基于非负矩阵分解的相关向量机短期负荷预测模型

针对传统特征提取方法只能抽取样本的代数特征而无法顾及问题实际意义的缺点,提出一种基于非负矩阵分解的相关向量机短期负荷预测模型。通过非负矩阵分解算法对输入样本进行分解,得到非负的低维映射矩阵,将该低维矩阵输入相关向量机进行训练预测。由于此低维矩阵具有非负性质,因而该模型在消除冗余数据、降低维数的同时,保留了原始问题的实际意义。实验结果表明,所提出的方法能有效降低输入变量的维数,预测精度也得到了提高。     

220kV闵东智能变电站合并单元与常规变电站设备对比分析

发展智能电网已在世界范围内形成共识,智能变电站作为智能电网运行数据的采集源头和命令执行单元,是建设坚强智能电网的重要组成部分。随着智能设备的发展,智能变电站在国内开始大量新建和老站改造,随着智能变电站的规模化投产和大量新技术的应用,对电网工作人员提出更高要求,通过220kV闵东智能变电站,针对智能变电站核心元件合并单元的功能和作用进行分析,并与常规数字化变电站进行对比。     

基于层叠泛化策略的母线负荷预测模型

基于层叠泛化策略SG (stacked generalization)提出一种新的母线负荷预测方法.该方法包含两级学习层,第1层针对原始母线负荷样本空间,对一组支持向量机SVM (support vector machine)进行交互验证式训练,训练完成后得到新的特征空间,该特征空间由这些支持向量机的输出和对应的真实值组成;第2层对输出进行线性组合,将新特征空间中的输出序列作为观测,对应的输出权值作为状态,使用卡尔曼滤波对权值进行递推估计.实例仿真证明,采用所提方法模型的泛化能力得到改善,从而提高母线负荷的预测精度.