基于条件风险价值的综合能源系统日前-日内两阶段调度模型

冷热电联供型综合能源微网(combined cooling heating and power micgrid,CCHP-MG)的普及和应用对提高能源利用效率和实现双碳目标具有重要的意义,但同时其资源聚合的复杂性和不确定性同样给其运行优化带来了挑战。基于此,构建了考虑风光出力不确定性的CCHP-MG日前-日内两阶段调度模型。在日前阶段,以运行成本最低为目标优化综合能源系统各设备运行策略,采用场景法处理风光出力的不确定性,并基于条件风险价值法对系统运行风险进行客观量化;在日内,风光预测值更加精确,以平抑联络线功率偏差为目标调整部分设备出力,在保证经济性的同时,尽可能的保证电网的安全稳定运行。最后,以某综合能源系统为例,验证了所构模型的有效性。

计及电动汽车及多类需求响应的电力用户能量管理鲁棒模型

近年来,分布式能源呈规模化并网运行,导致传统电力用户从单纯的电能消费者逐步演变为兼具电能生产与消费能力的产消者,并可在市场电价的引导下有序参与市场交易。然而,受自身容量的限制,产消者难以承受市场电价波动性、光伏出力随机性带来的风险。为此,提出了一种基于鲁棒优化的产消者能量管理模型,首先构建了含电动汽车以及多类需求响应资源的产消者能量管理模型;在此基础上,考虑电价波动性以及光伏出力的随机性,构建了计及电价、光伏不确定性的产消者能量管理鲁棒模型,分析了鲁棒系数对产消者整体效益以及能量管理策略的影响。最后,采用改进灰狼算法实现了模型的高效求解。

基于神经网络语言模型的动态层序Softmax训练算法

针对词向量训练过程中层序Softmax算法无法进行增量训练及海量数据训练低效的问题,提出了动态层序Softmax算法.通过对数据样本的增量加载,采用结点置换方法动态构建编码树,实现对样本的增量训练.为避免损失函数因样本量较少而呈现震荡式下降,利用梯度的一阶矩估计与二阶矩估计动态调整参数更新方向与学习率,通过梯度迭代缩小权值变化范围和收敛训练误差,提高词向量的训练效率.以维基百科中文语料作为数据进行了试验,完成了训练效率和质量的分析.结果表明:相较于现有方法动态层序Softmax算法显著提高了训练效率,当增量样本大小为10 kB^1 MB时,训练增速有近30倍的提升,有效地缩短训练周期.

基于PSO的小样本特征选择优化算法研究

针对神经网络进行小样本数据训练时出现文本表征精确度低及特征过拟合,易造成权值全局最优和局部最优的不平衡现象,提出一种基于粒子群的双向长短期记忆网络(Bi-PSO)算法,利用Bi-LSTM对序列数据中长短期距离依赖信息的能力,对文本特征矩阵进行最小残差化处理得到降维矩阵,并通过粒子群算法获取降维矩阵中特征向量的全局最优和局部最优权重,最终进行权重类间、类内距离的迭代计算获得最优特征子集.仿真实验表明:Bi-PSO算法在文本特征拟合精度上得到了提升,算法精确度比Bi-LSTM平均提高了2.225%,在处理样本数目为200~600小样本数据集时拟合效果良好.

SBS改性沥青混合料路面施工质量控制

SBS改性沥青在高等级公路、城市干道等的应用,显著提高了路面的使用性能,延长了路面使用寿命,收到了良好的社会与经济效益。它在国内高等级公路上得到了的广泛应用。本文根据大广高速公路息县段路面施工经验,就如何改善SBS改性沥青路面施工工艺及质量控制进行论述。

基于BP-LSTM混合网络的智能反窃电装置设计

针对传统的反窃电检测装置现场使用难度高、排查效果差,提出一种基于BP-LSTM混合网络的智能反窃电检测装置。首先采用BP-LSTM混合网络对评价指标与窃电状态之间的映射关系进行表征,构建混合网络模型;其次根据电磁寻迹检测法的原理设计反窃电检测装置,该装置由载波定向发射装置和电磁波接收装置组成;最后通过现场实际测试以及经济效益分析,验证了装置具有良好的使用性能,能够准确判断窃电用户,具有较高的实用性和经济性。

疫情影响下提升电力负荷组合预测算法的准确性研究

在新冠肺炎疫情影响下,电力系统的最大负荷下降、居民用电负荷增加、工商业负荷下降。传统的负荷预测算法尚不能很好适应当下电力负荷的波动性,也不能对电网调度进行有效指导。提出了一种基于双向长短期记忆(Bi-directional long short-term memory, Bi-LSTM)神经网络、粒子群优化算法(particle swarm optimization, PSO)和反向传播(back propagation, BP)神经网络算法的组合型预测模型。充分利用PSO-BP算法精确度高以及Bi-LSTM算法在处理时序序列数据的优势,并根据不同算法的预测结果,动态调整算法间的权值,使其准确性和动态性能都得到明显的改善。为了进一步考虑新冠肺炎疫情对整体社会经济发展产生较大的影响,同时考虑电力负荷需求所面临的负面影响,通过对历史数据的分析,在最终的预测结果加入惩罚项,使得预测结果能够更加准确地反应新形势下的负荷情况,为电力负荷的准确预测提供了一个新思路。