一种混合LSTM-SAM的居民电力负荷预测模型

针对目前居民电力负荷预测存在可预测性较差的问题,提出了一种混合LSTM-SAM的居民电力负荷预测模型。首先,使用两阶段特征提取方法来处理每个用户的数据,提高了输入数据特征提取的质量;然后,使用基于池化的数据组合方法,将来自互连用户的数据与来自目标用户的数据合并,增加了数据多样性和数据量,减少了数据和模型之间复杂度的相对差异,缓解过拟合问题;最后,将LSTM和SAM相结合,提出了一个具有两个输入通道的混合LSTM-SAM模型,提高了复杂输入下负荷预测的准确性。实验阶段,与ARIMA,SVR,ANN和LSTM进行比较,所提模型的总体性最优。实验结果证明了所提出的负荷预测方法的有效性及实用性,该模型可为居民电力负荷预测的发展提供一定借鉴作用。

基于人工智能算法的电力系统自动化负荷预测方法研究

人工智能算法是数据处理和预测的强大工具,能提高负荷预测的准确性和效率。电力系统的负荷预测是指预测特定时段内电网的电力需求量,这对于电网的稳定运行和优化管理至关重要。首先,介绍了人工智能算法在电力系统自动化负荷预测中的应用,通过数据获取和多方位负荷预测提高预测的准确性和效率;其次,展示了如何通过预测结果的分段截取来优化电力系统的控制;最后,对所提方法进行了实际测试,验证了其有效性和实用性。

基于最大流算法的电力负荷坏数据辨识系统

用电负荷坏数据会对电力供电产生很大的破坏性,为了提高对电力负荷坏数据的检测能力,设计基于最大流算法的电力负荷坏数据辨识系统。硬件主要包括采集器、处理器、信号识别器三部分,采集器在高压电池侧边需要放置微控制单元,处理器将波形数据转换为数字信息实现控制。信息识别器的连接结构为阅读芯片与单片机的输入端口互相连接,单片机的输出端口与通信状态显示屏相互连接,载波发生器与调制器相互连接。利用最大流算法建立拓扑模型,在电力系统网络流中,采用中心性指标完成对点到边、边到点、点到点、边到边之间的电力数据划分,利用最大流算法对坏数据完成辨识。实验结果表明,所设计系统可以确保电网受到攻击后剩余流量高于95%,辨识准确率高于90%。

基于WT-CNN-LSTM混合神经网络的电力系统负荷预测模型

随着电力在我国能源占比中的持续提升,电力预测在现代能源管理中具有不可替代的作用。由于电力结构的多元化以及影响因素的复杂化,传统的预测模型在电力负荷预测中存在局限性。本文结合小波变换(WT)与神经网络CNN-LSTM,将WT-CNN-LSTM混合神经网络应用于电力系统的负荷预测,并与传统机器学习模型、时间序列预测模型进行对比,结果表明WT-CNN-LSTM神经网络在电力负荷预测上具有更高的准确性,能够为电力系统运行和规划提供参考依据。

可解释机器学习在电网调控领域中的应用

数据驱动的机器学习是新一代人工智能的核心技术,尽管该技术已经在电网调控领域取得了显著成果,但是可解释性差,阻碍了其在对安全可靠性要求极高的电网调控领域的实际工程应用。因此,提升电网调控领域机器学习技术的可解释性对提高其实用性至关重要。首先,从电网调度运行人员的角度,分析了机器学习可解释性的定义、目标和意义;然后,提出考虑可解释性的机器学习在电网调控领域应用的流程,介绍了典型的机器学习解释技术及其在电力系统预测和稳定评估场景的应用,通过实际案例验证了该技术在电网调控领域应用的可行性;最后,对电网调控领域机器学习可解释技术面临的挑战进行了分析和展望。通过该研究,为解决电网调控领域机器学习应用的不可解释问题提供思路和参考,进一步促进机器学习技术在该领域的实际工程应用。

基于大数据的电力调度决策支持系统研究

电力系统的复杂性和不确定性增加导致传统的电力调度方式难以满足现代电力系统的需求。因此,文章探讨基于大数据的电力调度决策支持系统和大数据技术在电力调度中的应用。该平台融合人工智能技术和改进方案增强电能分配的系统性、精确度与自动化程度,实现对电力负荷预测、发电计划优化、故障诊断与恢复等关键环节的支持。实证研究揭示基于海量数据分析的电力监控决策辅助系统,可以有效增强电力传输网的操作效能和稳定性。

新型电力AMI系统中基于Neural Prophet模型的电力负荷预测与修补研究

针对新型电力系统高级量测体系(AMI)系统中电力负荷异常值与空值的修补问题,提出一种基于Neural Prophet模型的电力负荷预测方法,用预测值修补AMI系统中出现的负荷异常值与空值。通过Neural Prophet模型的趋势模块、季节性模块、自回归模块3个模块组合进行电力负荷精准预测,可解决AMI系统的负荷数据修补问题。在电力负荷数据集上进行实验,结果表明所提方法与负荷预测经典算法相比具有较优的准确性且具有参数可解释的优势。所提方法可对AMI系统中有问题的电力负荷异常数据进行有效修改,对缺失的电力负荷数据进行填补。

考虑数据中心负载灵活性的电力系统运行可靠性评估方法

大数据时代数据中心的规模逐年攀升,并且具有高能耗、高弹性和互联互通的负载灵活性。然而当前电力系统运行可靠性评估研究忽略了数据中心的负载灵活性,导致评估结果不准确,且无法反映数据中心的能效状态。为此,首先基于数据中心之间的互联互通和算力负载异地转移特性,提出了数据中心负载灵活性模型。其次,建立了包含数据中心能效与运行可靠性贡献等指标的电力系统运行可靠性评估指标体系。并进一步考虑电负荷、数据中心算力负载和风光等随机性因素,建立了考虑数据中心负载灵活性的电力系统运行可靠性评估模型,提出对应评估方法。最后,通过IEEE RTS算例和实际电网算例进行仿真,结果表明数据中心的负载灵活性不仅有助于可再生能源消纳和电力系统安全可靠运行,还有助于数据中心节能降耗。

基于特征模型的互联电力系统数据驱动负荷频率控制

在互联电力系统中存在未建模动态和非线性特性,这些因素都会对频率控制器的设计带来困难。针对上述问题,基于特征模型理论提出了一种数据驱动的负荷频率控制方案。首先,使用二阶特征模型来描述互联电力系统,将系统的非线性动态压缩到时变特征参数中,既不丢失模型信息,又可以降低模型复杂程度。其次,设计投影算法对特征参数进行在线估计,并且通过定义滑模面和滑模趋近率来设计控制算法,使用李雅普诺夫理论证明了闭环电力系统的稳定性。最后分别在三区域和四区域互联电力系统中进行仿真分析,仿真数据验证了特征建模的有效性,表明提出的方案能够较好完成频率控制任务。

数据驱动的负荷频率系统自整定控制器设计

在互联电力系统负荷频率控制系统中,存在建模不精确和工况大规模变化等一系列不确定性问题,使得固定参数的PI控制器难以取得预期的频率控制效果。针对以上问题设计了一种数据驱动参数自整定控制器,基于迭代反馈整定算法使PI控制器的控制性能达到最优状态,可维持电力系统的频率稳定。首先,基于I/O数据提出负荷频率控制系统的性能函数;然后,在闭环系统上进行两次实验并采集I/O数据;最后,通过迭代参数更新算法进行PI参数迭代寻优的过程。三区域互联系统仿真结果表明提出的数据驱动的PI参数自整定控制器具有良好的跟踪性能。

基于数据挖掘方法的新型电力系统中可中断负荷合同模型研究

针对新型电力系统中可中断负荷合同模型制定问题,首先基于数据挖掘理论进行用户行为特征分析,并在此基础上进行负荷响应能力分析;然后考虑负荷响应能力,从用户分类参数、电力公司成本、最大中断负荷限制3个方面改进了基于委托-代理理论的传统可中断负荷合同模型;最后结合实际数据进行算例分析,结果验证了考虑负荷响应能力的可中断负荷合同模型的有效性,有利于增强电力系统运行可靠性。

基于深度数据挖掘的电力系统短期负荷预测

针对现有电力系统短期负荷预测中存在的预测效果不佳的问题,提出基于深度数据挖掘的电力系统短期负荷预测算法。将归一化处理的历史电力系统负荷数据、模糊处理的温度数据、天气状况、降水概率等数据作为预测模型的输入量,构建基于模糊GBDT(Gradient Boosting Decision Tree)的电力系统短期负荷预测模型,并引入Boosting算法,以解决预测模型中存在的训练速度缓慢和内存占用大等问题;在此基础上,设计基于模糊Boosting-GBDT的电力系统短期负荷预测模型,实现电力系统短期负荷预测。实验结果表明,所提预测方法在工作日和休息日不同时刻的电力系统短期负荷预测结果与实际负荷较接近;未来一周电力系统短期负荷预测MAPE和RMSPE值均低于0.2%。

数据中心多电源系统的接地及实施

数据中心多电源系统的接地及实施一般是根据用电负荷、供电系统接地方式的选择来确定的,在数据中心多电源系统的接地及实施过程中还存在着很多的具体问题,包括电源转换开关的级数选择、等电位联结接地导体的选择等,这些都是数据中心在建设过程中必须重视的问题。从数据中心多电源系统的接地设计和具体实施方法着手,比较全面地阐释了相关问题,为数据中心多电源系统的接地及实施提供了一定的参考。

基于大数据简约及PCA改进RBF网络的短期电力负荷预测

针对电力负荷大数据化越发突出,引入最小绝对值收敛及选择(Lasso)算法解决电力负荷大数据难题,对电力负荷及相关天气因素大数据进行高维数据特征提取,获得有用数据集。为避免输入空间严重自相关及网络维数较高,造成径向基函数(RBF)神经网络预测精度严重下降的不良影响,提出基于主元分析(PCA)改进的RBF神经网络电力负荷预测模型,消除多气象因素相关性,剔除冗余,提取天气因素特征量,将新天气特征量与历史负荷数据共同作为RBF网络的建模对象,既全面表征天气因素对电力负荷的影响,又简化预测模型,加快预测速率。经美国南部某地区实际电力负荷数据的预测分析,充分证明该方法的有效性及可靠性。

用CPLD实现多通道数据采集系统的A/D转换器控制电路设计

提出一种新的基于复杂可编程逻辑器件CPLD的高速A/D转换器的控制系统。该控制系统充分利用CPLD功能,采用VHDL语言及图形化编程方式,有效地实现了对A/D控制器、多路采样保持器以及前端多片多路复用开关的协调控制,可以有效地控制多达36通道数据的A/D转换,能够大幅度减轻CPU的工作负担,提高执行效率,简化软件编程,实现了硬件上的模块化控制。本文提出的基于CPLD的高速A/D转换器的控制系统已成功地应用于电力系统综合负荷特性数据的实时采集。

一种基于Spark和聚类分析的辨识电力系统不良数据新方法

随着电力系统智能化建设的不断深入和推进,电力系统数据呈现海量化、高维化的趋势。针对电力系统中的不良数据将导致电力系统状态估计结果的准确性降低,而传统聚类算法处理海量高维数据时单机计算资源不足,近年来较流行的Map Reduce框架不能有效处理频繁迭代计算等问题,提出一种基于Spark的并行K-means算法辨识不良数据的新方法。以某一节点电力负荷数据为研究对象,运用基于Spark的并行K-means聚类算法提取出日负荷特征曲线,分别对输电网状态估计中的不良数据进行检测和辨识。选用EUNITE提供的真实电力负荷数据进行实验,结果表明此方法能有效提高状态估计结果的准确性,与基于Map Reduce框架的方法相比,具有更好的加速比、扩展性,能更好地处理电力系统的海量数据。

炉膛辐射能信号和热量信号的信息融合方法

由于火电单元机组负荷控制对象具有大延迟、大时间常数的特性,常规反馈控制量很难兼顾系统的快速性和准确性,为此设计了一种频域内的信息融合方法。该文首先对辐射能信号和热量信号进行了频谱分析,然后将它们通过互补FRF(频率响应函数)对,减弱导致辐射能信号稳态精度不高、高频干扰大和热量信号响应燃料变化慢的频段,最后在频域内进行信号融合,得到更快速、准确的反馈控制量。经仿真试验表明,融合算法有效的提高了系统的控制品质,并较易于工程实现。

基于改进决策树算法的日特征负荷预测研究

针对决策树ID3算法的缺陷,提出了属性-值对的两次信息增益优化算法,该算法是ID3的改进算法,它能克服ID3算法在选取属性进行扩展时易偏向属性值多的属性及ID3算法属性间相关性考虑较少的缺点;通过对熵阈值的设定,采用预剪枝技术,又能部分克服ID3算法对噪音敏感的不足。该算法可用以生成日特征负荷决策树预测模型。该模型结合预测日的气象、星期等信息,可进行日特征负荷的预测。采用等深直方图分析思想,可对负荷变化率数据离散化,将层次聚类和信息熵相结合,对气象数据离散化。数据预处理后,通过属性-值对的2次信息增益优化算法生成负荷预测决策树模型,在给出预测日气象及星期信息后可对特征负荷进行预测,预测结果能够满足并超过负荷预测实用化标准的要求并具有较高的预测精度。如果将日24点或96点负荷及相应影响因素数据均用该算法进行模型训练,形成24个或96个预测模型,则可进行日24点或96点负荷预测。

数据中心灾后排风机配电设计详解

根据数据中心灾后排风机的特殊性,探讨灾后排风机的由来和设置、配电系统设计、配电箱安装位置、导线选择、防火阀设置和设计深度。论述数据中心单机房、多机房状况下,不同功能灾后排风机的配电设计原则和控制系统方式。

电铁牵引负荷的构成分析及其功率模型

电铁牵引负荷具有较强的随机波动性和冲击性,为了分析其对局部电网的影响,需要建立合适的电铁牵引负荷功率模型。根据电铁牵引负荷的波动特性,基于波形分解与小波变换,将牵引功率的波动分解为阶跃分量、低频缓坡分量与高频随机分量。对阶跃分量用阶跃序列建模,对低频分量和高频分量用ARMA模型建模。进一步通过再合成,建立了一种基于时间序列的功率模型,能够反映牵引负荷的随机波动性和冲击性。最后采用现场数据进行应用,结果表明,该方法能够很好地拟合实际功率波动曲线,验证了该方法的可行性和有效性。