集装箱式锂离子电池储能系统消防安全早期预警方法

为了降低集装箱式锂离子电池储能系统火灾发生概率,提出消防安全早期预警方法。分析锂离子电池储能系统的生热过程,确定温度、电压等因素与储能系统消防安全的影响关系。采集电压、电流、温度、声信号等电池储能系统工作数据,检测表面健康程序,根据工作数据与表面健康状态的变化规律,综合考虑影响因素,预测储能系统的运行走势,设置电池储能系统消防安全早期预警等级,完成电池储能系统消防安全的早期预警。通过性能测试实验得出结论:与传统预警方法相比,优化设计方法的误警率和漏警率降低了0.90%以上,不同预警等级下,该方法仅出现1个预警错误,而且不同表面破损位置下的预警准确率达到了99.7%,具备有效性和可靠性。

基于特征相关分析修正的GPSO-LSTM短期负荷预测

针对多因素互影响造成负荷预测精度低的问题,提出一种基于特征相关分析修正与全局粒子群优化(GPSO)的长短期记忆循环神经网络(LSTM)短期负荷预测新方法。该方法首先对负荷相关序列进行探索性数据分析(EDA)及预处理,找寻特征内在机理与相关联系并加以修正,保证输入特征的强相关性和完整性。针对传统前馈神经网络无法处理序列关联信息和普通循环神经网络无法记忆久远关键信息的缺陷,构建基于LSTM负荷预测模型进行深度学习。由于LSTM网络权值的随机初始化,使得目标函数在训练过程中易陷入局部最优,利用改进粒子群算法优化预测模型的网络权值,提升模型整体预测能力。与反向传播神经网络(BPNN)和递归神经网络(Elman)的基准模型相比,所提模型方法的预测精度提高显著。

基于LSSVR和LSTM的多模型优化集成负荷预测

针对负荷需求受多源因素影响和现有单模型预测方法精度较低的问题,提出了一种基于最小二乘支持向量回归(LSSVR)和长短期记忆循环神经网络(LSTM)的多模型优化集成负荷预测方法。首先探究负荷相关特征的特性并由互信息进行特征选择,获取最优特征集。在此基础上采用随机抽样(bootstrap)生成多个训练集,然后使用具有良好预测能力的LSSVR和LSTM模型对多个训练集分别进行预测。利用混沌粒子群优化算法(CPSO)进一步提高模型预测精度。最后,在决策阶段中使用偏最小二乘回归(PLSR)组合各个子模型的最优预测输出并提供最终预测结果。对真实电网数据进行了仿真,并与其它预测方法进行了比较。本文所提方法的应用范围广泛且预测精度提高显著。

基于最大互信息系数和小波分解的多模型集成短期负荷预测

为提高负荷预测精度,提出一种基于小波分解的多模型集成短期负荷预测方法。由最大互信息系数(MIC)选出与负荷相关性高的特征候选集;为获得平稳的负荷序列,将小波分解集成到多预测模型中;小波分解后的负荷序列由多种预测模型(最小二乘支持向量回归、长短期记忆循环神经网络和极限梯度提升树)进行训练,这些模型在同一小时内提供不同的预测;在集成过程中采用二次学习来组合各时段预测结果并得到最终输出。真实电网数据实验对比结果表明,该方法具有更高的泛化能力和预测精度。

基于HMM的电动出租汽车行驶状态预测改进模型研究

对电动出租汽车行驶状态预测是交通状况和负荷预测方面的重要研究内容。通过模拟电动出租汽车行驶状态,匹配电动出租汽车特殊的行驶特征,提出一种基于隐马尔可夫模型(HMM)的行驶状态预测改进模型。利用出租汽车GPS行驶数据,通过载客情况和停留识别算法进行行程划分。在求解电动出租汽车的行驶状态时,使用滑动窗口模型改进状态转移概率求解,通过Baum-Welch算法求解观察概率与初始概率分布。测试结果表明HMM能准确地对电动出租汽车行程的目的地与行驶里程进行预测。

区块链技术在电力交易中的运用研究

为有效保障电力交易安全与管理质量,应基于区块链技术的应有价值,将其运用到共享储能电力交易中,以此切实提高电力交易服务水平。文章以区块链技术及特点分析为切入点,探究区块链技术在共享储能电力交易中的应用价值及具体应用。