基于LSTM神经网络的短期高压负荷电流预测方法

传统模型在短期高压负荷电流预测中难以同时解决负荷电流数据的非线性和时间相关性问题。针对此问题,提出一种基于长短期记忆(LSTM)循环神经网络的短期高压负荷电流回归预测方法SHCP-LSTM。该方法引入自循环权重,使细胞彼此循环连接,可以动态改变累积的时间尺度,使其具有长短期记忆功能;使用遗忘门来控制输入和输出,从而使得门控单元具有sigmoid非线性。实验结果验证了该方法的可行性和有效性,与线性逻辑回归算法LR和机器学习算法ANN神经网络、BPNN神经网络预测相比,SHCP-LSTM收敛速度更快,且精确度更高。

基于高速列车取流特性的牵引变电所负荷电流预测及应用

牵引变电所负荷电流过程对变压器容量设计、计费方式优化等具有重要意义。传统方法基于牵引供电计算仿真软件获得负荷过程,其计算过程十分复杂,而基于典型负荷曲线的替代方法也存在一定局限。提出基于列车的典型取流特性曲线并结合列车运行图,利用多列车电流叠加获得牵引变电所负荷电流过程的方法。分析影响列车取流特性的主要因素,提出采用加速满功率电流、恒速恒功率电流、加速持续时间、恒速持续时间来描述列车取流特性,基于实测数据,给出时速300km列车取流特性的典型参数。并基于该方法,阐述预测牵引变电所最大需量的应用案例。

基于动量因子的神经网络群电流负荷预测模型

通过建立改进的4层神经网络群,以历史负荷电流作为样本进行训练,实现对于未来负荷电流的预测。针对传统BP神经网络易收敛到局部极值的问题,引入了动态调整的动量因子。为增强对于随月份动态变化较剧烈的负荷的预测能力,提出了BP网络群结构。数据模拟结果说明该算法具有高精确性,可有效估算出下一阶段线路电流负荷变化趋势值,并且预测速度满足实际使用要求。该模型可以用于监测重点单位用电负荷变化情况,及早提示供电单位采取相应措施,促进智能电网建设。

基于Attention-LSTM的有载调容变压器运行方式优化研究

调容点和调容策略的制定决定了有载调容变压器的工作效率,但现行采用的升降容计时器控制方式仍存在很大弊端。提出了以序电流负荷为基础的有载调容变压器调容判据、引入注意力机制的长短期记忆网络的有载调容变压器运行方式优化方法,从调容点选择和运行方式规划两方面降低其在配电网中产生的损耗。通过对实际数据的分析,验证了文中所提出的方法的有效性,在实现有载调容变的节能降损和复杂环境下安全运行方面有明显提升。