基于前景理论的风-蓄联合系统中长期电量分解模型的研究

为解决风-蓄联合系统同时参与中长期市场与日前市场的组合交易问题,提出一种考虑发电商心理特征的方法,并给出基于前景理论的风-蓄联合系统中长期电量分解模型。该模型通过构建发电商收益的价值函数衡量发电商对收益偏差的感受,运用概率权重函数描述发电商对不同场景下中长期电量分配方案的偏好,建立以前景效用值最大化为目标的风-蓄联合系统中长期电量分解模型。算例分析验证了所建模型的合理性和有效性,为发电商制定合理可行的盈利目标,提升发电企业在电力市场环境下的盈利水平提供理论依据和参考。     

地区电网新能源消纳困难时段研究

文章主要研究了某实际电网新能源消纳困难时段。通过负荷特性分析,得出地区电网低谷负荷出现季节和典型日负荷特性,通过风电场、光伏电站出力特性分析,得出风电、光伏季节分布特性及日出力特性。在地区电网新能源消纳的困难时段分析基础之上,对困难时段负荷概率进行统计,得出困难时段的负荷取值,为新能源接纳能力分析提供重要的数据支撑。     

城市社区尺度降雨径流快速模拟——以福州市一排水小区为例

随着城市化进程的不断加快,我国城市正面临着越来越严峻的洪涝问题。本文在社区尺度上构建雨洪管理模型（SWMM）,使用遗传算法率定SWMM模型参数;在对研究区降雨分析的基础上,采用模糊识别法筛选出最具代表性的两种雨型;基于不同的降雨情景与SWMM模拟值组成的数据集,建立长短期记忆神经网络（LSTM）模型模拟研究区降雨径流关系,并使用不同工况评估了LSTM模型效果。结果表明,LSTM模型对降雨径流的模拟与SWMM模型基本吻合,而其对洪峰流量的拟合略有偏差。在较小降雨下,LSTM模型模拟洪峰流量较SWMM输出结果偏小;在较大降雨下,模拟结果偏大;在中等降雨时,模拟效果最好。此外,50个隐含层单元的拟合效果更好,但同时更多的隐含层单元对洪峰流量拟合效果更好。     

基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法

短期电力负荷的精准预测可以有效指导机组组合调度、经济调度与电力市场运营。针对输入数据特征量受限时负荷预测的低精度问题,提出一种基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法。通过建立融合局部特征预提取模块的LSTM（long short term memory）网络结构,并将其与XGBoost（eXtreme boosting system）预测模型并行结合,之后结合MAPE-RW（mean absolute percentage error-reciprocal weight）算法进行模型融合初始权重设置,对最佳权重进行搜索,构建最佳融合模型。通过运用电力负荷数据对所提方法进行预测实验,结果表明CNN-LSTM- XGBoost模型的MAPE（mean absolute percentage error）与RMSE（root mean square error）分别为0.377%与148.419 MW,相比于单一网络模型与融合模型结构实现了误差指标的显著降低,验证了基于多模型融合的CNN-LSTM-XGBoost短期电力负荷预测方法具有较快的模型训练速度、较高的预测准确度与较低的预测误差。     

基于长短期记忆网络的电网故障区域定位与故障传播路径推理

为了在发生故障后维持电力系统的安全稳定,有必要实现对故障区域的快速定位并确定故障冲击的传播路径,提出基于长短期记忆网络(LSTM)的故障区域定位和故障传播路径推理方法.首先,利用LSTM建立2个故障诊断模型分别实现在线检测故障时刻和确定故障区域;然后,通过计算故障点附近线路的端口供给能量确定故障冲击的传播路径;最后,以8机36节点电网为例进行算例验证,结果表明所提模型可在发生故障后短时间内检测到故障,给出故障区域和故障冲击传播的路径,且对噪声有较强的鲁棒性.     

Machine Learning Reduced Gene/Non-Coding RNA Features That Classify Schizophrenia Patients Accurately and Highlight Insightful Gene Clusters

RNA-seq has been a powerful method to detect the differentially expressed genes/long non-coding RNAs (lncRNAs) in schizophrenia (SCZ) patients; however, due to overfitting problems differentially expressed targets (DETs) cannot be used properly as biomarkers. This study used machine learning to reduce gene/non-coding RNA features. Dorsolateral prefrontal cortex (dlpfc) RNA-seq data from 254 individuals was obtained from the CommonMind consortium. The average predictive accuracy for SCZ patients was 67% based on coding genes, and 96% based on long non-coding RNAs (lncRNAs). Machine learning is a powerful algorithm to reduce functional biomarkers in SCZ patients. The lncRNAs capture the characteristics of SCZ tissue more accurately than mRNA as the former regulate every level of gene expression, not limited to mRNA levels.     

电网故障处置预案文本中的命名实体识别研究

电网故障处置预案是电网故障处置的重要参考,对电网故障处置预案文本中各类电力设备、名称编号等细粒度的关键实体信息进行抽取,是实现计算机学习理解预案内容并进一步支撑故障处置智能化的重要基础。文中提出一种基于深度学习的电网故障处置预案文本命名实体识别技术,首先采用字向量表征预案文本,然后将注意力机制以及双向长短期记忆网络相结合,有所侧重地提取实体词深层字符特征,最后采用条件随机场求解最优序列化的标注。算例表明:文中所提预案文本命名实体识别模型不依赖人工特征,能够自动高效地提取文本特征,准确识别预案文本中细粒度的实体词,满足预案文本中关键实体信息精确定位和识别的要求。