基于聚类及优化集成神经网络的地铁车站空调负荷预测

分别从优化算法集成神经网络及将数据聚类后按类建模两方面建立3种模型对地铁车站空调负荷进行逐时预测,结果表明：同一物理量对地铁车站空调负荷所产生的影响程度随时间呈现某种动态变化特征,根据历史数据定量分析这些特征,对精准筛选模型输入参数、提高模型预测精度大有裨益。在3种模型中,粒子群优化算法-神经网络（PSO-BPNN）和果蝇优化算法-神经网络（FOA-BPNN）预测的平均相对误差（MAPE）较单纯神经网络（BPNN）分别降低25.87%和40.08%,聚类-神经网络（Kmeans-BPNN）预测的MAPE比PSO-BPNN及FOA-BPNN分别降低61.12%和51.90%。说明在同等情况下,优化算法集成模型比单纯BPNN预测精度更高,而当区分实际负荷变化特点后,采用聚类后建模比优化集成建模效果更佳。     

地区电网负荷预测的灰色Verhulst与系统动力学组合模型

为解决传统地区电网负荷预测中单一模型预测误差较大的风险和无法充分利用历史数据的缺陷,提出一种地区电网负荷预测的线性组合模型——灰色Verhulst与系统动力学组合模型。以社会用电量历史数据为原始数据,先后建立灰微分方程和白化微分方程并进行求解,得到基于灰色Verhulst模型的负荷预测时间序列,该模型适用于负荷按照S形曲线增长或负荷增长处于饱和阶段的预测;综合考虑经济、人口、能源替代和再电气化等对社会用电量的影响,建立负荷预测的经济子系统、人口子系统、能源替代和再电气化子系统、电力消费子系统,得到基于系统动力学的负荷预测模型,该模型适用于结构复杂、原始信息丰富、子系统之间联系紧密的负荷预测。在不增加复杂性的基础上,通过最小方差准则对单一模型进行线性组合,建立地区电网负荷预测的组合模型。采用枣庄市所有地块进行算例分析,结果表明:在充分利用了负荷历史数据后,71%的地块的预测精度较单一模型的有所提高;在采用最小方差准则对单一模型进行线性组合后,29%的地块产生较大预测误差的风险较单一模型的有所降低。     

基于人群密度估计的空调末端及新风量分级调控方法

负荷估计是空调系统优化控制的关键一环,人员移动的随机性和不确定性,使得建筑空间人员负荷难以准确估计,导致现有控制策略控制效果欠佳,系统响应不及时,滞后性大,造成能源浪费以及建筑内部环境热舒适性降低.针对该问题,提出一种基于人群密度估计的空调末端及新风量分级控制策略.首先,采集建筑空间图像信息,建立多列卷积神经网络人群密度估计模型,获取人员数量及动态分布,计算人员实时负荷;其次,引入人员负荷控制因子,提出空调分级调控策略,实现空调末端及新风供给.实验结果表明,方法能够更好地维持建筑内部热环境稳定,系统响应速度更快,具有较好的节能潜力.     

换热网络改造图形化方法应用于巴氏牛奶厂热集成

基于能量传递图(ETD)和桥分析法(BA)确定热集成改造目标及改造路径,提出利用换热器负荷图(HELD)系统化产生多个同样质量但不同网络配置的改造方案,同样质量指所获得的改造方案均实现了能量改造的目标,同时所需的换热器数目最少.首次提出了移动位点的概念,通过在竖直方向上平移热流股曲线实现换热网络(HEN)中热负荷的重新匹配,并结合经验规则,使改造后换热网络的换热器数目最少.通过构建换热网络的HELD,确定出需要移动的流股段,筛选出所有可行的移动位点,再根据各位点产生的HELD获得对应的改造方案,并对这些方案进行初步经济评估.以巴氏牛奶厂为例,对其进行改造方案设计,共获得四个具有最小换热设备数目,同时实现最大能量回收(MER)目标(节省冷、热公用工程消耗各395 kW,即26％的冷公用工程用量)的方案,相较于文献报道,新增了两种改造方案,验证了该方法的有效性.     

基于相似日和灰色理论的短期电力负荷预测研究

针对短期电力负荷预测易受气象因素影响的特点,提出基于相似日和灰色理论的短期电力负荷预测模型;首先通过对日类型的判断得到相同日类型的负荷数据,然后对气象数据序列进行模糊化聚类处理,并结合预测日的气象数据,采用灰色关联方法进行关联分析,选取与预测日关联度高的负荷数据作为相似日负荷数据,采用灰色预测方法对相似日负荷数据进行短期电力负荷预测;仿真结果表明,选取了相似日之后的预测结果比未选取相似日的预测结果精度要高。     

改进PSO的WNN模型在短期负荷预测中的应用

针对电力系统负荷预测中实际的负荷数据往往具有极大的波动性,模型呈现出极大的非线性,提出一种改进粒子群优化的小波神经网络模型,将其应用于电力系统的负荷预测研究.首先,分析和介绍了小波神经网络和改进的粒子群算法的基本原理和优点;其次,将改进的PSO算法用于优化小波神经网络的参数优化;最后对改进的PSO-WNN负荷预测模型进行仿真分析.实验结果与传统PSO-WNN的实验结果进行对比,证明改进的PSO能够提高模型的运算效率和负荷预测精度.     

非线性负荷特性等值阻抗的获取方法

由于电力电子技术的发展,非线性负荷在电网中所占的比重越来越大。非线性负荷在电力系统中容易产生谐波,造成谐波污染,因此有必要对其特性做出分析。提出了一种基于高阶微分方程和信号拟合,通过实时求取非线性负荷的等值阻抗来获取非线性负荷特性的方法。利用改进的矩阵束方法拟合端口电压电流信号,将电压电流信号代入到约束端口电压电流的高阶微分方程中,通过数学变换,得到负荷的等值电抗参数。依据负荷的等值参数的变化特点,来获取非线性负荷的特性。仿真实验表明该方法可行,可实时有效地求取负荷的等值阻抗参数,进而可获取非线性负荷特性。     

加权BA网络负荷重分配建模及级联抗毁性研究

增强复杂网络在级联故障下的抗毁性具有重要的现实意义。文中考虑了网络中边之间的差异性,基于BA无标度网络模型构建了加权BA无标度网络模型,对负荷重分配策略进行建模,分析了分配过程中局部规模大小对网络抗毁性的影响,确定出了最佳负荷重分配策略,并研究了蓄意攻击条件下采取不同负荷重分配策略时重要网络参数对网络抗毁性的影响。仿真结果表明,局部规模越小、权重系数越小、平均度越大,网络的抗毁性越强,且采用就近局部负荷重分配策略时网络抗毁性始终高于采用就近全局负荷重分配策略时网络的抗毁性。研究结果可为提高复杂系统的级联抗毁性提供理论参考。     

模糊逻辑聚类神经网络算法在中长期负荷预测的应用

电力系统中长期负荷预测受大量不确定因素的影响,聚类方法能够将各种影响因素综合引入预测模型,提高了预测精度。本文采用一种由模糊逻辑单元组成的聚类神经网络用于中长期负荷预测。运用文中所述模型及算法综合考虑了历史负荷情况和未来不确定因素等对未来负荷变化的影响。通过与传统的方法进行中长期负荷预测比较,结果表明,该方法可以提高负荷预测的精度。