计及误差补偿的两阶段短期电力负荷预测方法

针对短期电力负荷预测中的不确定性和波动性问题,提出了一种计及误差补偿的两阶段短期电力负荷组合预测方法：第一阶段,采用变分模态分解将电力负荷数据分解为若干个简单模态,利用基于萤火虫扰动优化的麻雀搜索算法对双向长短时记忆神经网络的超参数进行寻优,建立负荷预测模型,得到初始负荷预测功率值;第二阶段,综合考虑误差序列以及外界影响因素,建立误差补偿模型,得到误差补偿值,将两个阶段的值相加即为最终的负荷预测结果。以两个地区小区的实际负荷数据进行算例仿真,与其他的组合预测方法相比,本研究提出的方法具有更高的预测精度,平均绝对百分比误差和均方根误差分别达到1.26%、16.20 kW,验证了所提方法的有效性。     

基于RF特征选择的BAS-SVM变压器DGA故障诊断技术研究

针对变压器故障诊断多特征量输入时产生的冗余信息以及支持向量机核函数与惩罚因子优化对分类器产生的影响的问题,建立一种基于随机森林（random forest,RF）的特征选择,结合天牛须搜索算法（beetle antennae search,BAS）优化支持向量机的变压器油中溶解气体分析（dissolved gas analysis,DGA）故障诊断方法。该方法选择常见的5种油中溶解气体生成22维待选特征向量,通过RF算法对待选特征集进行重要度排序并消除冗余信息,得到最终的10维输入量,最后利用BAS算法对SVM中的惩罚因子及核函数进行寻优改进,对输入特征量进行故障诊断。仿真结果表明：相比PSO-SVM和ABC-SVM,BAS-SVM故障诊断模型故障诊断准确率分别高出6.83%和10.1%,诊断用时减少3.64 s和1.62 s,验证了所用方法的有效性和可行性。