短期负荷预测的支持向量机方法研究

提出了一种基于支持向量机(SVM)理论的电力系统短期负荷预测方法。该方法采用结构风险最小化原则(SRM),与采用经验风险最小化原则(ERM)的传统神经网络方法相比,具有更好的泛化性能和精度,减少了对经验的依赖。SVM算法以统计学习理论作为其理论基础,它的训练等价于解决一个二次规划问题。为了提高负荷预测精度,文中在训练数据集中采用了负荷数据和温度数据。通过和多层BP神经网络进行比较的试验,结果证明了其在短期负荷预测中的有效性。

基于矢功率谱-AIS的旋转机械故障识别方法研究

结合矢功率谱分析技术和人工免疫系统,提出一种新的机械故障模式识别方法,它以矢功率谱分析为特征提取工具,以aiNet网络为数据压缩工具,以支持向量机为分类器。该方法成功地应用到旋转机械故障诊断中,实验结果表明,该方法是可行和有效的。

特厚煤层大采高开采覆岩运动与矿压显现特征分析

为更深入了解特厚煤层大采高开采覆岩运动与矿压显现特征,采用数值模拟以及现场矿压监测方法,分析了大柳塔煤矿大采高开采覆岩移动、矿压显现以及支架工作阻力特征。结果表明:支架顶梁应力振幅可用于判断采场支架来压状态和覆岩破断剧烈程度;工作面推进50 m处基本顶小范围分层破坏;爆破预裂使基本顶形成不对称拱结构,拱结构破坏使基本顶岩层内水平应力减小,垂直应力升高,形成工作面初次来压,来压步距88 m;基本顶上部铰接结构使基本顶岩层内水平应力升高,垂直应力降低,下部悬臂结构破断导致第2次来压,来压步距25 m;铰接结构破坏使基本顶岩层内水平应力和垂直应力均升高导致第3次来压,来压步距20 m;基本顶拱结构和铰接结构失稳引起来压强烈,覆岩破断延伸至地表。

基于VMD-SE和优化支持向量机的光伏预测方法

针对光伏电站短期功率预测准确性的问题,提出了一种基于VMD-SE与改进的灰狼优化(Grey Wolf Optimization,GWO)算法优化支持向量机回归(Support Vector Regression,SVR)的组合预测方法。由于不同天气类型的光伏功率输出相差较大,因而利用相似日选取相同天气类型下的数据进行预测;考虑到光伏功率输出随机波动性较强,采用变分模态分解对原始光伏功率序列进行分解,以减少数据的非平稳性;为了克服支持向量回归参数盲目选取的弊端,利用改进的灰狼优化算法对其参数进行优化,以进一步提高数据的预测精度;最后,将分解后的子序列经样本熵重组后相加求和得到最终预测结果。算例结果表明,该组合预测方法整体上预测误差最小,有效提高了光伏输出功率预测的准确性,可以更好地保障电力系统的可靠运行。

灰色模型和最小二乘支持向量机在短期负荷组合预测中的应用

提出了结合数据预处理和灰色模型(GM)的最小二乘支持向量机(LS-SVM)短期负荷预测模型和算法.该模型在数据预处理的基础上,根据时刻T,通过缩小的样本集建立灰色模型,利用灰色模型的预测结果构建最小二乘支持向量机,最终,通过建立的最小二乘支持向量机对预测时刻进行预测.该算法不仅通过数据预处理策略提高了预测精度,而且避免了组合预测模型中权值选择问题.采用上述方法对河南电网负荷进行了预测分析,结果证明了该方法的有效性.

考虑电压支撑的新能源发电网的外网等值建模

提出了一种考虑电压支撑作用的外部电网等值建模方法.首先由电力系统综合分析程序(PSASP)的多重故障仿真计算外网所有边界节点的短路信息,得到电流源支路形式的外网等值模型,该模型忽略了内网运行,因而边界节点电压存在一定误差.在将该模型转化为基于戴维南支路的阻抗型外网模型后,提出了一种在边界节点的等值功率注入支路中进行以实际电网稳态电压为期望值的等值电势修正的方法,所获修正后的外网等值模型基于边界节点信息,能准确反映外部电网对内网的电压支撑作用.最后以宁夏局部新能源发电网为例,分别在长链型和环型两种内网结构下对外网建模,仿真验证了所提外网等值建模方法的正确性和有效性.

基于ESMD与SVM的电能质量混合扰动识别

针对实际电能质量扰动种类繁多、扰动信号差异不明显、存在多种混合扰动,导致识别电能质量非常困难的情况,提出一种基于极点对称经验模式分解方法(ESMD)和支持向量机(SVM)的电能质量混合扰动信号分类识别新方法。首先,对加入白噪声的混合扰动信号利用小波软阈值去噪处理;其次,利用ESMD将信号分解为不同信号分量,对每类扰动的不同信号分量分别提取样本熵和互样本熵特征值,所有分量特征值构成特征向量;最后利用SVM对扰动信号特征向量进行分类和混合扰动识别。研究表明,该方法对混合扰动识别正确率很高,是一个有效的方法。