组合系统可靠性评估中的混合负荷模型

在分析目前负荷模型缺陷的基础上，文章提出了一种按季节、分地区考虑负荷相关性和预测不确定性的混合负荷模型，并讨论了其蒙特卡罗实现过程，使建模更为准确，更具实用价值。     

基于自适应算法的电力系统可靠性评估

针对电力系统可靠性评估中Monte Carlo方法存在的计算效率低下的问题,提出应用自适应算法对系统状态进行概率分析。该算法采用变分运算分析和区间拟合的方法,实现在最优密度函数下抽样,降低计算方差。应用该方法对IEEE-RTS标准系统的发电部分进行了可靠性评估,并与采用常规抽样方法和重要抽样方法的评估结果做了比较,表明该算法在保证计算精度的前提下分别减少了87%和68%的抽样次数,对大型电力系统可靠性评估具有实用价值。     

计及负荷模型的发输电组合系统可靠性评估

由于计算的固有复杂性,在发输电组合系统可靠性评估中,负荷模型处理的研究一直进展缓慢。本文提出了一种计及负荷模型的发输电组合系统可靠性评估方法。该方法充分利用了负荷水平间可靠性基本信息的关系,避开了不必要的状态枚举,显著地提高了计算效率。在VAX—11/750计算机上,用此方法对IEEE24节点可靠性试验系统进行了计算。平均每个负荷水平下系统可靠性评估的CPU时间仅5秒。     

基于粗神经网络的电力系统可靠性评估方法

发输电组合系统可靠性评估中元件状态组合数和潮流计算是引起可靠性评估计算中"计算灾"的主要原因.利用粗糙集的数据约简和特征提取功能,提炼人工神经网络的输入变量、训练样本以及事件类与系统状态之间的概略化关系,建立偶发事件模式识别的粗神经网络(RNN)模型,提出基于RNN的发输电组合系统可靠性评估算法,以提高电力系统可靠性评估的计算效率.可靠性测试系统的计算结果表明,所提算法是正确、可行和有效的.     

基于蒙特卡洛改进算法的地铁电力系统可靠性评估

在分析电力系统可靠性评估基本方法的基础上,考虑到地铁电力系统故障率较低,故障状态枚举方法难以获得精确的随机状态,以及设备单元的故障信息无法通过直接抽样获取,故使用正态分布描述地铁电力系统设备单元发生故障的实际过程,提出了改进的蒙特卡洛非序贯仿真算法,并给出其求解过程,构建了地铁电力系统的结构模型、Petri网模型和可靠性评估指标,最后以南京地铁一号线电力系统设备单元初始参数为计算数据,所得结果较传统计算方法更为准确,同时能够模拟故障维修时间以及区分不同故障类型.     

基于系统可靠性评估的机组检修规划模型

为确定市场环境下发电容量充裕度较低系统的机组检修计划,在分析其对系统运行成本影响的基础上,提出了基于系统可靠性评估的规划模型.该模型以规划期内系统总运行成本最小为目标,考虑各时段系统失负荷概率约束、运行约束及检修约束后,确定各机组检修时段,其中系统可靠性指标由蒙特卡洛模拟法评估.与其他模型相比,该模型考虑了双边合同及日前市场、机组及线路故障对检修计划的影响,并将系统可靠性水平转化为经济指标加以衡量.算例分析表明,该模型优先规划对系统可靠性影响大的机组,可确保系统各时段失负荷概率在指定范围内及整个检修计划的经济性.     

基于改进PSO-LSSVM和蒙特卡洛法的电力系统可靠性评估

针对电力系统可靠性评估方法耗时长、误差大等问题,提出一种用改进粒子群优化算法(PSO)优化最小二乘支持向量机(LSSVM)参数,并将构建好的PSO-LSSVM模型与蒙特卡洛法(MCS)相结合用于发输电系统可靠性评估的方法。该方法通过对PSO算法进行合理的改进,得到更为精确的LSSVM模型参数,建立用于分类系统状态样本的PSO-LSSVM模型。对MCS方法抽取的系统状态样本分类得到故障状态和正常状态,仅对故障状态样本进行可靠性指标计算,统计输出可靠性评估结果。采用该方法对IEEE-RTS 79系统不同运行情况下的可靠性指标进行计算,结果表明该方法保证计算时间不变的同时提高了LSSVM-MCS方法的评估精度。     

大电力系统可靠性评估的灵敏度分析

近年来,我国电力企业发展迅速,且为推动国民经济的增长作出了较大贡献。大电力系统是满足人们日益增长的电力需求的重要保障,其日常运行的效率和安全直接影响了电力企业的供电情况。作为反映系统安全性与可靠性的关键性指标,大电力系统的可靠性指标对于大电力系统的运行效率和运行安全具有重要影响。为了进一步提高大电力系统的可靠性,该文通过对大电力系统可靠性指标的计算公式进行分析,进而以大电力系统可靠性的灵敏度作为主要研究内容,分别探究了可靠性指标LOLP、LOLF和EDNS对系统元件可靠性参数的灵敏度。     

仿真分析负荷水平对电力系统可靠性的影响

介绍了电力系统可靠性分析的方法,可靠性评估指标和流程,利用MATLAB7.1编写可靠性程序,采用最优负荷削减模型对IEEE18节点算例进行可靠性分析,利用蒙特卡洛状态抽样法对系统进行模拟,仿真计算中考虑发电机和输电线路的随机故障。采用分级负荷模型来计算指标,计算出EENS的年度化指标,并探究负荷水平对系统可靠性的影响。分析得知随着负荷水平的提高,系统的压力也越来越大,系统的可靠性裕度逐步降低。     

基于报价函数的电力负荷分配模型

首先介绍了电力市场竞价上网的运行原理和指出已有文献利用博弈论方法处理最优报价的缺陷,然后分析在单个时段内需求电量变化不大的前提条件下运用Schauder不动点定理证明了报价模型的Nash平衡点,并且根据模型得到了自身报价与市场出清价的统一。     

基于ISSA-LSSVM模型的短期电力负荷预测

精确的短期电力负荷预测对电力系统的调度与调峰等有着重要的影响。为了提高预测精度提出了基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化的最小二乘支持向量机(least squares support vector machine, LSSVM)预测模型ISSA-LSSVM。麻雀搜索算法的改进过程首先采用Sobol序列产生初始种群,提高初始解质量;其次通过结合锦标赛排序算法避免原算法由于后期种群数量减少导致的种群多样性下降问题;最后引入柯西-高斯双变异提高算法全局搜索能力与重点区域搜索能力,帮助算法跳出局部限制。最后通过实际民用负荷数据对ISSA-LSSVM预测模型进行验证,结果表明ISSA-LSSVM模型的预测精度更高,预测结果更稳定。     

基于动态神经网络NARX模型的电力负荷预测

为了更好地发挥电力系统分时电价的作用,引导消费者的用电习惯,智能管理系统需要对电力负荷进行准确地预测。由于电力负荷具有高度非线性、时变性、不确定性,该文采用动态神经网络NARX对其进行预测,为了提高了预测精度,并用遗传算法对网络的初始权值和阈值进行优化。仿真结果表明,通过遗传算法优化后,可以有效地提高对短期下电力负荷的预测精度。     

基于LTC-RNN模型的中长期电力负荷预测方法

针对中长期电力负荷预测受限于天气、温度、节假日等多重不确定性因素影响而精度不高的难题,本文采用一种基于液体时间常数的递归神经网络,实现了中长期电力负荷的精准预测,为电力系统规划设计奠定较好基础．基于液体时间常数的递归神经网络使用膜积分器改进了神经元的状态方程,并使用半隐式欧拉算法完成对神经元状态迭代更新,解决递归神经网络的自我修正能力弱和易陷入局部最优的问题．本文以天气、温度、节假日等外在影响因素作为网络输入,构建了以递归神经网络为基础架构的中长期电力负荷预测模型,并通过隐藏层的扩展计算获得输入-输出的映射关系,以通过时间的反向传播算法实现对模型的训练,完成对神经网络参数的优化．实验中,以北方某地区的实际电网数据为例,验证该预测方法的准确性与高效性．研究结果发现,基于液体时间常数的递归神经网络对中长期电力负荷的预测准确率可达到95.3%．本模型相较于长短期记忆和连续时间递归神经网络具有更稳定的训练结果与更高的预测准确度．     

基于EEMD-SSA组合模型的短期电力负荷预测

由于电力系统运行受多种因素的影响,因此电力负荷呈现较强的波动性和不稳定性,从而影响电网短期负荷预测的准确性。为减小预测误差,提出一种组合模型策略。首先采用集合经验模态分解将原始数据分解为若干分量,根据各分量数据所含信息量的不同,将分量分为两组,分别利用反向传播神经网络和长短时记忆网络进行预测。并在此基础上,利用樽海鞘群优化算法对每个分量预测网络中的神经元个数与输入变量的滞后项进行优化,得到最终的EEMD-SSA(Ensemble Empirical Mode Decomposition-Salp Swarm Algorithm)的组合预测模型。最后,将此模型应用于某地实测数据进行负荷预测。实验结果表明,该组合模型比单一网络模型及其他模型具有更好的预测效果。     

分布式电力监控系统可靠性模型及分析

针对分布式电力监控系统规模大、结构复杂的特点,提出采用分层分步的处理方法.即独立地建立各个层次的模型,对其进行局部处理,再根据系统实际结构把各层模型组合起来,据此求出系统可靠性的两个重要参数MTSF和MTTR,并给出一个关于这类问题的一种简化解决方法.     

分布式电力监控系统可靠性模型及分析

针对分布式电力监控系统规模大、结构复杂的特点，提出采用分层分步的处理方法。即独立地建立各个层次的模型，对其进行局部处理，再根据系统实际结构把各层模型组合起来，据此求出系统可靠性的两个重要参数ＭＴＳＦ和ＭＴＴＲ，并给出一个关于这类问题的一种简化解决方法。     

一种评估大规模电力系统可靠性的新算法

提出了一种评估发输电合成系统可靠性的新算法。该算法以传统蒙特卡罗模拟法为基础,在模拟前,对系统中所有的单、双重故障进行筛选,形成双重故障加速表;在模拟过程中,考虑所有多重故障,并使用双重故障加速表来评估多重故障。引入了启发性算法思想以削减计算量,提出了基于同心松弛的相关区域、调整区域的概念,并将它们用于判断故障元件相关程度,从而有效地对预想事故进行筛选。它们还用于系统潮流重分布和潮流调整。对ＩＥＥＥＲＴＳ系统（２４母线,３８条线路,３２个发电机）和东北电力系统（３３１母线,４６７条线路,１７９个发电机）进行了可靠性评估。结果表明,这种新型算法是可信的和有效的。新算法在系统规模扩大时,计算量的增长方式近似线性。因此,提出的新算法可以有效地对规模较大的系统进行可靠性评估。     

基于元胞自动机的可修复网络系统可靠性评估模型

为了实时有效评估可修复网络系统的可靠性,克服枚举法的状态空间爆炸问题和马尔科夫过程分析只针对一种系统结构的缺陷,提出了一种基于元胞自 动机的网络系统可靠性评估模型?该模型从节点的内在失效概率和网络结构角度,建立元胞自动机的邻域和状态转移函数,提出可修复网络系统演化模型;在离散演化周期内,利用元胞自动机的传播特性算法定期检测系统的瞬时可靠性,累积得到可修复网络系统的近似稳态可靠性?该模型结合解析法和模拟法优点,得到与时间相关的可修复系统稳态可靠性?该算法分别与状态枚举法?蒙特卡罗法进行仿真对比,仿真结果表明,该方法可准确描述可修复网络系统的稳态可靠性,该方法也适用于其他大规模可修复系统可靠性评估?     

基于CEEMDAN和TCN-LSTM模型的短期电力负荷预测

针对短期电力负荷数据随机性强,难以实现准确预测的问题,提出了一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和时间卷积网络-长短期记忆网络(temporal convolutional network-long short-term memory network, TCN-LSTM)混合模型的预测方法。所提算法先使用CEEMDAN方法将负荷数据分解为一系列相对平稳的子序列。同时为了降低后续计算规模,通过引入排列熵的方法将各子序列进行重组。然后,将各个重组序列输入到TCN-LSTM组合模型中,利用TCN模型提取特征并构建序列的特征向量,再基于LSTM模型对其进行训练及预测。最后把全部预测值进行相加得到完整的预测负荷值。通过使用欧洲某地真实负荷数据进行验证。结果表明：所提算法与其他常见的预测算法相比具有更高的预测精度,可为负荷预测等研究工作提供相关参考。