一种利用多层感知机和I-V特性的光伏组件建模方法

为了提高光伏组件模型的准确度和可靠性,本文提出了一种利用多层感知机和不同工况下实测的I-V特性曲线数据集的建模新方法。首先,使用双线性插值法对实测I-V曲线进行重采样,以提高I-V曲线上数据点分布的均匀性;进而使用基于温度-辐照度的网格采样法对数据集进行下采样,降低数据冗余度。其次,提出一种基于多层感知机神经网络的光伏组件模型,并基于预处理的I-V曲线数据集,使用Adam算法训练该模型。最后,采用美国国家可再生能源实验室提供的实测I-V特性曲线数据集,验证和测试了所提出的建模方法,并与支持向量机、梯度提升决策树等机器学习算法进行对比。实验结果证明,所提出的建模方法具有最高的精度和泛化性能。     

利用贝叶斯优化多层感知机的光伏阵列在线故障诊断方法

光伏阵列在非正常状态下运行,将严重降低光伏电站的发电效率,并缩短光伏组件的使用寿命.及时准确地识别故障类型变得尤为重要,提出了一种贝叶斯优化算法(Bayesian optimization algorithm,BOA)与多层感知机(multilayer perceptron,MLP)相结合的光伏阵列实时远程监控在线故障诊断方法.首先,利用MATLAB/Simulink建立光伏阵列的仿真模型,模拟4种典型故障情况,并设置了 7种故障状态,分析不同故障下的电流-电压(I-V)、功率-电压(P-V)曲线.考虑光伏阵列运行过程中能实时测量的物理量,提取故障特征并构造了一个新特征电流占比.随后,对特征数据进行了标准化处理.接着,利用BOA对MLP的超参数进行优化,训练得到了具有较高准确性的光伏阵列故障诊断模型,测试准确率达到99.67％,诊断效果很好.最后,通过与随机森林和支持向量机等算法进行对比,并进行了仿真实验验证了该方法的准确性和稳定性.     

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法（Northern Goshawk Optimization, NGO）优化双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解（Variational Mode Decomposition, VMD）将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.     

基于多层感知机的个性化链接排序预测

社交网络链接预测,即通过历史社交网络结构信息,预测未来一段时间内社交用户之间可能会产生新的链接关系,是社会网络分析中的一个重要问题。现有的模型挖掘了用户之间的浅层交互关系,或者通过深层网络去学习用户的特征描述。然而,由于社会网络数据极其稀疏,现有的模型在链接预测的表现上存在一定的提升空间。针对上述问题,文章提出基于多层感知机的个性化链接排序预测模型(PRMLP),从而实现了社交链接预测任务。PRMLP同时考虑了用户之间的交互关系,并采用了多层网络结构深入挖掘社会网络的拓扑结构,因此能够学习得到更精准的用户特征描述。文章针对模型训练中正负样本不平衡的问题提出了解决方案,在2个真实数据集进行的实验表明,文中提出的基于多层感知机的个性化链接排序预测模型相对于现有的其他链接预测模型表现更优。     

基于ICEEMDAN-LSTM-BNN的短期光伏发电功率概率预测

针对短期光伏发电功率建立精准概率预测模型是提高电网安全稳定运行的重要手段。为了提高非晴空条件下光伏发电功率预测的精度和稳定性,选用具有优良正则化特性的贝叶斯神经网络模型作为基础算法。首先通过改进自适应噪声完备集合经验模态分解方法对多尺度多模态变化气象数据进行平稳化处理,简化映射关系建立步骤; 其次引入长短期记忆神经网络来增强模型对光伏发电功率随机波动性和时序性的有效捕捉; 进而结合各项算法提出基于ICEEMDAN-LSTM-BNN的短期光伏发电功率概率预测方法; 最后以宁夏太阳山光伏电站实测数据为测试对象,对非晴空条件下的光伏发电功率进行预测,所提模型较之传统算法在非晴空条件下点预测和概率预测效果均显著改善,充分验证所提方法的有效性和可靠性。     

短期光伏发电系统功率预测

针对光伏功率预测没有充分利用历史数据的问题,提出一种改进随机森林算法与长短期记忆神经网络相结合的预测方法（IRF-LSTM）。利用粒子群算法优化随机森林算法中的参数,并对原始气象数据进行特征选择。将特征选择后的结果作为输入,对预测模型输出的结果进行反归一化处理得到预测的功率序列。选用某光伏电站的实测数据对该算法模型进行预测,结果表明：该方法能充分利用预测时刻之前的气象时间序列,有效提高光伏功率预测精度,与RF-LSTM方法、单一LSTM方法相比具有更高的准确性,预测误差更小。     

基于优化TCN组合模型的短期光伏功率预测

为提高多输入特征下光伏发电功率模型的短期预测精度,提出了一种基于优化TCN超参数的光伏功率预测组合模型。该模型集改进灰狼优化算法(Levy gold gray wolf optimization,LGGWO)、时域卷积网络 (Temporal convolutional network,TCN)和多头自注意力机制(Malti-Head Self-Attention)于一体 (LGGWO-TCN-MHSA)。首先,采用斯皮尔曼相关系数法提取对光伏功率影响较大的主要特征,并输入至TCN预测模型;然后,将提出的多策略改进灰狼优化算法LGGWO应用于TCN 内部进行超参数优化,改善模型预测性能;最后,将预测值输入至多头自注意力模型中进一步提升预测精度。实验采用澳大利亚原始光伏数据进行验证,通过与卷积神经网络(Convolutional Neural Networks,CNN)、长短期记忆神经网络(Long Short-Term Memory,LSTM)等六组模型进行对比,所提模型在测试数据集上的平均绝对误差(MAE)和均方根误差(RMSE)分别降低了2.03%~82.0%和10.5%~80.1%,结果表明：所提方法具有较高的预测精度和良好的稳定性。     

改进特征选择的光伏功率预测融合算法

为提高电站光伏功率预测准确率,该文提出了改进特征选择的融合预测模型。首先耦合包裹式和过滤式方法筛选特征参数;然后根据气象特征分类构建XGBoost、LightGBM和MLP的单一模型;最后使用双隐藏层多层感知器（MLP）构建融合模型进行预测。实验结果表明,通过改进特征选择以及使用对非线性描述能力更佳的MLP融合算法,融合预测模型相比单一模型具有更高的预测准确率以及更强的泛化能力,可较好地满足短期光伏功率预测的需求。     

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高,太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度,在安全稳定运行中保障工业电力系统的正常使用,提出一种结合改进的自适应噪声互补集成经验模态分解(improved complementary ensemble empirical mode decomposition with adaptive noise, ICEEMEDAN)与差分自回归移动平均(autoregressive integrated moving average, ARIMA)的长短期记忆(long-term and short-term memory, LSTM)神经网络模型,使用该复合模型对光伏发电功率进行预测,通过对影响光伏功率的不同变量进行评估,获取特征重要性并作为模型的输入,在时间尺度上利用改进后的LSTM模型进行建模,以R²等相关指标评判模型性能的优劣,从而实现完整的光伏功率预测。实验采用澳大利亚光伏数据集群(DKASC)中一光伏电站2016年实测数据进行验证,两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高...     

基于小波回归分析法的短期负荷预测模型研究

电力负荷预测在能源领域中是一项非常重要的研究课题,它对于保障系统的安全运行,并在此前提下实现能源的节约和生产的效益最大化真有非常重要的应用价值．本文以大孤山选矿厂的电能消耗为研究对象,首先利用小波变换对负荷序列进行分解,得到不同频率的各个负荷分量,然后利用数据分类和多元回归分析方法分别对各个分量进行预测,最后再将各个分量的预测值组合起来,得到最终的预测结果。     

基于小波神经网络的短时客流量预测研究

提出了基于小波神经网络的短时客流预测方法。对具有动态性,受多种因素影响的城轨的客流量进行短时的预测。通过建立小波神经网络对于城轨进行每隔15 min客流量预测。示例结果表明,所建立的小波神经网络的预测模型比其他的典型的预测模型预测精度高,误差小。     

小波理论概述

小波变换是当前应用数学和工程学科中一个迅速发展的新领域,由于它在时间域和频率域里同时具有良好的局部化性质,因而同时具备理论深刻与应用广泛的双重意义。首先,介绍了小波函数的基本概念,讨论了小波变换的特点;其次,完整地总结了小波变换在各个方向的应用;最后对小波变换的应用进行了总结和展望。     

计及多类型需求响应的光伏微网储能容量优化配置

储能系统接入对于分布式光伏发电具有重要意义,合理配置储能容量可以有效平抑光伏发电的波动性和间歇性,同时提高光伏消纳能力。在考虑多类型需求响应方式下,建立了以微网总成本和光伏消纳率为目标函数的储能容量优化配置模型。首先引入激励型需求响应模型和价格型需求响应模型;然后根据两类响应方式对电网稳定运行及光伏消纳的影响,建立以最大化光伏、负荷时序一致性和负荷峰谷差两种指标满意度的综合响应模型;最后基于并网型光储微网运行策略,采用双层优化算法对光伏微网模型求解。通过某一实际运行微网为算例,分析验证了模型和算法的有效性。结果表明,多类型需求响应结合方式使得用户用电方式更为合理,微网经济性得到改善。     

基于小波变换的谐波和无功电流检测方法研究

介绍了有源滤波器的基本工作原理,提出了1种新颖的基于小波变换的谐波和基波无功电流的检测方法.与傅里叶变换法仿真结果对比可知,小波变换是1种实时检测谐波及无功电流的更有效的方法.     

一种基于二代Curvelet变换的图像融合新算法

基于Curvelet变换,提出了一种新的融合算法.首先将图像进行Curvelet变换,然后对低频系数和高频系数采用不同的融合规则将Curvelet系数融合,最后进行重构得到融合结果.对该方法得到的融合图像进行了主客观评价和对比.实验结果表明,该方法得到的融合图像在图像边缘等细节上比其他方法得到的图像具有更好的视觉效果,在均方误差、峰值信噪比、相似度等客观指标上都优于其它方法.     

基于小波变换的高压电缆故障探测技术研究

本文研究了基于小波变换的高压电力电缆故障探测技术,阐述了电力电缆故障探测理论,给出了小波变换在高压电力电缆故障探测中的实现方法。该研究在电力系统中具有较高的工程应用价值,在高压电缆故障探测中具有广阔的前景。     

小波分析技术在数据预处理中的应用

在工程实际中,从被测对象上检测到的信号,往往混有不同程度的噪声。利用小波分析可以过滤掉弱信号或无用信号,得到用户真正需要的信息。介绍了小波变换、小波包分解,以及运用小波包分解进行数据预处理的方法,并最终选择应用小波包分解进行消噪和小波多尺度分解,完成数据预处理,提取了故障特征。