基于改进遗传算法的多类图元混合加工路径优化方法

为解决数控加工中复杂轨迹的排序规划问题,提出基于改进遗传算法的多类图元混合加工路径优化方法。针对不同轨迹段图形进行分类编码设计,将适用多类图元混合路径优化的第二类GTSP模型转化为TSP问题,同时在遗传进化过程中采用线性定标和自适应遗传算子等方式进行全局路径排序,最后通过封闭式与非封闭式轨迹段的起点计算与局部寻优求解最短路径。通过扩展应用开源GAlib库进行了测试,试验证明:算法快速收敛,有效解决多类图元混合路径优化问题,可提升数控机床加工效率。

基于深度学习的并行负荷预测方法

针对传统电力负荷预测算法存在模型训练速度慢、预测效果差等问题,提出基于深度学习的并行负荷预测方法。该方法基于MapReduce并行计算框架,结合深度信念网络模型,以历史负荷信息与天气信息为样本数据进行并行化训练,并通过训练模型预测负荷值。经实验验证,本文的预测方法预测的电力负荷值与实际值的平均均方根误差为2.86%,预测精度高于传统方法,且有效减少了训练与预测时间,能适应大规模电力数据的预测要求。

PSO-CSO算法在地区电网无功优化的应用

针对电力系统无功优化问题,建立以有功损耗最小为优化目标的数学模型,提出一种基于粒子群优化(particle swarm optimization,PSO)算法和纵横交叉优化(crisscross optimization,CSO)算法的混合智能算法(PSO-CSO)。该方法采用CSO算法横向交叉、纵向交叉的搜索方式,使算法具有很强的全局搜索能力;同时引入PSO算法中以个体最优值和全局最优值为引导的寻优机制,提高了算法的收敛速度。通过对IEEE57节点系统和地区电网模型进行仿真分析,并将优化结果与PSO和CSO等算法的优化结果进行比较,表明PSO-CSO算法在解决电力系统无功优化问题上具有更好的全局搜索能力和收敛能力。

智能电网中考虑温积效应的OSVR负荷预测

为了提高智能电网系统的负荷预测精度,基于支持向量回归(support vector regression,SVR)原理以及卡罗需库恩塔克(Karush-Kuhn-Tucker,KKT)条件,建立一种在线支持向量回归(online support vector regression,OSVR)预测模型。当数据库有新样本添加时,该模型利用递增算法及时调整参数,实时学习当前负荷曲线特征和气象变化状况,而无需结合旧样本重新训练模型;考虑到温积效应对电力负荷产生显著影响,基于Fisher信息(FI)原理,通过气温窗口数据计算当前气温的权值,并将气温加权积作为模型输入量;将温度影响的持续性引入建模过程,从而得到FI-OSVR负荷预测模型。实例仿真结果表明,FI-OSVR模型具有较高的预测精度,在智能电网负荷预测中具有优越的工程实用性。

计及分布式微源特性的自适应下垂与环流抑制

针对单元输出功率控制(UPC)和给料机流量控制(FFC)不同控制模式下,微电网分布式微源分布式发电(DG)之间的有功/无功功率均分控制特性进行了分析。受线路阻抗和本地负荷等的影响,分布式微源因机端输出电压产生误差,进而生成无功环流。针对这一问题,提出了一种基于无功闭环控制的分布式微源Q/V下垂特性自适应调节控制方法,根据下垂特性中电压给定参考值与逆变器输出电压的差值自动平移Q/V曲线,有效抑制了DG之间的无功环流。最后,通过搭建3台分布式微源构建的微电网动模实验平台,分别对线路阻抗和本地负荷参数对分布式微源无功均分控制特性影响进行了实验分析,并验证了所提出的无功环流抑制策略的有效性和可行性。

考虑小水电出力不确定性的小水电与大中型水电站群短期联合调度方法

小型电出力随机性明显,并且预测起来具有难度,在大范围的连接电网后,更是加大了电力系统调度的困难性和繁琐程度。所有我们要根据大规模水电小水电群处出力的不稳定性,遵循随机规模理念,运用情景分析法来创建出力情景集合,并通过模拟聚类以及聚类综合质量法来缩小情景等等工作,来得到预测情境下实际情景概率分布;另外,也要根据逐次逼近与相关收缩的水电站群降维搜索算法求解模型,这样便能够很大程度的加强大中型水电发电计划在小水电情景当中的适应性,并还能够加大电网期望调峰效益,提升水电计划的完善性。