针对传统随机生产模拟忽略负荷的时序特性而难以考虑机组启停、备用、调峰等相关动态费用的问题，将转移频率分析纳入随机生产模拟框架中，形成了改进等效电量频率法．该方法通过等效负荷频率曲线(ELFC)的卷积考虑机组启停，将生产成本分析的范畴拓宽到动态费用的计算．根据所提算法和含风电的EPRI 36算例，比较了风电并网前后系统可靠性指标、燃料成本、环境成本和动态费用等的变化，并研究了风电装机规模对动态费用率的影响．结果表明，相对于动态费用的增加，风电对系统可靠性与经济性的改善是主要的，但动态费用率随着风电规模的扩大

各种电力行业协议文档 包 376.1 645-97 DLMS DLT614 DLT645-2007，DLT698 远传水表协议

本地电力市场是在分配层面促进可再生能源的效率和使用的一种有前景的理念。然而，作为一个新概念，如何设计和将这些本地市场整合到现有市场结构中，并从中获得最大利润仍然不清楚。在本文中，我们提出了一个本地市场机制，其中最终用户（消费者、小型生产者和能源生产者）之间进行能源交易。由于本地市场可能存在流动性不足的情况，该机制假设最终用户通过与具有批发市场接入权限的聚合器/零售商的双边合同来满足其能源需求。本地市场中允许的竞标和报价受到电价补贴和聚合器收费的限制，以确保最终用户最多能够以预期成本获得能源，而不考虑本地市场的情况。该问题被建模为一个多主单随从的双层优化问题，其中上层定义了代理商利润的最大化，而下层则最大化了本地市场中的能源交易。由于问题的复杂性和最终用户信息的不完全，我们倡导使用进化计算，这是人工智能的一个分支，已成功应用于各种优化问题。

力窃漏电用户自动识别 1.背景与数据分析目的 a.通过电力系统采集到的数据，提取出窃漏电用户的关键特征， b.构建窃漏电用户的识别模型:以实现自动检查、判断用户是否是存在窃漏电行为。 2.数据预处理 通过对拿到的数据进行数据质量分析，检查原始数据中存在的脏数据，通过查看原始数据中抽取的数据，发现存在数据缺失的现象，使用朗格拉日插值法：选取缺失值前5个数据作为前参考组，缺失值后5个数据作为后参考组，处理缺失值程序. 3.挖掘建模 从专家样本中随机选取20%作为测试样本，剩下的80%作为训练样本，初步选择常用的分类预测模型：CART决策树和LM神经网络。 3.1 构建CART决策树模型 3.2 LM神经网络模型 3.3 CART和LM模型对比 结论：LM神经网络的ROC曲线比CART决策树更加靠近单位方形的左上角且LM神经网络的ROC曲线下的面积更大，则LM神经网络预测模型的分类性能更好，更适合应用于窃漏电用户自动识别当中。 将处理后的数据作为模型输入数据，利用构建好的模型（位于工程的tmp中）计算用户的窃漏电结果，并与实际调查结果做对比，对模型进行优化，进一步提高识别准确率。 ——

针对现有群体智能优化算法在处理多目标功率潮流和电压优化问题时出现的易陷入局部最优、Pareto前沿分布性能不佳等问题，本文结合灰色狼群算法(GWO)和平衡优化器(EO)算法的搜索机制，开发出改进的灰狼平衡算法(GWEO)。该算法在GWO搜索机制的基础上加入了EO的扰动机制，进一步扩大了算法的搜索范围，有效提升了算法搜索结果的收敛性和分布性。然后以IEEE12、33、118节点配电系统为算例，以系统损耗最小、平均电压偏差最小和分布式光伏弃光率最小为优化目标，将GWEO应用到考虑分布式接入场景的配电网多目标功率潮流和电压优化中。优化结果表明，改进的GWEO可为决策者提供更优质、更多样的功率潮流和电压优化方案，因此更能满足实际配电网功率潮流和电压优化的场景需求。

基于Elman神经网络模型的短期电力负荷预测模型_包满

加州独立系统运营商 （ISO）在世界上最大、最现代化的电网之一上保持可靠性，并运营着一个透明、可访问的批发能源市场。该数据为2023.2月最新需求负载的集合，记录时间为5分钟每次，不包含风电需求，可以为电网的动态仿真提供真实有效的物理负载，如上层电网调配等问题。

适用于图像分类 目标检测 数据集较小 无花果公开数据集

plecs 单相 光伏 全桥逆变器 并网 MPPT 最大功率点跟踪控制 3kW

随着电力行业的发展，可再生能源的并入以及新能源电动汽车等各种新负荷的加 入， 给电网的安全性和稳定性带来极大挑战。高精度的电力系统中短期负荷预测对电网 资源的科学调度以及电网的高效、安全、稳定运行具有重要意义。因此， 如何准确的预 测电力系统中短期负荷变成了亟待解决的问题。 针对短期时间序列预测， 即对该地区电网未来 10 天间隔 15 分钟的负荷进行预测。 本文利用时间序列预测模型进行分析， 包括但不限于基于统计的 ARIMA 模型， Prophet 模型， 基于集成算法的随机森林算法、XGBoost 模型、梯度提升树模型， 基于神经网络 的 BP 神经网络， 长短期记忆网络等。对于 ARIMA 模型， 分析发现 ARIMA（4 ，0 ，0） 的模型最优。对比分析七大不同算法，发现该数据集 Prophet 模型的预测效果最佳。 针对中期时间序列预测， 即对该地区电网未来 3 个月日负荷的最大值和最小值进行 预测， 对该地区各行业未来 3 个月日负荷最大值和最小值进行预测。同样的， 本文利用 时间序列预测模型进行分析， 结果显示， 对于该数据集的中期时间序列预测， 长短期记 忆网