目錄
“新一代人工智能理論、技術(shù)及應(yīng)用叢書”序
前言
第1章 時間序列中的累積效應(yīng) 1
1.1 概述 1
1.2 累積效應(yīng)的基本內(nèi)涵及典型現(xiàn)象 1
1.2.1 累積效應(yīng)定義 1
1.2.2 影響累積效應(yīng)強度的因素 3
1.2.3 考慮累積效應(yīng)的溫度修正公式 3
1.3 面向中長期負(fù)荷預(yù)測的常見信息聚合方法 4
1.3.1 聚類法 5
1.3.2 多因素綜合分析方法 8
1.4 考慮累積效應(yīng)的信息聚合方法 11
1.4.1 累積效應(yīng)的識別方法 11
1.4.2 考慮累積效應(yīng)的信息聚合模型 15
1.4.3 考慮累積效應(yīng)的信息聚合方法的有效性驗證 19
1.5 考慮累積效應(yīng)的動態(tài)相似子序列預(yù)測方法 30
1.5.1 動態(tài)相似子序列基本概念 30
1.5.2 動態(tài)相似子序列選取方法 31
1.5.3 動態(tài)相似子序列預(yù)測模型 35
1.6 本章小結(jié) 40
參考文獻 41
第2章 考慮累積效應(yīng)和耦合效應(yīng)的負(fù)荷預(yù)測技術(shù)及應(yīng)用 42
2.1 概述 42
2.2 城市微氣象與電力空調(diào)負(fù)荷的交互影響 42
2.2.1 城市微氣象與電力空調(diào)負(fù)荷的交互影響模型概述 42
2.2.2 熱島效應(yīng)對電力空調(diào)負(fù)荷的影響 44
2.2.3 溫濕效應(yīng)對電力空調(diào)負(fù)荷的影響 45
2.2.4 累積效應(yīng)對電力空調(diào)負(fù)荷的影響 48
2.2.5 城市熱島效應(yīng)、溫濕效應(yīng)和累積效應(yīng)對電力空調(diào)負(fù)荷的綜合影響 50
2.2.6 電力空調(diào)負(fù)荷對城市微氣象的反作用 51
2.2.7 城市微氣象與電力空調(diào)負(fù)荷之間的惡性循環(huán)作用 53
2.3 基于大數(shù)據(jù)的分布式短期負(fù)荷預(yù)測方法 54
2.3.1 負(fù)荷預(yù)測方案 54
2.3.2 子網(wǎng)劃分方法 55
2.3.3 子網(wǎng)負(fù)荷預(yù)測模型 57
2.3.4 全網(wǎng)負(fù)荷預(yù)測模型 58
2.4 基于機器學(xué)習(xí)的短期用電預(yù)測方法 60
2.4.1 短期用電預(yù)測方案 60
2.4.2 基于形狀相似性的用電曲線聚類 61
2.4.3 基于相關(guān)性分析的用電曲線關(guān)鍵影響因素分析 62
2.4.4 基于機器學(xué)習(xí)的短期用電預(yù)測模型 63
2.5 本章小結(jié) 66
參考文獻 67
第3章 基于不確定性理論分析的電力設(shè)備故障概率預(yù)測 69
3.1 概述 69
3.2 電網(wǎng)設(shè)備故障概率預(yù)測 69
3.2.1 設(shè)備狀態(tài)檢測 70
3.2.2 運行環(huán)境 70
3.2.3 氣象因素 70
3.2.4 人為因素 72
3.3 輸電線路故障概率預(yù)測 73
3.3.1 基本思想 74
3.3.2 數(shù)據(jù)平穩(wěn)性檢驗 75
3.4 變壓器故障概率預(yù)測 76
3.4.1 基于非等間隔 GM(1.1)冪模型的灰色預(yù)測 77
3.4.2 基于遺傳算法 GM(1,1)冪模型的參數(shù)優(yōu)化 79
3.5 配電網(wǎng)元件負(fù)載率預(yù)測和重過載狀態(tài)預(yù)警 81
3.5.1 配電網(wǎng)元件負(fù)載率預(yù)測 81
3.5.2 配電網(wǎng)元件重過載狀態(tài)預(yù)警 88
3.6 本章小結(jié) 90
參考文獻 90
第4章 基于機器學(xué)習(xí)的超短期新能源發(fā)電功率預(yù)測方法及應(yīng)用 92
4.1 概述 92
4.2 新能源發(fā)電功率統(tǒng)計學(xué)習(xí)方法分類 92
4.2.1 線性模型 92
4.2.2 非線性模型 93
4.3 基于即時學(xué)習(xí)-反向傳播神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測 95
4.3.1 BPNN 95
4.3.2 即時學(xué)習(xí)框架 98
4.4 基于簇內(nèi)即時學(xué)習(xí)策略的短期風(fēng)電功率預(yù)測 99
4.4.1 DBSCAN聚類法 100
4.4.2 考慮趨勢性的度量指標(biāo) 101
4.5 基于動態(tài)知識蒸餾的短期風(fēng)電功率預(yù)測 103
4.5.1 動態(tài)知識蒸餾模型 103
4.5.2 基于動態(tài)知識蒸餾的風(fēng)電功率預(yù)測模型 106
4.6 本章小結(jié) 107
參考文獻 107
第5章 基于智能預(yù)測的發(fā)電機組優(yōu)化調(diào)度策略及應(yīng)用 110
5.1 概述 110
5.2計及電池?fù)p耗及壽命預(yù)測的虛擬發(fā)電廠優(yōu)化調(diào)度策略 111
5.2.1 電池?fù)p耗模型及其壽命預(yù)測 111
5.2.2 基于循環(huán)周期數(shù)法電池?fù)p耗模型的虛擬發(fā)電廠短期優(yōu)化調(diào)度 120
5.3 基于斷面功率預(yù)測的機組超前優(yōu)化調(diào)度策略 122
5.3.1 風(fēng)電接入對輸電斷面調(diào)度的影響 122
5.3.2 深度學(xué)習(xí)預(yù)測風(fēng)電機組出力 122
5.3.3 考慮預(yù)測風(fēng)電機組出力的機組調(diào)度策略 125
5.4 基于圖計算的安全約束機組組合圖建模及高效優(yōu)化 128
5.4.1 基于圖模型的機組組合計算框架 128
5.4.2 不確定性環(huán)境下安全機組組合約束集 128
5.4.3 基于相似性原理的初始解生成方法和約束有效性判斷技術(shù) 129
5.4.4 機組組合圖路徑搜索迭代方法 129
5.5 本章小結(jié) 130
參考文獻 130
第6章 基于智能預(yù)測的備用容量規(guī)劃及其應(yīng)用 132
6.1 概述 132
6.2 考慮負(fù)荷預(yù)測可信度的備用容量規(guī)劃方法 132
6.2.1 負(fù)荷預(yù)測可信度的基本概念 132
6.2.2 可信度預(yù)測與負(fù)荷預(yù)測對比 134
6.2.3 基于負(fù)荷預(yù)測可信度的備用容量優(yōu)化 136
6.2.4負(fù)荷備用容量的概率性預(yù)測 138
6.3 考慮負(fù)荷時間彈性的備用容量規(guī)劃方法 142
6.3.1負(fù)荷時間彈性的定性分析 142
6.3.2負(fù)荷時間彈性的定量分析 144
6.3.3 基于負(fù)荷時間彈性的備用容量優(yōu)化 146
6.4本章小結(jié) 148
參考文獻 149
第7章 智能電網(wǎng)管理水平評價體系設(shè)計 150
7.1 概述 150
7.2 綜合管理指標(biāo)體系構(gòu)建模塊 150
7.3 綜合管理指標(biāo)權(quán)重確定模塊 154
7.4 綜合管理效率評估模塊 155
7.5 基于熵權(quán)法的智能電網(wǎng)管理水平評價指標(biāo)量化方法 156
7.5.1 智能電網(wǎng)管理水平評價的約束參數(shù) 156
7.5.2 熵權(quán)分析 158
7.5.3 智能電網(wǎng)管理水平評價量化處理 159
7.6 本章小結(jié) 159
參考文獻 159