基于数据挖掘多层次细节分解的负荷序列聚类分析

提出了多层次细节分解的负荷聚类算法及其性能评估指标。该算法利用负荷序列间的差分序列均方差和欧氏距离形成交集优化判据;同时根据随机因素对负荷的敏感性加入对应参数要求来控制多层次细节分解聚类,对负荷曲线轮廓相似性细节程度聚类是提高预测精度的重要基础。笔者对所提出的聚类算法与一般欧氏距离聚类、Kohonen神经网络聚类算法进行了性能评估和比较,证明了该算法对季节性负荷具有高敏感性,对高温和气候因素与负荷之间的复杂相关性具有高识别能力,该聚类算法对提高负荷预测精度是有效的。

优化相空间近邻点与递归神经网络融合的短期负荷预测

根据在相空间重构拓扑近邻点的时间演化原理,提出了优化近邻点(optimal neighbor points, ONP)的短期负荷预测(Short-term load forecasting, STLF)法,它可克服伪近邻点在高嵌入维对局域动力学估计的不利影响,以提高预测精度。在此基础上,又提出ONP与递归性时延神经网络(Time Delay Neural Network, TDNN)模型融合的STLF法, 具有动态性能的TDNN是按优化近邻相点的演化轨迹构造,是属于对预测点跟踪的智能辩识动态行为模型。它能增强模型对系统动力学的联想性和泛化能力,使预测精度提高一倍以上。该文经两类不同负荷系统周、日预测仿真测试,证实所研究的预测模型能有效、稳定地提高预测精度,且有高的适应能力,为基于相空间理论预测法用于实际取得有效的进展。

电力系统经济负荷分配的量子粒子群算法

本文首次将量子粒子群算法用于电力系统经济负荷分配中。该算法是以粒子群中粒子的收敛特性为基础,依据量子物理理论提出的,改变了传统粒子群算法的搜索策略,可使粒子在整个可行解空间中搜索寻求全局最优解。同时该算法的进化方程中不需要速度向量,而且进化方程的形式更简单,参数较少且容易控制。对两个算例进行仿真测试,证实该算法可有效解决经济负荷分配问题;性能对比显示,该算法求得的解优于已有的改进粒子群算法及其它优化算法所求得的解。本文为量子粒子群算法用于经济负荷分配的实用化研究奠定了必要的理论基础。

基于改进化学反应优化算法的电动汽车与可再生能源多目标协同调度

为减小可再生能源出力波动对电网的影响以及加快电动汽车的普及速率,以最小化可再生能源的出力波动和最大化电动汽车用户收益为目标函数,计及电池储存电量约束、充放电功率约束和充放电次数约束等条件,建立了同时计及可入网电动汽车、风力发电和光伏发电系统的多目标协同调度模型。提出了基于虚拟理想分子的多目标改进化学反应优化算法(chemical reaction optimization algorithm,CROA),并用该算法对模型进行了求解,针对化学反应算法收敛速度慢、精度低的缺陷,在算法中融入了粒子群优化算法的更新模式。算例结果表明,通过合理安排电动汽车的充放电可以有效平抑可再生能源的出力波动和增加电动汽车用户的收益。通过比较验证了基于虚拟理想分子的多目标改进CROA具有较强的寻优能力。

基于量子粒子群优化算法的水电系统经济运行

首次将量子粒子群优化算法用于水电系统经济运行研究中。该算法是量子理论与粒子群算法的融合,在粒子编码过程中引入了量子的态矢量表达,并将量子比特的概率幅表示应用于粒子的编码,使得粒子可以表达为多个态的叠加;在粒子更新操作过程中,利用量子逻辑门实现了粒子的演化,具有比常规粒子群算法更好的目标优化性能。仿真结果证实该算法可有效解决水电机组经济运行问题。性能对比显示,该算法求得的解优于常规粒子群算法及其它优化算法所求得的解。

基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法

根据电力负荷序列的混沌特性,提出以相空间重构理论和优化递归神经网络结合的电力系统短期负荷预测方法,以相空间重构理论确定递归神经网络输入维数;训练样本集由对应预测相点的最近邻相点集构成,并按预测相点步进动态相轨迹生成;优化递归神经网络是以双重遗传算法来确定递归神经网络的隐层结构和权值,总体寻优性可抑制伪近邻点的影响,保证提高预测精度及其稳定性。对两类不同负荷系统日、周预测仿真测试,证实其比传统神经网络预测模型能有效地提高预测精度0.8%。因此,所研究的预测模型和方法在实际预测领域有较高的实用价值。

基于负荷内部特性和外部随机因素的短期负荷预测模型

根据电力系统负荷序列的混沌特性,提出将其划分为基本混沌负荷分量和外部随机因素负荷分量,依据不同的理论分别构造预测模型。前者通过混沌动力学机理和动态递归时延神经网络融合来构造模型;后者在依据日类型和气象特征进行数据挖掘聚类的基础上利用统计分析与智能识别融合来构造模型。大量的仿真计算证明了所提出的短期负荷预测模型能有效保证全年的预测精度及其稳定性,对夏季高温区和特殊类型日的预测精度有明显提高。

混沌理论和支持向量机结合的负荷预测模型

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;训练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性。对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度。

考虑需求响应综合影响因素的RBF-NN短期负荷预测模型

为提高计及需求响应的短期负荷预测精度,通过量化电价、用户响应程度以及温度等外界因素,构建了考虑需求响应综合影响因素的径向基函数神经网络（radial basis function-neural network,RBF-NN）短期负荷预测模型。结合峰谷分时电价（time-of-use price,TOU price）,根据消费者心理学原理描述了基于Logistic函数的用户模糊需求响应机理,用于有效辨识用户对峰谷电价的响应参数。利用半梯形隶属度函数消除用户响应模糊属性,将需求响应精确量化结果引入RBF-NN预测模型。通过实际算例,分析了该文构建模型在不同电价机制下的预测性能,证明了在RBF-NN模型中综合考虑电价、用户响应度等因素的重要性,为计及需求响应的短期负荷预测研究提供了一定的理论依据。

基于蚁群算法的容错RBF-NN诊断模型性能评估

文中构造了基于蚁群优化算法(ant colony optimization algorithm,ACOA)的容错径向基函数神经网络(radial basis function neural network,RBF-NN)故障诊断模型,它具有强逼近能力,采用ACOA优化NN可进一步改善泛化性能。该文又考虑了把故障信息受随机因素干扰而产生的变异故障样本加入NN的训练样本集中,以提高NN的容错性能。将该模型用于高压输电线系统和配电网故障诊断,并作容错性能的评估。由仿真测试表明,研究模型的容错性能要优于传统的BP-NN和GA-NN诊断模型。

优化动态递归小波神经网络短期负荷预测模型

提出了优化动态递归小波神经网络(dynamic recurrent wavelet neural network,DRWNN)短期负荷预测模型。与常规小波神经网络相比,DRWNN有两个关联层,关联层节点起存储网络内部状态的作用;模型构造过程中增强了网络的前馈与反馈联接,形成多层次的网络递归。采用分布估计算法和遗传算法相融合对DRWNN进行优化,融合实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服DRWNN陷入局部最小,提高DRWNN的泛化能力。对两类不同负荷系统日、周预测仿真测试,验证了模型能有效提高预测精度。

电气专业毕业设计多维多层次指导平台的构建

针对毕业设计面临的一系列新问题,探索性地构建多维多层次的复合式电气工程专业毕业设计指导平台,该平台包括设计专业基础知识子平台、设计专业知识多层次子平台、毕业设计多层次核心子平台、毕业设计动态反馈子平台等四维子平台,多维性旨在拓展毕业设计环节的外延(包括前续性外延和后续性外延),多层次旨在丰富毕业设计各维子平台的内涵。将该平台应用于电气工程专业学生的毕业设计指导中,取得了较为满意的效果。

GA-NN模型在输配电系统中诊断容错性能的评估

在基于神经网络NN模型的高压输电线系统故障诊断和配网故障定位的两个目标的研究中,用遗传算法进行NN结构优化、权重和结构双优化两种模式来研究诊断系统的容错性能.通过仿真测试,并与BP NN模型相比较,证明可克服NN陷入局部最小、加快收敛和输出解空间重构,使故障诊断的容错性能和故障定位性能相应提高17.34%和13.86%.

基于量子蚁群优化算法的梯级水电系统经济调度

将量子计算理论引入到蚁群优化算法中,形成量子蚁群优化算法(QACOA),用于梯级水电系统经济调度研究中,以系统在调度期内实发电能和储蓄电能最大为准则构造优化目标函数。QACOA融入了量子计算理论的叠加态和概率表达特性,以量子态为基本信息单元,将量子比特的概率幅用于蚂蚁位置的编码,利用量子旋转门实现蚁群位置的更新,达到了比常规蚁群优化算法更好的优化效果。运用QACOA对梯级水电系统经济调度进行仿真,结果表明QACOA使调度期内实发电能和储蓄电能得到了明显提高。

基于分布估计算法和遗传算法融合的神经网络故障诊断模型研究

本文构造了基于分布估计算法(Estimation of Distribution Algorithm,EDA)和遗传算法(GeneticAlgorithm,GA)融合的神经网络(Neural Network,NN)故障诊断模型。传统的GA看作是对生物进化"微观"层面上的模拟,则EDA是对生物进化"宏观"层面上的建模,是一种全新的进化模式。EDA与GA融合的实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服NN陷入局部最小,提高NN的泛化能力,使故障诊断的容错性能得到有效改善。将该模型用于高压输电线系统的故障诊断,并作容错性能的评估。由仿真测试表明,研究模型的容错性能要优于传统的BP-NN模型和单纯GA优化NN模型。因此,新诊断模型是有一定的理论和实用价值的。

基于EM-DRNN的风电功率预测模型

提出基于类电磁机制算法的对角递归神经网络的风电功率预测模型.对角递归神经网络属于动态递归神经网络,具有较好的动态性能;类电磁机制算法模拟电磁场中带电粒子间吸引与排斥机制,可进行全局优化,具有好的收敛性能.模型采用类电磁机制算法对对角递归神经网络进行优化,可避免使神经网络训练陷入局部最小点,提高模型的预测精度.仿真结果表明,模型可有效降低预测误差,获得满意的预测精度.

类电磁机制算法在水电站厂内经济运行中的应用研究

水电站厂内经济运行是电力系统的重要研究课题,能有效增加水电站的经济效益。本文将类电磁机制算法用于水电站厂内经济运行研究中。该算法模拟电磁场中带电粒子间的吸引与排斥机制,将搜索解类比为带电粒子,然后按一定的准则通过局部搜索、计算合力和移动粒子等环节使搜索粒子朝最优解移动。该算法具有全局优化能力强,编程实现简单,收敛性好等优点。与水电站厂内经济运行研究的多种已有方法进行仿真对比,结果证实该算法可有效解决水电站厂内经济运行问题,可将该算法推广应用到电力系统的其它问题研究中。

两种优化容错神经网络在输配电网诊断模型中性能的评估

为提高故障诊断系统的容错能力,提出了将故障信息受随机因素畸变的扩展故障样本集引入神经网络(neural network,NN)的容错训练,以提高NN的容错性能,通过基于蚁群优化算法(ant colony optimization algorithm,ACOA)和遗传算法(genetic algorithm,GA)构造2种优化NN,用于高压输电线系统和配电网故障诊断,并进行容错性能的评估．仿真测试表明,基于ACOA法诊断模型的容错性能都要优于广泛应用GA的诊断模型,分别提高5．91%和4．95%．ACOA优化NN不仅具有较好的泛化能力,且具有快的收敛速率．

“动态电力系统”课程的精细化管理

本文将精细化管理理论应用于我校电力系统及其自动化专业硕士研究生的学位课程《动态电力系统》的课程管理中,注重课程的精细化分析与规划、课程的精细化操作、课程的精细化控制和课程的精细化检查等环节,取得了显著的效果。

边缘海与开阔海中尺度涡生命周期演化规律对比分析:以南海和黑潮延伸体为例

本文利用1993—2020年AVISO(archiving validation and interpretation of satellite oceanographic)涡旋轨迹数据,对比分析了太平洋边缘海域--南海与开阔海域--黑潮延伸体区中尺度涡的空间分布特征以及生命周期演化规律的异同。结果表明,南海涡旋特性呈显著的季节性差异,冬夏两季气旋涡(CEs,cyclonic eddies)和反气旋涡(AEs,anticyclonic eddies)极性概率分布呈现相反的“条带状”,冬季CE强于AE,夏季相反;黑潮延伸体区则冬夏季均为CE强于AE,极性概率分布无明显的季节变化。在生命周期演化上,南海和黑潮延伸体区涡旋动能(EKE,eddy kinetic energy)演化曲线均呈现增长—稳定—衰减的特征,且具有不对称性。南海涡旋的增长期短于衰减期,黑潮延伸体区则为衰减期更短。南海夏季EKE曲线变化速率快于冬季,黑潮延伸体区冬季的衰减期变化速率是夏季的1.5倍。平均传播速度演化曲线显示南海气旋涡具有先向西北随后转而向西南传播的特征,纬向平均传播速度为3.3cm·s^(-1);黑潮延伸体区气旋涡呈现西南向传播,反气旋涡呈现西北向传播的特征,纬向平均速度为1.3cm·s^(-1),慢于南海涡旋。两个区域的涡旋传播速度和EKE在涡旋生命周期中的演化均存在显著的负相关。