精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL...精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据,利用随机森林算法提取影响负荷预测的关键特征量;然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练,并通过粗糙集理论修正预测结果。最后,通过算例进行仿真验证,结果表明,该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。展开更多
智能配电网(smart distribution network,SDN)是未来配电系统发展的重要方向,如何对其环境效益进行科学评估是SDN规划决策中面临的一项重要问题。为此,提出了一种针对SDN环境效益的综合评估模型。首先,通过深入分析SDN清洁性的形成机理...智能配电网(smart distribution network,SDN)是未来配电系统发展的重要方向,如何对其环境效益进行科学评估是SDN规划决策中面临的一项重要问题。为此,提出了一种针对SDN环境效益的综合评估模型。首先,通过深入分析SDN清洁性的形成机理,基于全生命周期理论,提炼并设计了涵盖能源消耗、污染排放、资源利用及生态协调等4方面在内的SDN环境效益评估指标体系,其中特别计及了SDN因促进电能替代及资源节约而间接产生的环境贡献。在此基础上,根据环境评价特点,进一步提出了均衡-主成分二阶段组合评价模型。其中,第1阶段运用多属性均衡分析对规划方案进行初筛,通过设计基于标准化相对距离模型的显著性判据,实现对方案之间支配关系的定量辨别;第2阶段通过构建主成分因子,在去除数据相关性影响的条件下,对方案环境效益的综合评价。算例应用表明,所提模型无需依赖评价者的主观经验,能够在最大降低总体计算工作量的前提下实现对SDN综合环境效益的高效客观评估。相关结果可为电网企业完善SDN建设规划和趋优运营提供有益参考。展开更多
文摘精准的电力负荷预测有利于保障电力系统的安全、经济运行。针对现行预测算法存在的预测准确度低、模型耗时长等问题,提出一种基于随机森林(random forest,RF)算法和粗糙集理论(rough set theory,RST)的改进型深度学习(deeplearning, DL)短期负荷预测模型(RF-DL-RST)。该模型首先基于历史数据,利用随机森林算法提取影响负荷预测的关键特征量;然后将关键特征量和历史负荷值作为深度神经网络的输入、输出项进行训练,并通过粗糙集理论修正预测结果。最后,通过算例进行仿真验证,结果表明,该模型的预测准确度比单一的深度学习模型及不进行预测修正的模型更高。
文摘智能配电网(smart distribution network,SDN)是未来配电系统发展的重要方向,如何对其环境效益进行科学评估是SDN规划决策中面临的一项重要问题。为此,提出了一种针对SDN环境效益的综合评估模型。首先,通过深入分析SDN清洁性的形成机理,基于全生命周期理论,提炼并设计了涵盖能源消耗、污染排放、资源利用及生态协调等4方面在内的SDN环境效益评估指标体系,其中特别计及了SDN因促进电能替代及资源节约而间接产生的环境贡献。在此基础上,根据环境评价特点,进一步提出了均衡-主成分二阶段组合评价模型。其中,第1阶段运用多属性均衡分析对规划方案进行初筛,通过设计基于标准化相对距离模型的显著性判据,实现对方案之间支配关系的定量辨别;第2阶段通过构建主成分因子,在去除数据相关性影响的条件下,对方案环境效益的综合评价。算例应用表明,所提模型无需依赖评价者的主观经验,能够在最大降低总体计算工作量的前提下实现对SDN综合环境效益的高效客观评估。相关结果可为电网企业完善SDN建设规划和趋优运营提供有益参考。