风电的数字孪生模型使用与组合策略

为解决风电产电波动大、运维成本高、状态监测与故障诊断复杂、布局仿真计算效率低等问题,在风电数字孪生系统的框架下,总结并讨论基于人工智能技术的数据驱动模型与机理仿真模型的各自特点。具体分析2类建模方法在建模机理、数据需求、建模精度与计算效率、模型表现形式和典型模型算法等方面的优势与不足。进一步地,通过辨析二者关联,提出5种关于数据驱动模型与机理仿真模型的组合使用策略。最后,对风电预测、状态监测、故障诊断、优化控制和布局优化5项典型风电应用问题提出各自对应的模型组合使用方法,以综合提升风电数字孪生虚拟模型的精度及计算效率。该文的数字孪生模型使用与组合策略对与风机类似的装备有推广意义。

面向科技人才情报的多策略组合模型同名消歧方法

针对目前同名消歧方法只考虑单一策略且消歧外延过大的问题,通过工作单位这一具有高区分度的特征来缩小消歧外延,将同名消歧问题具体化到姓名相同、单位不同的科技人才歧义消解问题上,并利用科技人才的成果信息,组合了实体链接、成果时间窗、成果合著者和成果相似度四个消歧策略,提出了一种基于多策略组合模型的消歧方法。实验结果表明,该方法取得了较好的同名消歧效果。

大用户模糊优化购电组合策略的研究

随着用户侧电力市场的开放,大用户允许在现货市场、长期合约市场和自备电厂中选择购电。面对这种市场角色的转变,综合考虑现货市场和长期合约市场电价的相关性,采用多变量灰色模型(multi-variablegre ymodel,MGM)(1,n),对现货市场和长期合约市场电价进行长期综合预测;在预测电价的基础上,运用模糊优化的方法,按照用户给定的期望目标及容差,建立了线性隶属函数的均值–风险价值(valueatrisk,VaR)最优购电组合模型。算例表明:电价的综合预测体现了现货市场和长期合约市场的相关性,预测精度更高;购电组合的模糊优化模型保证了用户兼顾电价和风险,更能满足用户的期望。