功率概率密度预测模型。选取某光伏电站实测数据为研究对象,在将光伏发电功率原始数据按不同天气类型进行分类的基础上,通过温度和风速2个特征向量选取相似日,并对相似日历史数据建立BP神经网络(BPNN)、支持向量机(SVM)和QRF预测模型。结果表明:晴天时,不同模型预测值均能较好跟踪真实值变化趋势,在13:00—16:00光伏发电功率下降时间段,QRF模型更接近真实值;多云或阴天时,在9:00—12:00,3种模型预测误差均较大;雨天时,在14:00—16:00光伏发电功率突变时间段,BPNN模型预测误差最大,SVM预测值相对于QRF模型更接近真实值,而在10:00—12:00,SVM模型预测误差增大。对不同模型不同天气类型下的预测误差,QRF模型预测性能更佳。     

基于支持向量机的电力负荷组合预测模型

给出了一种基于支持向量机(SVM)的组合预测模型,利用各种方法的预测结果作为SVM的输入,实际负荷值作为SVM的输出,并采用LIBSVM算法和径向基核函数对SVM进行训练,训练后的SVM便具有预测能力。最后的仿真结果表明,基于SVM的组合预测模型的预测精度不仅高于任一单一模型,且高于固定权系数组合预测模型。     

基于RBM和SVM的风电机组叶片开裂故障预测

针对风电机组SCADA监测数据的非线性、高冗余等特点,提出一种基于受限玻尔兹曼机(Restricted BoltzmannMachine,RBM)和支持向量机(SupportVectorMachine,SVM)的风电机组叶片开裂故障预测方法。利用RBM优异的特征学习能力,将其作为特征提取器来获得风电机组SCADA数据中表达能力更强的数据特征。将RBM的输出作为SVM的输入,构建RBM+SVM组合预测模型。利用训练集、验证集进行预测模型构建和参数微调。为验证提出模型的有效性,将其预测结果与RBM+Logistic回归、SVM和Logistic回归的预测结果进行对比。实验表明,RBM+SVM的预测准确率为93.08%,与三组对比模型相比具有明显的优势。研究结果可为实际风电机组叶片开裂故障预测提供重要参考。     

基于PSO-Softattention双向LSTM算法的光伏发电量预测研究

为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了双向LSTM网络的反向传播过程,加入了Soft attention机制使模型收敛性更强,重新构造该模型为八层网络结构且采用两层卷积层,同时解析了PSO-Soft attention双向LSTM算法的光伏发电功率预测过程。实验结果表明,相较于SVM模型以及LSTM模型,所提预测模型的预测精度提升了2%左右。     

一种PLS回归的并网风电项目利润预测方法

为了减少风电项目的盲目建设,提高建设投资决策的经济性,提出一种基于偏最小二乘回归的风电项目利润总量预测方法。利用偏最小二乘回归算法中的指标标准化处理和提取偏最小二乘成分,解决了实际利润预测分析中在计算数据的指标之间具有多重相关性、可以搜集到的准确的相关样本数据较少的条件下拟合利润预测回归模型时存在的问题。提出影响风电项目年利润总量的九个指标,在某地若干风电项目的实例数据的基础上,计算了实例数据的膨胀因子并进行特异点分析,利用偏最小二乘法建立了利润预测模型,探讨了其与传统的回归预测方法的差异。算例分析结果表明,该方法在预测项目年利润时预测精度较高,是一种有效可行的预测方法。     

基于模型预测控制的三相?一相矩阵变换器偏磁控制

针对3相-1相矩阵变换器(3-1MC)中间侧无储能电容导致的弱抗扰性缺陷,提出一种适用于3-1MC带偏磁控制的模型预测控制(MPC)方法,利用模型预测控制提高3-1MC抗扰性。模型预测控制开关选择存在随机性,此随机开关状态会导致变压器直流偏磁饱和,在不改变硬件电路的前提下,在模型预测控制脉冲序列分配环节或品质函数中引入偏磁控制形成两种偏磁控制方案。搭建一台样机对方案进行验证,实验结果表明模型预测控制下3-1MC系统具有较强的抗扰能力,方案一改善了偏磁现象,方案二能有效解决3-1MC在模型预测控制下的偏磁问题。     

基于云支持向量机模型的短期风电功率预测

将云模型和支持向量机(SVM)相结合,提出一种适合短期风电功率预测的云支持向量机模型.该模型采用云变换方法提取风速序列的定性特征,并通过SVM建立风速特征与风电功率间的关系.对未来24h的风电功率预测结果显示,该模型在某个点上的预测值是一个有稳定倾向的离散值集合.采用逆向云算法求取集合的期望值作为确定性预测结果,并与SVM和自回归求和移动平均(ARIMA)模型的预测结果相比较,结果表明云支持向量机具有更高的预测精度,预测效果显著,因此,该模型可有效应用于短期风电功率预测.     

独立光伏发电系统的最大功率跟踪研究

针对常规的最大功率跟踪(MPPT)算法存在跟踪速度慢及误判等缺点,提出了一种基于支持向量机(SVM)的最大功率预测算法。该方法是用某一天的数据作为训练样本集,然后用SVM方法对样本集进行训练,并用训练好的模型对最大功率点进行预测。仿真结果表明:SVM能很好地预测最大功率点,为独立光伏发电系统的预测提供了一条可行途径。     

基于时间序列和支持向量机的变压器故障预测

电力变压器故障预测可实现对变压器故障的早期预警,对保证电力系统的正常运行具有重要意义。该文提出了一种基于时间序列和支持向量机(SVM)的变压器故障预测模型。该模型以时间序列分析中的自回归积分滑动平均模型(ARIMA)为基础,采用遗传算法(GA)对ARIMA模型参数p和q进行定阶,并利用定阶后的时间序列模型对变压器油中溶解气体进行预测,然后利用基于网格搜索算法(GS)优化后的SVM模型对预测出的油中溶解气体进行诊断。运行结果表明,该模型的预测准确率可达89.66%,而利用GM–SVM、ARIMA–SVM和GA–ARIMA–ANN得到的预测准确率分别为58.62%、79.31%、75.86%。因此,所提出模型有更高的预测准确率。     

基于SOFM和支持向量机回归的短期负荷预测方法

提出了一种基于自组织特征映射(SOFM)的聚类分析和支持向量机(SVM)的电力系统短期负荷预测方法。该方法首先利用自组织特征映射网络,通过无监督学习策略对训练样本集进行聚类分析,将其分为若干相似子类,再针对每一子类构造一个支持向量机回归模型;使用基于SVM的回归估计算法建立了回归估计函数表达式,给出了基于SOFM和SVM的网络结构;采用河北省某市的实际负荷数据选择样本进行预测。算例表明该方法能够缩短训练时间,提高预测精度。     

基于FWA-LSSVR智能算法的钢铁行业用电量预测研究

针对近年来宏观经济指标与钢铁行业用电量关联度下降的情况,提出了一种基于行业产品及原材料价格的用电量预测方法,并使用移动平均法和时差相关分析法进行数据消噪处理和价格影响滞后期测算,在此基础上,建立了烟花算法优化最小二乘支持向量回归机智能预测模型。利用该模型对某地区实际月度用电量进行预测,结果表明,与多元线性回归、BP神经网络等模型相比,所提出的方法具有更好的预测性能,更适用于钢铁行业用电量月度预测,可为准确预测钢铁行业用电量、合理把握电力需求波动及制定经济合理电力调配计划提供参考,为电源和电网的建设提供辅助决策支持。     

基于支持向量机的彩钢玻璃色差分离技术研究

为了将彩钢玻璃中有色差的玻璃样本分离出来,提出一种利用分光测色仪检测,并与支持向量机想结合分离色差样本的方法。首先利用分光测色仪获取出样本玻璃的各采样点的CIE色度值等光学数据,建立数据样本集,然后选取特征参数及训练集并建立 SVM模型,其次选取不同类型核函数及参数进行对比实验,使模型最优化,最后利用该模型对预测集进行处理,检测并分离出有色差的玻璃样本。实验结果表明该方法可以高效准确地检测出彩钢玻璃中有色差的样本。     

基于机器学习的自适应光伏超短期出力预测模型

由于当前国内对太阳辐射强度和云量信息的预报能力较低,气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题,基于历史出力数据自身特征的挖掘来提高预测精度,提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine,SVM)分类器,通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型,最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model,ARMA)和神经网络模型(artificial neural network mode,ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验,结果表明:所提的自适应预测模型在均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和希尔不等系数(Theil inequality coefficient,TIC)上性能最好。     

超级电容器的老化趋势分析

超级电容器的老化状态直接影响着储能系统的寿命。通过预测超级电容器性能参数的老化趋势,为系统的控制和管理提供预测性维护信息,将有利于提高系统的可靠性。首先在不同工况下对超级电容器进行了老化实验,并通过阻抗谱分析对其容值和等效串联电阻的变化趋势进行了分析。为了利用有限的实验数据预测超级电容器的老化趋势,提出一种基于支持向量机(SVM)的超级电容器老化预测方法,进一步采用粒子群算法(PSO)优化SVM预测模型的参数,从而完善超级电容器老化趋势的预测模型。结果表明预测值与实验值基本吻合,预测误差小于0.046,验证了基于PSO-SVM的超级电容器老化趋势预测方法的有效性。     

基于PSO-GA-SVM 的风电功率短期预测

风电功率精确预测是电力系统稳定运行的必要条件之一。文章以中国某一地区收集到的风速数据为基础,通过一定的分析方法建立了SVM风电功率预测模型,采用以粒子群为优化算法的PSO-GA混合算法来优化SVM预测模型。通过分析SVM、GA-SVM、PSO-GA-SVM三种模型的预测结果,并与实验数据相比较,仿真表明PSO-GASVM模型预测精度更高,PAO-GA混合算法优化效果更好。