基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory,LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator,LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明:相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。

一种考虑低压侧直供潜力的输配电网规划方法研究

针对电网规划中输配电网协调性不足和资源利用率不高的问题,将直供负荷纳入电网规划中,以合理利用高电压等级变电站的容量,并充分利用变压器低压侧直供潜力来提高电网的供电能力。通过引入反馈变量,建立输电网与配电网连接处功率耦合关系,实现输电网规划模型和配电网规划模型的分布式求解,在优化配置模型求解过程中,由于目标函数比较复杂且为非线性函数,采用群体最优值交叉操作的量子粒子群算法(CRQPSO)对其进行求解,并建立粒子记忆集以加快模型收敛速度案例分析验证了所提方法的有效性。

基于改进遗传退火算法的输配电网协调规划方法

针对目前对输配电网协调性考虑不足的问题,考虑机组间负荷优化分配因素,引入耗量成本,构建了包含输配电网协调性指标的电网评价指标体系。结合电网经济性指标和可靠性指标,通过优化算法选出综合性能最优的输配电网规划方案。在解决遗传算法"早熟"、易陷于局部最优等问题的基础上,提出了一种优化算法并将其应用于考虑输配网协调性的电网规划问题中。仿真计算结果表明,所提出的方法是可行、高效的。