基于改进型蜻蜓算法的停电计划优化方法

基于带约束的多目标优化理论,建立了年度停电检修计划决策模型,针对传统群智能算法效率不足的问题,通过引入外部电力储备维护策略和和拥挤距离下的生态位共享机制,提出了改进型蜻蜓算法,提高了原有算法的全局最优性和分布均匀性,提高了年度停电计划的经济、可靠、平衡性。最后通过IEEE RTS-79模型,对比2种传统群智能算法进行了仿真分析。仿真结果表明,在电力调度的平衡和储备达到最优的前提条件下,采用本文提出的算法大大提高了求解效率,能有效满足实际电网停电计划的需要。

动态组合深度学习模型在短期负荷及光伏功率预测中的应用

人工智能的快速发展为预测问题提出了崭新的解决途径。文章在深入分析深度学习算法发展的基础上,建立了基于深度学习模型动态组合的短期负荷及光伏功率预测模型,在该模型中使用两种深度学习算法(长短记忆网络和深度置信网络)分别对输入数据进行训练,并使用线性模型对各个深度学习的训练结果进行动态结合,而后输出最终的预测结果。此外,文章使用广州的光伏功率数据与短期负荷数据对模拟结果的准确性进行验证。分析结果表明,文章所建立的预测模型具有良好的预测精度。

基于特征排序与深度学习的母线负荷预测方法

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求,母线负荷预测是解决这一问题的关键途径。文章提出了基于特征排序与深度学习的母线负荷预测模型。首先,针对各区域母线负荷差异性较大的现状,使用随机森林算法对预测目标影响较大因素进行排序,选择特征贡献度较高的特征属性;其次,在模型训练阶段选择了深度置信网络,学习并跟踪母线负荷变化趋势;最后,采用北京电网某条110 kV母线负荷进行实例验证。结果表明,文章所建立的预测模型具有良好的预测精度和稳定度。

基于多目标遗传算法的电网停电检修规划方法研究

近年来,随着电网中运行的电力设备数量逐渐增多,给制订停电检修计划的工作带来了挑战。为此基于帕累托最优化理论,建立了考虑电力系统可靠性、设备环境友好性和工程经济性的多目标优化模型。从实际电力设备运行情况出发,采用遗传算法对停电计划问题进行了分析。最后通过IEEJ EAST 10-machine-O/V总线系统模型进行了仿真实验,得到了三种最优停电计划,并且通过甘特图的形式自动生成停电计划表,以供运行人员决策。仿真结果表明所提出的方法能够在平衡经济性与环境友好性的基础上实现最优停电计划的制订。研究成果可为电力系统停电计划管理提供参考。