人工智能與電力系統(tǒng)

目錄
《智能科學(xué)技術(shù)著作叢書》序
前言
第1章 緒論 1
1.1 人工智能發(fā)展綜述 1
1.1.1 人工智能概述 1
1.1.2 人工智能的主要算法 3
1.2 電力系統(tǒng)中應(yīng)用人工智能的典型場景 4
1.2.1 基于人工智能技術(shù)的電力系統(tǒng)負(fù)荷與發(fā)電預(yù)測 4
1.2.2 基于人工智能技術(shù)的電力系統(tǒng)監(jiān)測辨識與故障診斷 5
1.2.3 基于人工智能技術(shù)的電力系統(tǒng)優(yōu)化 6
1.3 本章小結(jié) 6
基礎(chǔ)部分
第2章 進(jìn)化算法與群智能 9
2.1 遺傳算法 9
2.1.1 遺傳算法的基本概念及模型 9
2.1.2 遺傳算法的特點及應(yīng)用場景 13
2.2 免疫算法 14
2.2.1 免疫算法的基本概念及模型 14
2.2.2 免疫算法的特點 18
2.3 蟻群算法 18
2.3.1 蟻群算法的基本概念及模型 19
2.3.2 蟻群算法的特點及應(yīng)用場景 23
2.4 粒子群優(yōu)化算法 24
2.4.1 粒子群優(yōu)化算法的基本概念及模型 24
2.4.2 粒子群優(yōu)化算法的特點及應(yīng)用場景 27
2.5 模擬退火算法 28
2.5.1 模擬退火算法的基本概念及模型 29
2.5.2 模擬退火算法的特點及應(yīng)用場景 34
2.6 其他智能算法 36
2.6.1 禁忌搜索算法 36
2.6.2 進(jìn)化策略算法 41
2.6.3 進(jìn)化規(guī)劃算法 42
2.7 本章小結(jié) 43
第3章 機(jī)器學(xué)習(xí) 44
3.1 機(jī)器學(xué)習(xí)的基本概念與發(fā)展歷程 44
3.1.1 機(jī)器學(xué)習(xí)的基本概念 44
3.1.2 機(jī)器學(xué)習(xí)算法的發(fā)展歷程及分類 45
3.2 傳統(tǒng)機(jī)器學(xué)習(xí)算法 46
3.2.1 貝葉斯算法 46
3.2.2 決策樹算法 50
3.2.3 支持向量機(jī) 54
3.3 深度學(xué)習(xí) 57
3.3.1 神經(jīng)元與神經(jīng)網(wǎng)絡(luò) 58
3.3.2 卷積神經(jīng)網(wǎng)絡(luò) 62
3.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 66
3.4 強化學(xué)習(xí) 71
3.4.1 強化學(xué)習(xí)的基本概念及主要研究方向 71
3.4.2 馬爾可夫算法 74
3.4.3 Q學(xué)習(xí)算法 77
3.5 本章小結(jié) 82
應(yīng)用部分
第4章 基于人工智能技術(shù)的電力系統(tǒng)負(fù)荷與發(fā)電預(yù)測 85
4.1 基于長短期記憶網(wǎng)絡(luò)的風(fēng)電預(yù)測 85
4.1.1 基于長短期記憶網(wǎng)絡(luò)的單點值預(yù)測 85
4.1.2 基于窗寬優(yōu)化的非參數(shù)核密度估計模型 87
4.1.3 誤差數(shù)據(jù)庫的生成及預(yù)測流程 89
4.1.4 仿真與驗證 90
4.2 基于PSO-LSVM的海水淡化系統(tǒng)負(fù)荷預(yù)測 94
4.2.1 海水淡化系統(tǒng)模型建立 95
4.2.2 海水淡化負(fù)荷求解方法建立 96
4.2.3 仿真與驗證 100
4.3 基于形態(tài)聚類的LightGBM的工業(yè)用戶負(fù)荷預(yù)測 103
4.3.1 工業(yè)用戶負(fù)荷形態(tài)聚類算法 103
4.3.2 基于用戶負(fù)荷曲線的特征選擇 106
4.3.3 基于形態(tài)聚類的LightGBM的工業(yè)用戶中期負(fù)荷預(yù)測模型 106
4.3.4 仿真與驗證 112
4.4 本章小結(jié) 117
第5章 基于人工智能技術(shù)的電力系統(tǒng)監(jiān)測辨識與故障診斷 118
5.1 基于卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷監(jiān)測 118
5.1.1 基于卷積神經(jīng)網(wǎng)絡(luò)的非侵入式負(fù)荷監(jiān)測方法 118
5.1.2 仿真與驗證 122
5.2 基于馬爾可夫模型的負(fù)荷辨識 124
5.2.1 多特征序列融合的負(fù)荷辨識原理 125
5.2.2 多特征序列融合的負(fù)荷辨識流程 128
5.2.3 仿真與驗證 129
5.3 基于模擬退火算法的高壓輸電線路故障定位 132
5.3.1 輸電線路故障定位原理 132
5.3.2 基于模擬退火-改進(jìn)牛頓迭代法的模型求解 134
5.3.3 仿真與驗證 136
5.4 基于卷積神經(jīng)網(wǎng)絡(luò)的多端直流輸電線路故障診斷 136
5.4.1 MTDC線路故障特征提取 137
5.4.2 P-CNN構(gòu)建 139
5.4.3 仿真與驗證 142
5.5 基于深度學(xué)習(xí)的電力變壓器故障診斷與定位 145
5.5.1 基于卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障在線診斷技術(shù) 146
5.5.2 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的變壓器故障在線定位技術(shù) 152
5.6 本章小結(jié) 161
第6章 基于人工智能技術(shù)的電力系統(tǒng)優(yōu)化 162
6.1 基于粒子群優(yōu)化算法的微電網(wǎng)容量優(yōu)化配置 162
6.1.1 微電網(wǎng)的容量優(yōu)化配置模型 163
6.1.2 優(yōu)化配置模型的算法 171
6.1.3 仿真與驗證 174
6.2 基于遺傳算法的多能源系統(tǒng)能量樞紐優(yōu)化配置 184
6.2.1 能量樞紐模型 184
6.2.2 計及可靠性的能量樞紐優(yōu)化配置模型 185
6.2.3 基于雙層優(yōu)化的能量樞紐最優(yōu)求解方法 189
6.2.4 仿真與驗證 191
6.3 基于遺傳算法的沿海水電系統(tǒng)優(yōu)化運行 194
6.3.1 考慮海水淡化的沿海水電系統(tǒng)配置 194
6.3.2 考慮海水淡化的沿海水電系統(tǒng)優(yōu)化運行 195
6.3.3 仿真與驗證 197
6.4 基于粒子群優(yōu)化算法的多能源系統(tǒng)優(yōu)化運行 200
6.4.1 多能源系統(tǒng)并網(wǎng)模式下實時優(yōu)化控制策略 200
6.4.2 多能源系統(tǒng)并網(wǎng)模式下優(yōu)化模型 202
6.4.3 多能源系統(tǒng)并網(wǎng)模式下優(yōu)化控制算法 207
6.4.4 仿真與驗證 207
6.5 基于免疫算法的水火電聯(lián)合優(yōu)化調(diào)度 216
6.5.1 含梯級水電站的水火電聯(lián)合優(yōu)化調(diào)度模型 216
6.5.2 含梯級水電站的水火電聯(lián)合優(yōu)化調(diào)度方法 218
6.5.3 仿真與驗證 221
6.6 基于蟻群算法的風(fēng)電集群輸電系統(tǒng)拓?fù)鋬?yōu)化 224
6.6.1 風(fēng)電集群輸電系統(tǒng)的數(shù)學(xué)模型 225
6.6.2 基于改進(jìn)蟻群算法的風(fēng)電集群輸電系統(tǒng)拓?fù)鋬?yōu)化方法 228
6.6.3 仿真與驗證 228
6.7 本章小結(jié) 231
參考文獻(xiàn) 232