Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình dự đoán mạng nơ-ron hồi quy mới cho trung tâm trí tuệ năng lượng
Tóm tắt
Để dự đoán chính xác tải của hệ thống điện và nâng cao tính ổn định của mạng điện, một mô hình mạng nơ-ron hồi quy dựa trên toán học chưa xác định (UMRNN) mới cho trung tâm trí tuệ năng lượng (PIC) đã được tạo ra qua ba bước. Đầu tiên, bằng cách kết hợp với lý thuyết truyền tải yếu tố không chắc chắn của dự án tổng thể (GPUET), các định nghĩa cơ bản về yếu tố ngẫu nhiên, mờ và xám không chắc chắn đã được đưa ra dựa trên các loại thông tin không chắc chắn chính. Thứ hai, một liên minh động lực điện bao gồm bốn lĩnh vực: lĩnh vực phát điện, lĩnh vực truyền tải, lĩnh vực phân phối và khách hàng đã được thiết lập. Các yếu tố chính đã được điều chỉnh theo bốn hình thái truyền tải của các yếu tố không chắc chắn, do đó các yếu tố mới đã được đưa vào trung tâm trí tuệ năng lượng dưới dạng các yếu tố đầu vào. Cuối cùng, trong bối cảnh xử lý thông minh của PIC, bằng cách thực hiện quá trình không chắc chắn và tái diễn đối với các giá trị đầu vào của mạng, và kết hợp với toán học chưa xác định, mô hình dự đoán tải mới đã được xây dựng. Ba cách tiếp cận khác nhau đã được đưa ra để dự đoán tải của lưới điện khu vực phía Đông ở Trung Quốc. Sai số căn bậc hai trung bình (E
RMS) cho thấy độ chính xác dự đoán của mô hình được đề xuất UMRNN cao hơn 3% so với mạng nơ-ron BP (BPNN), và cao hơn 5% so với trung bình dịch chuyển tích hợp hồi quy tự động (ARIMA). Ngoài ra, một ví dụ cũng chỉ ra rằng sai số tương đối trung bình của quý đầu tiên năm 2008 do UMRNN dự đoán chỉ là 2,59%, điều này cho thấy độ chính xác cao.
Từ khóa
#dự đoán tải #mạng nơ-ron hồi quy #toán học chưa xác định #trung tâm trí tuệ năng lượng #độ chính xác dự đoánTài liệu tham khảo
LUIS A A, DANIELA D R, SILVIO T L, CARLOS B M. Dynamical prediction and pattern mapping in short-term load forecasting [J]. Electrical Power and Energy System, 2008, 30(1): 73–82.
LALIT M S. Peak load forecasting using Bayesian regularization, resilient and adaptive backpropagation learning based artificial neural networks [J]. Electric Power Systems Research, 2008, 78(7): 1302–1310.
PHILIPPE L, ERIC F, RIJA N R, JEAN-FRANCOIS M. Bayesian neural network approach to short time load forecasting [J]. Energy Conversion and Management, 2008, 49(5): 1156–1166.
SONG K B, BAEK Y S, HUN H D, JANG G. Short-term load forecasting for the holidays using fuzzy linear regression method [J]. IEEE Transactions on Power System, 2005, 20(1): 96–101.
HUANG Ming-yang, CHEN Chao-shen, LIN Chia-hung. Innovative service restoration of distribution systems by considering short-term load forecasting of service zones [J]. International Journal of Electrical Power and Energy Systems, 2005, 27(5/6): 417–427.
SILVA A M, RIBEIRO S M P, ARIENTI V L, ALLAN R N, DO COUTTO-FILH M B, DEPT E E, CATHOLIC-UNIV R D J. Probabilistic load flow techniques applied to power system expansion planning [J]. IEEE Transactions on Power Systems, 1990, 5(4): 1047–1053.
LIN Yong-huang, LEE P C. Novel high-precision grey forecasting model [J]. Automation in Construction, 2007, 16(6): 771–777.
WANG Guang-yuan. Unascertained information and the mathematics method [J]. Journal of Harbin Architecture University, 1990, 23(4): 52–58. (in Chinese)
CHENG Hao-zhong, ZHU Hai-feng, MARIESA L C, GERALD B S. Flexible method for power network planning using the unascertained number [J]. Electric Power Systems Research, 2004, 68(1): 41–46.
ZHOU Tao, WANG Zeng-hui, YANG Rui-chang. Study on model of onset of nucleate boiling in natural circulation with subcooled boiling using unascertained mathematics [J]. Nuclear Engineering and Design, 2005, 235(21): 2275–2280.
LI Cun-bin, WANG Jian-jun. Model of generic project risk element transmission theory based on data mining [J]. Journal of Central South University of Technology, 2008, 15(1): 132–135.
LIU Ji-cheng, YAN Su-li, QI Jian-xun. Research on building business intelligence center in dynamic alliance [J]. China Market, 2008, 1(2): 66–67. (in Chinese)
BENAOUDA D, MURTAGH F J L, RENAUD O. Wavelet-based nonlinear multiscale decomposition model for electricity load forecasting [J]. Neurocomputing, 2006, 70(1/3): 139–154.