本書圍繞人工智能技術(shù)在電力系統(tǒng)中的應用，探討數(shù)據(jù)分析、負荷預測、設(shè)備故障預測、新能源發(fā)電功率預測、優(yōu)化調(diào)度等關(guān)鍵技術(shù)。第1～4章以人工智能技術(shù)的主要應用領(lǐng)域預測為切入點，探討負荷預測、故障概率預測、新能源發(fā)電功率預測領(lǐng)域常見的人工智能技術(shù)，著重討論時間序列的累積效應、城市微氣象與電力空調(diào)負荷的交互影響對預測結(jié)果的影響；第5和6章聚焦大數(shù)據(jù)下電力系統(tǒng)智能決策問題，分別提出虛擬發(fā)電廠優(yōu)化調(diào)度、安全約束機組組合圖建模方法和基于負荷預測可信度與時間彈性的備用容量規(guī)劃方法；第7章構(gòu)建智能電網(wǎng)管理水平評價體系。

更多科學出版社服務(wù)，請掃碼獲取。

動態(tài)耦合時間序列智能預測理論及其在電網(wǎng)控制決策中的應用，中國人工智能學會科技進步二等獎。

目錄
“新一代人工智能理論、技術(shù)及應用叢書”序
前言
第1章 時間序列中的累積效應 1
1.1 概述 1
1.2 累積效應的基本內(nèi)涵及典型現(xiàn)象 1
1.2.1 累積效應定義 1
1.2.2 影響累積效應強度的因素 3
1.2.3 考慮累積效應的溫度修正公式 3
1.3 面向中長期負荷預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 考慮累積效應的信息聚合方法 11
1.4.1 累積效應的識別方法 11
1.4.2 考慮累積效應的信息聚合模型 15
1.4.3 考慮累積效應的信息聚合方法的有效性驗證 19
1.5 考慮累積效應的動態(tài)相似子序列預測方法 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 考慮累積效應和耦合效應的負荷預測技術(shù)及應用 42
2.1 概述 42
2.2 城市微氣象與電力空調(diào)負荷的交互影響 42
2.2.1 城市微氣象與電力空調(diào)負荷的交互影響模型概述 42
2.2.2 熱島效應對電力空調(diào)負荷的影響 44
2.2.3 溫濕效應對電力空調(diào)負荷的影響 45
2.2.4 累積效應對電力空調(diào)負荷的影響 48
2.2.5 城市熱島效應、溫濕效應和累積效應對電力空調(diào)負荷的綜合影響 50
2.2.6 電力空調(diào)負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)的分布式短期負荷預測方法 54
2.3.1 負荷預測方案 54
2.3.2 子網(wǎng)劃分方法 55
2.3.3 子網(wǎng)負荷預測模型 57
2.3.4 全網(wǎng)負荷預測模型 58
2.4 基于機器學習的短期用電預測方法 60
2.4.1 短期用電預測方案 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 基于機器學習的短期用電預測模型 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)備故障概率預測 69
3.1 概述 69
3.2 電網(wǎng)設(shè)備故障概率預測 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 變壓器故障概率預測 76
3.4.1 基于非等間隔 GM(1.1)冪模型的灰色預測 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)元件負載率預測和重過載狀態(tài)預警 81
3.5.1 配電網(wǎng)元件負載率預測 81
3.5.2 配電網(wǎng)元件重過載狀態(tài)預警 88
3.6 本章小結(jié) 90
參考文獻 90
第4章 基于機器學習的超短期新能源發(fā)電功率預測方法及應用 92
4.1 概述 92
4.2 新能源發(fā)電功率統(tǒng)計學習方法分類 92
4.2.1 線性模型 92
4.2.2 非線性模型 93
4.3 基于即時學習-反向傳播神經(jīng)網(wǎng)絡(luò)的短期風電功率預測 95
4.3.1 BPNN 95
4.3.2 即時學習框架 98
4.4 基于簇內(nèi)即時學習策略的短期風電功率預測 99
4.4.1 DBSCAN聚類法 100
4.4.2 考慮趨勢性的度量指標 101
4.5 基于動態(tài)知識蒸餾的短期風電功率預測 103
4.5.1 動態(tài)知識蒸餾模型 103
4.5.2 基于動態(tài)知識蒸餾的風電功率預測模型 106
4.6 本章小結(jié) 107
參考文獻 107
第5章 基于智能預測的發(fā)電機組優(yōu)化調(diào)度策略及應用 110
5.1 概述 110
5.2計及電池損耗及壽命預測的虛擬發(fā)電廠優(yōu)化調(diào)度策略 111
5.2.1 電池損耗模型及其壽命預測 111
5.2.2 基于循環(huán)周期數(shù)法電池損耗模型的虛擬發(fā)電廠短期優(yōu)化調(diào)度 120
5.3 基于斷面功率預測的機組超前優(yōu)化調(diào)度策略 122
5.3.1 風電接入對輸電斷面調(diào)度的影響 122
5.3.2 深度學習預測風電機組出力 122
5.3.3 考慮預測風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 基于智能預測的備用容量規(guī)劃及其應用 132
6.1 概述 132
6.2 考慮負荷預測可信度的備用容量規(guī)劃方法 132
6.2.1 負荷預測可信度的基本概念 132
6.2.2 可信度預測與負荷預測對比 134
6.2.3 基于負荷預測可信度的備用容量優(yōu)化 136
6.2.4負荷備用容量的概率性預測 138
6.3 考慮負荷時間彈性的備用容量規(guī)劃方法 142
6.3.1負荷時間彈性的定性分析 142
6.3.2負荷時間彈性的定量分析 144
6.3.3 基于負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 綜合管理指標體系構(gòu)建模塊 150
7.3 綜合管理指標權(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