考虑剪切变形的轴心受压GFRP圆管临界荷载

为了考虑剪切变形对玻璃纤维增强复合材料（GFRP）构件屈曲荷载的影响,利用Engesser剪切变形理论,推导考虑剪切变形和初弯曲的临界荷载. 应用于GFRP圆管时,考虑材料各向异性特征对剪切系数及强度的影响. 对4根具有不同长细比的GFRP圆管试件进行轴压试验. 结果表明,GFRP圆管在截面强度估算时应综合考虑轴向纤维压缩破坏和环向基体拉伸破坏. 所推导的临界荷载计算式的结果和试验结果吻合良好.     

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。     

Machine-Learning based methods in short-term load forecasting

Short-term load forecasting is of great significance to the secure and efficient operation of power systems. However, loads can be affected by a variety of external impact factors and thus involve high levels of uncertainties. So it is a challenging task to achieve an accurate load forecast. This paper discusses three commonly-used machine-learning methods used for load forecasting, i.e., the support vector machine method, the random forest regression method, and the long short-term memory neural network method. The features and applications of these methods are analyzed and compared. By integrating the advantages of these methods, a fusion forecasting approach and a data preprocessing technique are proposed for improving the forecasting accuracy. A comparative study based on real load data is performed to verify that the proposed approach is capable of achieving a relatively higher forecasting accuracy.     

 基于混合模型的优化低频低压减载方法研究

文中以低频低压情况下保证电压稳定的前提下减载为研究内容,提出了一种基于混合模型的优化低频低压减载方法。该混合模型将遗传算法与人工神经网络相结合,在保证电压稳定的情况下选择合适的节点进行负荷切除。实验结果表明,该方法可以在低频低压情况下使负荷减载量达到最小。     

±800kV直流输电线路重冰区导、地线脱冰冲击敏感因素浅析.

结合±800 k V直流输电线路重冰区的实际工程数据,基于脱冰数值计算理论,通过数值方法模拟了六分裂导线在不同档数、档距、高差等复合因素影响下导线的脱冰动力响应过程,分析不同参数条件下导线和地线脱冰对悬垂绝缘子串和耐张绝缘串的冲击效应,得到最不利脱冰冲击效应的控制因素。研究表明:不同档距和高差组合下,档距和高差均最大时脱冰后的冲击效应最强;对于连续档,不同档脱冰时,对其相邻档导地线串的冲击效应最大;脱冰水平冲击效应主要受水平档距的影响,垂直冲击效应主要受高差的影响。     

基于非侵入式负荷监测的用户行为精细化分析

随着非侵入式电力负荷监测的发展,如何利用用户负荷用电细节信息,分析用户用电行为特征成为重要的研究方向。本文提出了基于非侵入式负荷监测的用户行为精细化分析方法,根据历史数据建立用户行为特性指标,提出基于因子分析与支持向量机的用户聚类方法。在此基础上,建立基于精细化负荷数据的用户需求响应潜力评估指标。算例结果表明,所研究内容可以准确分析用户行为,为电力公司施行需求侧管理提供科学指导。     

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。     

计及灵活性储备的含风电多微电网系统分布式协调调控策略

高比例风电的接入和需求响应技术的应用对分布式架构下的多微电网系统有功功率动态平衡提出了更高的要求,有必要充分利用灵活性资源对系统进行协调调控.提出一种新颖的灵活性电池储备模型对多微电网系统灵活性备用容量进行评估,定义虚拟灵活性电池储备模型对风电场备用与需求响应负荷备用进行评估,充分挖掘其调频的潜在能力.在此基础上,基于一致性算法求解该模型下各微电网的功率分配,提出计及灵活性储备的含风电多微电网系统分布式协调调控策略,实现分布式架构下灵活性资源的协调优化.通过华东某地区实际数据验证了所提策略的有效性.算例结果表明,协调优化源-荷灵活性储备资源在保障风电消纳的同时,实现了分布式架构下系统的动态功率平衡.     

负荷功率模型的最优特征选择研究

负荷功率呈现时空多样的变化特性,其影响因素众多,构建负荷功率模型的关键之一是确定模型的输入特征量。文中着重研究短期负荷功率模型的特征选择,旨在从历史负荷、气象、日期等众多特征中选出最优特征集。首先,采用最大信息系数、基于支持向量机的递归特征消除法和随机森林3种不同特征选择方法分别对输入特征集进行选择;然后,根据对比分析结果提出基于遗传算法的最优特征集搜索策略,选定XGBoost预测模型的误差指标作为适应性函数进行迭代优化搜索;最终,确定负荷功率模型的最优特征输入集。采用某地区220 kV变电站母线负荷数据进行算例分析,对比各方法所选特征集作为功率模型输入得到的负荷预测效果,验证了文中方法的有效性和准确性。     

基于三维特征向量的非侵入式电热负荷细分算法

非侵入式负荷监测分解（NILMD）技术是当前居民用能服务深化提升和电力供需互动的重要数据获取手段,然而当前工程上应用广泛的事件驱动型NILMD技术一直无法准确细化分解电热负荷。针对这一问题,文中提出了一种基于三维特征向量的典型电热负荷细化分解算法。首先,基于有功、无功功率和电流谐波等电气负荷特征采用事件检测方法提取电热事件,在有功功率的基础上,引入运行时长、频繁启停次数等非电气负荷特征共同构建三维特征向量电器模型。然后,采用序贯覆盖法设计典型电热负荷细化分解命题学习规则和细化分解算法。最后,基于实证实验数据进行分解验证,发现4种典型电热负荷的细化分解准确率超过85%。实验结果表明,文中所提典型电热负荷细化分解算法有效地提高了4种典型电热负荷分解的准确率。