|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于Fisher信息和在线SVR的智能电网气象敏感负荷预测动态建模技术显示文摘智能电网大数据环境为解决短期负荷预测模型性能退化和精度随时间降低等问题提供了契机。基于此,该文提出一种基于在线支持向量回归(on-line support vector regression,OSVR)和Fisher信息(Fisher information,FI)气象因素处理及特征选择(features selection,FS)的动态建模新方法,用该方法来构建过程变量之间关系快速变化时的智能电网气象敏感负荷预测模型。首先,利用支持向量回归(support vector regression,SVR)模型的卡罗需–库恩–塔克(Karush-Kuhn-Tucker,KKT)条件推导出一种简洁的OSVR学习算法,使得每当有样本增加到训练集或从训练集移除时,该算法均能有效地更新已训练好的SVR模型,而不用对整个训练数据重新再训练。其次,提出一种基于Fisher信息的特征选择方法和气象因素引入方法,能够从捕获的数据中提取主要特征,并有效处理气象因素的累积效应。实际测试结果表明:所建立的预测模型能够使用最新的数据信息完成更新,在过程特征发生快速变化的情况下,其预测精度仍高于传统方法。 | 蔡舒平 闫静 刘国海 汤大海 陈燕 刘琳 周梓樾 | 2020 | 中国电机工程学报2020，40，11： | 25 |
| 2 | 基于进化深度学习短期负荷预测的应用研究显示文摘传统预测模型对高维非线性电力负荷数据特征提取效果不佳,为了提高电力负荷预测精度,提出基于进化深度学习特征提取预测模型。利用进化算法的全局寻优特点,将进化策略和遗传算法的核心思想融入到深度学习中,对深度学习优化重构误差函数,精简网络结构,构建性能良好的特征提取预测模型。对湖南省某地区智能电网电力负荷数据进行预测,算例分析表明,本文所提方法对某一天24 h进行负荷预测时,其平均绝对百分比误差达到1.97%,比支持向量机SVM(support vector machine)、累积式自回归移动平均ARIMA(autoregressive integrated moving average)、BP(back propagation)神经网络、深度置信网络DBN(deep belief network)预测方法具有更高的预测精度。 | 易灵芝 常峰铭 龙谷宗 梁湘湘 马文斌 | 2020 | 电力系统及其自动化学报2020，32，3： | 16 |
| 3 | 基于EMD的时标特征提取方法及其在短期电力负荷预测中的应用显示文摘为凸显负荷波动的随机性、周期性和相关趋势,通过探求负荷变化机理显著提升预测精度,提出了一种基于EMD的负荷波动机理研究方法。首先对负荷进行EMD分解,得到随机、周期和趋势分量;然后分析各分量的变化规律与候选影响因素的关联关系,推导负荷变化机理,提取时标特征值;最后进行特征的去冗余。该方法创新点是能提取出特征值的时标特性。以广东省负荷数据集作为预测案例研究,对比实验研究结果表明了所提方法的有效性。 | 邓翱 金敏 | 2018 | 计算机应用研究2018，35，10： | 11 |
| 4 | 基于QPSO-SVR算法的SF_(6)断路器触头烧蚀状态评估显示文摘高压SF6断路器弧触头的接触电阻和质量损失预测在断路器状态评估中起着重要作用。该文提出了一种基于量子粒子群优化和支持向量回归(quantum particle swarms optimization and support vector regression,QPSO-SVR)的方法,能够有效预测断路器弧触头在不同电弧电流条件下的接触电阻增量和质量损失,并结合实验数据获得了SVR算法的最佳训练参数。将该文方法与其他预测方法进行比较,QPSO-SVR方法对不同电弧电流条件下的实验数据表现出良好的预测能力。其中,对于接触电阻增量的预测相对误差为3.023%,而对于质量损失的预测相对误差为4.61%,均表现出较好的鲁棒性。最后将QPSO-SVR预测得到的质量损失和接触电阻增量以及监测到的累积电弧能量进行模糊逻辑推理,构建了基于QPSO-SVR算法的触头烧蚀状态评估系统,将触头烧蚀状态分为O级烧蚀、Ⅰ级烧蚀、Ⅱ级烧蚀、Ⅲ级烧蚀4等级,可为高压SF6断路器检修提供参考。 | 王振兴 刁目鑫 肖光宇 闫静 陈道品 陈邦发 | 2023 | 高电压技术2023，49，9： | 1 |
| 5 | Secure Probabilistic Prediction of Dynamic Thermal Line Rating显示文摘Accurate short-term prediction of overhead line(OHL)transmission ampacity can directly affect the efficiency of power system operation and planning.Any overcstiniation of the dynamic thermal line rating(DTLR)can lead to the lifetime degradation and failure of OHLs,safety hazards,etc.This paper presents a secure yet sharp probabilistic model for the hour-ahead prediction of the DTLR.The security of the proposed DTLR limits the frequency of DTLR prediction exceeding the actual DTLR.The model is based on an augmented deep learning architecture that makes use of a wide range of predictors,including historical climatology data and latent variables obtained during DTLR calculation.Furthermore,by introducing a customized cost function,the deep neural network is trained to consider the DTLR security based on the required probability of exceedance while minimizing the deviations of the predicted DTLRs from the actual values.The proposed probabilistic DTLR is developed and verified using recorded experimental data.The simulation results validate the superiority of the proposed DTLR compared with the state-of-the-art prediction models using well-known evaluation metrics. | N.Safari S.M.Mazhari C.Y.Chung S.B.Ko | 2022 | Journal of Modern Power Systems and Clean Energy2022，10，2： | 1 |
| 6 | 数据与误差驱动的典型行业用电量预测方法研究显示文摘在新常态经营形势下,用电量的精细化预测对于电力系统的安全、稳定、经济运行具有重要意义。采用基于数据驱动与误差修正的递进式思路,研究行业用电量主要影响因素辨识与预测方法。首先,在数据驱动层面,从相关度和冗余度角度应用最大信息系数和最大关联-最小冗余性初步识别主要影响因素。其次,在误差驱动层面,采用随机森林方法考虑误差进行影响因素精筛。再次,构建考虑了递进式主要影响因素辨识的行业用电量预测模型。预测模型应用自组织映射方法对典型行业的细分行业用电数据样本集进行聚类,分类应用递进式影响因素辨识方法获得主要影响因素,然后同历史用电量数据一起构造误差反向传播神经网络模型进行预测,通过细分聚类、预测求和的方式获得典型行业用电量预测结果。最后,以中国北方某区域两个典型工业行业用电量为预测对象,通过算例验证该方法的适用性。 | 赵阳 贺春光 韩长占 杨书强 刘梅 | 2023 | 全球能源互联网2023，6，5： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员