基于集成学习的新能源发电功率预测

针对现有新能源发电功率预测方法难以深入挖掘多维变量时序数据特征导致预测精度不佳的问题,提出一种基于集成学习的新能源发电功率预测方法。首先结合3种相关系数与Shapley值法筛选高相关度的相关变量;其次使用扩展因果卷积网络捕捉历史发电功率时序特征,并使用双向门控循环单元网络结合时间模式注意力提取过去和未来的相关变量特征;最后依照Stacking法对不同网络输出进行集成融合。实验表明,该方法在超短期内具有优秀的预测精度,预测结果均优于其他对比模型。

改进的遗传优化BP-NN在变电站故障区域中的研究

BP神经网络(Back Propagation Neural Network,BP-NN)具有良好的自学习能力以及自适应和泛化能力,但运算过程中容易陷入局部极小值,同时隐含层节点数的选择也影响着诊断的效果;文中根据经验公式缩小隐层节点数范围,在小范围里寻找最优的隐层节点数;根据遗传算法(Genetic Algorithm,GA)具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值,可以避免BP神经网络陷入局部极小的问题;但是,传统遗传算法也有自身的缺点,其在全局寻优的过程中,易陷入"早熟"的问题;为了解决传统遗传算法"早熟"现象,文中提出了一种协同进化的遗传算法,即使用3个种群同时进化的遗传算法,协同进化遗传算法不但可以避免传统遗传算法的"早熟"问题,而且可以加强局部搜索提高运行效率;将协同进化遗传算法应用到BP神经网络中,仿真结果表明,该方法可以准确有效地诊断出变电站故障元件,提高变电站故障诊断过程中的容错性及效果。

chirp-z重组算法及其在电力设备绝缘监测中的应用

在电力系统中,在线带电监测电力设备的绝缘性能,实现电网故障的预测和诊断是智能电网对电气设备绝缘性能自动化测量的重要要求;其中,通过谐波分析结算介质损耗,是测量绝缘性能的一种重要方法;为了提高谐波结算的实时性,文章采用了线性调频Z变换(Chirp-Z)及其双实序列在线重组算法,对介质损耗测量中电流电压的谐波计算进行了优化,很好地解决了测量中谐波和间谐波干扰难题,实现了高精度局部解谱,而耗时不到常规Chirp-Z算法的一半;该方法在涉及谐波计算的有限资源无线分布测量系统中获得了很好的应用。