基于深度学习的电网短期负荷预测

针对微电网短期负荷预测精度不够的问题,论文提出了一种基于双向长短时记忆(bidirectional long short-term memory,Bi-LSTM)深度学习的负荷预测方法。将影响家庭和商业负荷分布形成的参数为输入变量,以微电网的家庭和商业总负荷分布为目标,利用输入变量对Bi-STM网络进行训练,通过识别微电网的消费模式,对微电网负荷进行时预测。利用相关系数(R)、均方误差(MSE)和均方根误差(RMSE)等性能评价指标对预测结果进行分析。结果表明,Bi-LSTM方法具有较高的相关系数。

基于CUDA的智能电网谐波的检测与监控

为了获得更快的处理响应和稳定性,并向用户提供有关电能质量(损耗、谐波、断电、稳态和瞬态事件)的信息,自主检测单元对于智能电网的发展是至关重要的。论文介绍了一种基于CUDA的新型智能电网谐波实时分析系统,图形处理器(Graphics Processing Unit,GPU)作为高性能并行计算机实现对电网的仿真、分析、可视化及优化控制。在此基础上设计了一种利用优化窗插值快速傅里叶FFT算法,通过CUDA实现并行化计算,从而实现对电网谐波的检测。考虑到FFT算法在检测电网谐波时会由于周期截断产生一定的检测误差,论文提出了一种基于遗传算法的组合预选函数最为插值优化窗。最后通过仿真验证了论文的设计策略的正确性。