基于变分模态分解和集成学习的光伏发电预测

针对光伏发电量数据的非平稳性造成的发电量预测性能问题,提出一种基于改进变分模态分解和集成学习的光伏发电量预测方法。采用改进变分模态分解方法分解光伏发电量数据获得发电量分量,通过集成学习方法构建发电量分量预测模型;将发电量分量预测值进行组合,获得最终发电量预测结果。实验结果表明,所提方法在公开数据集上对光伏发电量进行预测的均方误差、平均绝对误差、决定系数值分别为0.2232,0.3387,0.9797,与其他方法相比具有更高的预测准确率和更小的误差。

基于SF-Transformer的智能教育平台短期电力负荷预测研究

建设智能教育平台是推动教育智能化的一个重要过程,但智能教育平台依赖的人工智能模型在训练过程中会消耗大量电力,因此,开展短期电力负荷预测对建设智能教育平台具有重要意义.针对在考虑多个属性开展短期电力负荷预测时,由于部分属性与电力负荷数据的相关性不强并且Transformer无法捕捉电力负荷数据的时间相关性,而导致电力负荷预测不够准确的问题,基于SR(Székely and Rizzo)距离相关系数、融合时间定位编码和Transformer,提出了一种短期电力负荷预测模型SF-Transformer.SF-Transformer通过SR距离相关系数对影响电力负荷数据的属性进行筛选,选择与电力负荷数据之间SR距离相关系数较大的属性.SF-Transformer采用一种全局时间编码与局部位置编码相结合的融合时间定位编码,有助于模型全面获取电力负荷数据的时间定位信息.在数据集上开展了实验,实验结果表明SF-Transformer与其他模型相比,在两种时长上进行电力负荷预测具有更低的均方根误差和平均绝对误差.

新型电力系统中基于人工免疫和隐马尔可夫的网络安全态势评估

高级计量体系是新型电力系统建设的重要组成,然而高级量测系统依赖于网络信息基础设备,存在较大的安全问题.本文基于隐马尔可夫模型并结合人工免疫算法对高级量测系统的网络安全态势进行了评估.首先,采用计数器算法来获取电力网络中的安全观测数据;其次,通过隐马尔可夫模型描述网络安全状态的变化过程,并利用人工免疫算法计算不同状态之间的转移概率矩阵;接着,利用态势评估误差对状态转移矩阵进行修正;最后,通过计算得到不同时刻处于不同安全状态的概率,再结合风险损失向量最终得到安全态势评估值.实验表明,该方法具有较好的评估效果,能够较为准确地捕获到系统中存在的安全缺陷,从而保证高级量测系统的安全运行;准确地发现系统中的相关安全缺陷,从而保证新型电网环境安全、平稳和可靠地运转.