基于神经网络集成的电力系统失衡的概率预测
现有的数据驱动电力系统短期电压稳定性评估 (STVSA) 方法假定输入数据的类别平衡。然而,在实际应用中,干扰后出现短期电压不稳定的情况很少,导致严重的类别不平衡问题和分类器性能下降。为解决这一挑战,本论文提出了一种基于 Transformer 的 STVSA 方法。通过利用基本的 Transformer 结构,提出了一种稳定性评估 Transformer (StaaT) 作为分类模型,反映系统运行状态和稳定性结果之间的相关性。为应对不平衡数据集的负面影响,本研究采用带有梯度惩罚的条件 Wasserstein 生成对抗网络 (CWGAN-GP) 用于合成数据生成,帮助创建一个平衡且代表性的训练集用于分类器。此外,还实施了半监督聚类学习来提高聚类质量,解决了短期电压稳定性缺乏统一量化标准的问题。在 IEEE 39 节点测试系统上进行的数值测试广泛证明了所提出方法在类别不平衡达到 100:1 和噪声环境下的鲁棒性,并且即使增加了可再生能源的渗透,方法的有效性仍然保持一致。比较结果表明,CWGAN-GP 生成的数据集更平衡,而 StaaT 优于其他深度学习算法。该研究提供了一个具有说服力的解决方案,适用于经常面临类别不平衡和数据噪声挑战的实际 STVSA 应用场景。
Oct, 2023
该文介绍了一种新颖的成本敏感变压器模型,该模型通过融合混合型采样器和基于回归的填充器,以及经过严格测试的方法,从而在工业环境中预测故障方面表现出比现有方法更好的性能,并分析了所提出方法中不同组成部分的贡献。研究结果凸显了该方法在解决工业设置中故障预测的独特挑战方面的潜力,从而提高了工业操作的可靠性和效率。
Jan, 2024
通过比较统计学、机器学习和深度学习模型在爱尔兰平衡市场上的表现,本研究发现短期电力市场和平衡市场是基本不同的构造,并提出了一种基于 LASSO 的 LEARN 模型,其在平衡市场上的预测表现优于更复杂和计算要求更高的方法。
Feb, 2024
本文提出采用网络科学指标和机器学习模型相结合的方法来预测输电线路故障后系统失同步事件的风险,结果表明只需少量网络指标即可量化网络重定向流量的能力,得到高于 0.996 的平均预测精度。
Oct, 2022
该论文提出了一种基于深度神经网络的实时电力系统监控、状态估计和预测方法,该方法在 IEEE 118 总线基准系统上的实验表明,相较于现有的 PSSE 求解器,该方法的性能提高了接近一个数量级。
Nov, 2018
通过评估和比较四种基于机器学习的风力发电预测模型,我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果,平均归一化均方根误差降至 22%,同时减少了均方根误差,并且未来研究应当探究模型流程的变化以提高预测性能。此外,我们引入了连续学习策略,该策略在新数据可用时取得了最高的预测性能提升。
Feb, 2024
本研究采用贝叶斯集成学习方法,结合神经网络和贝叶斯建模概念,预测锂离子电池容量衰减,同时量化电池设计和老化过程所带来的不确定性,实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。
May, 2024
通过应用多种 LSTM 模型和基于密度的空间应用噪声聚类(DBSCAN)异常值检测方法,剔除异常值,考虑到气象和社会因素,对三个考虑了每小时用电量,天气和日历特征数据集进行季节性划分,在所有季节性数据集中有效地减少了低估和高估误差,降低用电消耗的低估预测对于防止对社区造成损害的电力中断至关重要。
Feb, 2023
我们提出了一种基于合规推理的新方法来进行概率电价预测 (PEPF),通过在线重新校准程序,在多个市场地区进行实验,实现了具有改进小时覆盖率和稳定概率评分的次日预测。
Apr, 2024