基于神经网络的自适应模糊励磁控制的研究

当今,把模糊系统和神经网络相结合成为一大热门和方向,在文献［１］中提出在工业窖炉温度控制系统中采用神经网络自适应模糊控制,取得良好效果．电力系统是一个严重非线性,时变性及多扰动的被控过程,近年来把模糊控制和神经网络应用于电力系统控制及其它领域也成为一...     

基于Java的Intranet/Web环境中分布式异构数据库互操作的研究

Web服务器与数据库的连接是研究和开发企业Intranet的核心课题 .分析了几种常用的Web服务器与数据库的连接方式 ,指出采用Jdbc结合RMI可很好地实现Web/Intranet中分布式异构数据库的访问及互操作 .     

基于改进DBSCAN-RNN的电力负荷建模及可调特征提取

针对面向能源消纳的电力负荷实时调控需求,以电热水器为例建立调控模型,提出一种改进DBSCANRNN算法的电力负荷可调特征提取与可调潜力挖掘方法。以改进DBSCAN聚类结果作为RNN输入获得一种深度学习新策略,基于改进DBSCAN-RNN进行电器群设定温度与天气温度、电器负荷功率的建模,考虑用户电器使用习惯,输出输入量对电器实际功率的影响因子以及电器可调功率与真实功率对应的状态方程参数。某市电热水器群实际数据结果表明所提方法可正确有效地获取海量电热水器群聚合负荷模型及其可调功率。     

采用 C 语言进行同步发电机运行特性测试

阐述了同步发电机运行特性微机测试的可行性，建立了空载特性，短路特性，零功率因数负载特性的数学模型，采用Ｃ语言进行数据处理并可以绘出特性曲线．     

基于差分进化的含分布式电源母线净负荷预测

随着低碳电力推进,大量风电等新能源将接入系统母线,以某省电网某母线接入的风电、小水电的不确定特性为基础,提出了一种基于差分进化粗糙集属性简约和最小二乘支持向量机结合的含分布式能源母线净负荷预测不确定分析方法。首先研究分析了接入某母线的风电、小水电出力特性,基于历史数据进行分布函数的拟合,然后采取服从风电、小水电出力分布的不同置信度阈值数据,将服从同一分布不同置信度阈值下风电、小水电出力随机数据作为负荷数据扰动,然后基于差分进化粗糙集属性简约和最小二乘支持向量机对母线净负荷进行预测不确定性分析。算例分析表明:提出的预测方法可用于风电、小水电接入的母线净负荷预测。     

基于判定树的电力市场中发电商竞标能力数据挖掘的新思路

提出通过信息熵构造判定树的数据挖掘算法对历史竞标样本进行分类的新思路。介绍了算法中如何处理高分枝属性、数值属性和缺失数据及剪枝等关键环节。一个考虑市场需求水平、机组报价水平、机组容量等多因素的算例说明了该算法的实现过程并得到机组的负荷率与这些因素一些潜在的规则性知识，从而得到不同特征机组在市场中的竞标能力。这些知识对支持发电商决策和电力中介机构PX和ISO安排最优交易计划等方面有重要现实意义。     

基于层次聚类和极限学习机的母线短期负荷预测

利用传统方法预测母线负荷时,通常选取离待测日相近的一段时间作为历史相似日进行模型训练,没有考虑其天气情况、星期类型、节假日等因素的影响,相似日与待测日特征相差较大。为解决以上问题,提出一种基于层次聚类（HC）和极限学习机（ELM）的母线负荷预测算法。首先使用层次聚类法将母线历史日负荷进行聚类,然后对层次聚类得出的聚类结果建立决策树,其次根据待测日的温度、湿度、星期和节假日类型等日属性在决策树中匹配出训练极限学习机预测模型的历史日负荷,最后建立极限学习机预测模型,对待测日母线日负荷进行预测。对两条不同母线的负荷进行了预测,与传统单一的极限学习机相比,所提算法的平均绝对百分比误差（MAPE）分别降低了1.4和0.8个百分点。实验结果表明,所提算法预测母线负荷具有更高的预测精度和稳定性。     

基于二进制可辩识矩阵变换的离散化算法

在用粗糙集理论处理决策表进行约简时,要求决策表中的各值用离散值表达,即离散化.求最小数目的断点集是一个NP-hard问题,解决这类问题的一般方法是采用启发式算法求出最优或次优解,给出了离散化中的二进制可辩识矩阵的定义,并提出了基于二进制可辩识矩阵变换的离散化算法,实例证明,该算法是有效的和高效的.     

基于云模型的电网统计数据质量评估方法研究

针对电网统计数据的质量评估问题,提出一种基于云模型的质量评估方法。利用云模型对评语进行软划分,借助逆向云发生器将评估结果转化为云模型,并由此构造一个评价综合云。最后通过基于云模型的相似度算法计算评价综合云与各评价等级云的相似度,借以确定统计数据所隶属的评价等级。通过实例分析,验证了该方法的可行性与有效性,同时能够较好地避免常规方法在定性评价时的主观随意性缺陷。     

基于宽度优先搜索的K-medoids聚类算法

针对传统K-medoids聚类算法对初始值敏感、中心点随机选择以及聚类精度不够高等缺点,在粒计算有效初始化的基础上,提出中心点宽度优先搜索策略. 首先,利用粒计算初始化获取K个有效粒子,遴选该K个粒子所对应的K个中心点作为K个初始中心点;然后,根据对象间的相似性分别对K个粒子中的对象建立以中心点为根节点的相似对象二叉树,通过宽度优先搜索遍历二叉树迭代出最优中心点, 同时采用簇间距离和簇内距离优化准则函数. 实验结果表明,所提算法在UCI中Iris和Wine标准数据集中测试,在有效缩短迭代次数的同时保证了算法聚类准确率.