基于聚类算法和转换网络的光伏短期功率预测

精准的光伏功率预测对优化光伏电站的运行和管理以及提高光伏发电的效率具有重要的作用。本文提出了一种基于聚类算法和转换网络的光伏短期功率预测方法。该方法首先基于自编码器的无监督聚类算法对光伏短期功率数据进行了预处理,以降低光伏出力数据本身的不稳定性对功率预测的影响。之后,该方法使用具有自注意力机制和多头注意力机制的转换网络进行光伏短期功率的预测。转换网络由编码器和解码器组成。转换网络相比传统的循环神经网络(RNN)更善于挖掘时序之间的关系。注意力机制使得转换网络具有并行计算的能力,可以加快网络训练的速度。最后,在澳大利亚光伏功率与气象数据中心 (DKASC)的光伏数据集上验证了本文提出的光伏短期功率预测方法。实验结果表明,本文提出的方法具有令人满意的预测精度。     

基于特征选择和组合模型的短期电力负荷预测

提出基于特征选择和组合模型的短期电力负荷预测方法。首先将特征向量按特点分为2类,分别使用斯皮尔曼相关系数、最大相关最小冗余算法进行选择,依据贝叶斯信息量准则确定最优特征向量维度。然后使用3个不同的核函数建立单核递归支持向量回归模型并完成预测。最后构建神经网络,进行实验分析。仿真结果表明所提方法具有较高的预测精度与鲁棒性。     

基于极端梯度提升-长短期记忆神经网络组合模型的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种基于极端梯度提升和长短期记忆网络的组合预测方法。首先采用Spearman相关系数法对负荷与气象因素进行相关性分析,提取模型输入特征。然后分别建立XGBoost、LSTM预测网络,并采用遗传算法优化网络的参数。最后利用模拟退火算法对各网络的预测结果分配最优权重系数,通过加权组合得到最终的集成预测结果。实验结果表明,XGBoost和LSTM组合模型对短期电力负荷预测的平均绝对百分比误差为0.88%,与XGBoost模型、LSTM模型相比,误差分别降低了2.17%、1.99%,在负荷预测领域更具有优势。     

基于双重注意力机制和GRU网络的短期负荷预测模型

电力负荷预测对电力系统的部署、规划和运行影响重大,但目前各输入特征对电网负荷情况影响的程度不稳定,且递归神经网络捕获负荷数据的长期记忆能力差,导致预测精度下降。提出一种基于双重注意力机制和GRU网络的预测新模型,利用特征注意力机制自主分析历史信息与输入特征间的关联关系,提取重要特征,并通过时序注意力机制自主选取GRU网络中关键时间点的历史信息,提升较长时间段预测效果的稳定性。在3个公开数据集上的实验结果表明,该模型在预测精度指标上表现良好,对比SVR、KPCA-ELM、DBN、GRU、Attention-GRU、CNN-LSTM、Attention-CNN-GRU模型预测精度分别提高了2.47、1.14、1.93、1.37、1.04、0.74、0.41个百分点。     

多功能标准源直流电压测量不确定度评定

多功能标准源主要用于检校高精度数字多用表(直流电压表)的计量标准器。提出标准源法测量多功能标准源直流电压部分,给出测量原理图和测量装置的构成,并对其不确定度进行分析。     

基于数据存储的电力系统短期负荷优化策略设计

针对复杂大电力系统多类型机组的复杂动力特性、多变运行工况、繁多约束条件下的短期负荷优化问题,采用运行费用最小为原则建立数学模型,并设计了数据存储优化策略.在此基础上,研制由动力特性分析模块、数据计算预测模块和短期负荷优化模块组成的集成化软件系统ECORUN3.0.基于华北地区某电力系统的数据进行仿真计算,结果表明,采用数据存储优化策略明显地提高了经济效益,为实际优化调度提供了技术支持,并为下一步进行多目标优化打下了良好的基础.     

经济看台

日本中央银行今年2月份一个月内连续两次实施降息政策．决定把短期利率从0．25％降至0.15％．年贴现率从0．5％降至0．25％。这在日本是史无前例的．而且也是自1995年以来首次对年贴现率予以调整。从市场反映来看．由于美国经济衰退对市场的影响实在太大．因此日本此番行为也未能为疲弱的日本市场带来预期的利好反应。日本央行打破惯例连续调整利息,主要缘于日本经济近期遭受美国经济的急剧减速和日本股市暴跌的双重打击,经济复苏的步伐几近停滞。     

短期提高DMF产量的方法探讨

为提高精化公司赢利拳头产品——DMF的产量，公司早有部署，即建立气源车间保证DMF原料气的供应。但由于气源车间要正常运行尚需时日，在现有的条件下如何提高DMF的产量就成了目前亟需解决的问题。     

Vehicle actuation based short-term traffic flow prediction model for signalized intersections

Traffic flow prediction is an important component for real-time traffic-adaptive signal control in urban arterial networks. By exploring available detector and signal controller information from neighboring intersections, a dynamic data-driven flow prediction model was developed. The model consists of two prediction components based on the signal states (red or green) for each movement at an upstream intersection. The characteristics of each signal state were carefully examined and the corresponding travel time from the upstream intersection to the approach in question at the downstream intersection was predicted. With an online turning proportion estimation method, along with the predicted travel times, the anticipated vehicle arrivals can be forecasted at the downstream intersection. The model performance was tested at a set of two signalized intersections located in the city of Gainesville, Florida, USA, using the CORSIM microscopic simulation package. Analysis results show that the model agrees well with empirical arrival data measured at 10 s intervals within an acceptable range of 10%–20%, and show a normal distribution. It is reasonably believed that the model has potential applicability for use in truly proactive real-time traffic adaptive signal control systems.     

基于高分辨率层序地层学的河流—三角洲相储层沉积微相识别技术

针对喇嘛甸油田特高含水期水驱精细调整需求,采用了高分辨率层序地层学原理与层次界面分析原理的储层沉积界面划分方法,研究河流—三角洲沉积背景下的单期河道单元沉积界面识别、划分与对比方法.提出井点砂体沉积微相以测井相图版为识别标准,依据沉积模式基本规律及演化规律研究各类砂体的平面分布特征.大大提高了井间各类砂体的识别精度,形成了高分辨率层序地层学原理指导下的河流—三角洲相储层沉积微相识别技术,有效指导特高含水期水驱精细调整,确保该区块在特高含水期含水不升、产量不降的高效开发效果.