基于改进经验模态分解和混合深度学习模型的风速预测

准确的风速预测对风电消纳和电力系统的稳定运行具有重要意义。提出将改进的自适应噪声完全集合经验模态分解(ICEEMDAN)方法和混合深度学习模型相结合以提高风速预测准确性。首先,采用ICEEMDAN分解方法提取复杂风速序列中不同频率特征;其次,针对不同频率特征构建时间卷积网络(TCN)-门控循环单元神经网络(GRU)模型,获取长期时序信息并对各特征序列进行预测;最后,加权集成每个特征序列的预测值作为最终结果。实验结果表明,所提ICEEMDAN-TCN-GRU模型较对比模型模型预测精度高、稳定性强。

基于二次采样和集成学习方法的变压器故障预测

提前预测预警变压器故障可帮助电网企业提前安排检修,保证电网运行安全。提出了一种基于二次采样和集成学习的变压器故障预测模型,以增加故障数据样本并提高模型预测精度。首先,引入合成少数类过采样(SMOTE-SMOTE)二次采样方法处理变压器运行状态初始数据,构建平衡数据集,然后以支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)等为基学习器对平衡后的变压器运行状态数据集进行预测,构建Stacking集成学习模型对变压器故障进行预测。综合对比不同采样方法、不同基学习器和元学习器下模型的预测效果,结果表明二次采样方法相较于单一采样方法可以有效提高模型的预测效果。

半开放式乘用车铁路运输路径优化问题研究

随着经济水平不断提高,乘用车消费需求快速增长。铁路运输距离长、批量大、可靠性高,逐渐成为乘用车的主要运输方式。但对乘用车铁路运输策略制定及路径选择经验匮乏,乘用车铁路运输仍存在路径长、成本高的问题。本文拟构建基于改进遗传算法的半开放式乘用车铁路运输路径优化模型,以缩短运输总路径,降低运输成本。基于半开放式运输规划策略,建立以运输路径最短为目标的路径优化模型,引入贪算法优化遗传算法初始解,随后采用自适应搜索策略和精英保留策略提升算法的搜索灵活性及效率,逼近全局最优解。算例分析表明,改进遗传算法的半开放式运输模型,极大地优化了初始解空间,有效缩短了运输路径,可为乘用车铁路运输路径优化提供参考。

双碳及能源安全背景下中国电煤月度需求组合预测

双碳发展背景下,准确及时的电煤需求预测有利于国家制定电煤供需计划及能源安全供给。现有研究对电煤月度需求预测的较少,且精度欠佳,难以保证电煤月度需求感知的及时性和准确性。提出由回归加权融合反向传播神经网络、门控循环单元网络和长短期记忆网络的组合预测模型预测我国电煤月度需求。首先采用格兰杰因果检验从月度经济及能源生产因素中筛选显著影响电煤需求的变量。然后构建单一及组合模型进行预测,其中,组合模型权重由回归计算得到。结果表明,相较单一模型,组合预测模型在电煤需求预测中性能更好。

泛在电力物联网发展与展望

泛在电力物联网是建设能源互联网的重要支撑,对促进国家能源结构变革、实现源网荷储的智能协调优化、提升用户用能体验至关重要。而当前泛在电力物联网刚刚起步,处于初步布局阶段,发展还不够成熟,相关研究较为零散。基于以上现状,分别从概念、体系架构、关键技术、应用场景以及商业模式等几个方面对泛在电力物联网展开全面综述。首先简要介绍其基本概念和体系架构,进而细致讨论其中涉及的信息技术,随后归纳泛在电力物联网的应用场景,并在此基础上分析商业模式,最后总结建设过程中的问题以及展望其今后的发展方向,以期为后续泛在电力物联网的深入研究提供有益的参考。