基于CM-AFSA-BP神经网络的土石坝渗流压力预测

针对经典BP神经网络训练效率低、易陷入局部极值等缺点,利用云模型对传统人工鱼群算法(AFSA)进行改进,并采用改进后的云人工鱼群算法(CM-AFSA)对BP神经网络的权值和阈值进行优化,构建基于CM-AFSA-BP神经网络的预测模型。以某土石坝测压管水位为指标,利用CM-AFSA-BP神经网络预测模型对其渗流压力进行预测,并与同结构的经典BP神经网络预测结果进行对比分析。结果表明,CM-AFSA-BP神经网络模型在训练速度和预测精度上明显更优,在土石坝渗流压力预测和分析方面具有较好的适应性。     

基于变量优化和IWOA-LSTM的锅炉系统水冷壁温度预测

为进一步提高锅炉系统水冷壁温度的预测精度,提出一种基于变量优化和改进鲸鱼算法优化长短期记忆神经网络的水冷壁温度预测模型。首先,通过互信息算法(MI)进行变量选择,消除初始数据中的冗余变量;其次,使用经验模态分解算法(EMD)对变量选择后的数据进行特征分解,在提取变量有效特征信息的同时降低噪音干扰;最后,使用由非线性递减因子和自适应权值改进后的鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)确定长短期记忆神经网络(LSTM)的超参数,得到一种新型锅炉系统水冷壁温度预测模型(MI EMD IWOA LSTM)。实验结果表明,相比传统的最小二乘支持向量机(LSSVM)预测模型,MI EMD IWOA LSTM模型的均方根误差(RMSE=0.306 8)和平均绝对百分比误差(MAPE=0.054 6)最低,能够实现对锅炉系统水冷壁工质温度的精准预测。     

基于人工鱼群-径向基神经网络的NOx预测模型

针对燃煤电厂脱硝系统入口NOx质量浓度迟延较大、难以测量的问题,提出了人工鱼群算法(AFSA)优化径向基神经网络(RBFNN)预测模型.利用互信息确定模型输入变量,运用K-近邻互信息算法预估迟延时间;采用具有强泛化能力的RBFNN建立相空间重构的辅助变量和主导变量的预测模型,并运用AFSA确定RBFNN的最优参数组合,克服输入规律不明和参数随机性的影响.最后将AFSA-RBFNN预测模型与RBFNN、PSO-RBFNN预测模型进行对比验证.结果表明:AFSA-RBFNN预测模型的均方根误差、平均绝对百分比误差最小,运行时间最短,表明该模型的泛化能力、预测精度明显优于其他模型,并能够解决粒子群算法的局部收敛和运行时间长的问题.     

基于有限元热-流耦合场仿真的变压器风道结构改进

变压器的热点温升是影响变压器正常运行的一个重要因素,合理的风道结构改进可以在一定程度上降低热点温升。为此,首先建立变压器的二维有限元模型,采用有限元磁场分析得出各部分的热源荷载;再通过有限元热-流耦合仿真计算,得到变压器绕组的温度分布,确定绕组的热点位置;然后针对热点分布位置提出了风道结构改进方案,并再次进行仿真分析。对比分析改造前后绕组的温度和热点情况,表明改造后热点温升降低15%,证明了改造方案的可行性。     

基于改进人工鱼群算法的防渗墙结构优化研究

防渗墙是土石围堰中重要的防渗结构,对改善渗流场分布与提高土石围堰稳定性具有积极作用。为此,提出一种基于改进人工鱼群算法的防渗墙结构优化方法,以某围堰工程为例,基于有限元分析法建立围堰有限元模型,以防渗墙的墙体厚度和入岩深度作为待优化变量,构建以渗流量和经济指标联合表征的目标函数,采用改进人工鱼群算法更新待优化变量,确定最优的防渗墙结构,最后通过渗流—应力耦合分析,得到常水位和水位骤降工况下围堰的安全系数。结果表明,与传统人工鱼群算法相比,基于改进人工鱼群算法的防渗墙结构优化方法具有较快的收敛速度和收敛精度,优化后的防渗墙结构在满足防渗效果的前提下,实现了防渗效果和经济性的平衡;防渗墙后孔隙水压力下降明显,围堰在常水位及水位下降速率v=0.5、1.0、2.0 m/d工况下安全系数分别为1.489、1.410、1.376、1.321,均满足安全要求,体现了所提方法的可行性和合理性,研究结果可为土石围堰设计和施工提供参考。     

改进的人工鱼群算法在电力系统经济负荷分配中的应用

经济负荷分配是提高电力系统经济运行、减少发电成本的关键问题,针对现行优化电力系统经济负荷分配方法存在的不足,在传统人工鱼群算法基础上,引入了动态变量(可变感知距离、变尺度移动步长和随机移动的概率)和t分布概率算子,提出了一种改进的人工鱼群算法对机组有功出力进行合理分配,并利用该方法对某地3机系统进行多时段仿真。结果表明,该算法不仅优化了多台机组负荷的最优分配,且能更快更准地获取全局最优解,具有较高的使用价值。     

基于改进相似日和ABC-SVM的光伏电站功率预测

为提高光伏电站输出功率预测的精度,以满足电网调度的高精度要求,提出基于改进相似日和人工蜂群算法优化支持向量机的光伏电站功率预测方法。运用熵权法计算得到各气象因素对光伏出力的影响权重,通过计算历史日与待测日气象因数的加权欧氏距离和加权关联度确定相似日,选取相似日光伏输出功率历史数据、温度和湿度以及待测日温度、湿度作为支持向量机的输入变量,采用k-折交叉验证和人工蜂群算法相结合的方法优化核函数参数和惩罚因子,最终输出光伏电站各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的泛化能力和学习能力,具有较高的预测精度。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关,设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度,提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法,即在利用果蝇优化算法（FOA）进入迭代寻优时,通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数,然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测,并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明, IFOA-GRNN具有较高的预测精度,能够满足电力系统短期负荷预测的要求。     

基于人工鱼群遗传算法的梯级水库优化调度研究

针对人工鱼群算法的不足,提出了人工鱼群遗传算法(AFSA-GA),采用人工鱼群算法模拟梯级水库优化调度,再用遗传算法进行局部细化搜索。实例结果表明,人工鱼群遗传算法应用于梯级水库优化调度行之有效。     

基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

主变压器绕组热点光纤测温技术的应用

随着智能化变电站建设中对各类主设备在线监测的要求,发现传统的主变压器测温系统,已经不能适应当今的智能化技术要求。在列举了传统测温技术存在不足的情况下,介绍了一种光纤测温技术的工作原理和特点,以及将主变压器绕组热点光纤测温技术应用到泸定站改造工程中的案例。通过对主变压器在线远程绕组热点光纤测温,解决了监测变压器内部线圈热点温度盲区的难题,同时也为今后变压器的安全运行,积累和提供准确、可靠的在线动态热点温度监测值。     

An investigation of parameters affecting the temperature rise in windings with zigzag cooling flow path

Disk type windings are widely used in large power transformers. Block washers are used within some designs of this winding type to help to direct the oil flow. These washers increase the heat transfer coefficient, decrease hot spot temperature and consequently make the transformer smaller.A proper model is helpful to calculate the temperature distribution inside a natural convective cooled disk type winding including block washers. Therefore, in this paper a mathematical thermal model is presented and its validity and accuracy is verified with experimental measured data. Meanwhile, the effects of some parameters such as heat loss, number of washers, height of radiators and channel geometry are investigated using the model.     

2001 Summer Power Meeting Pictorial Review

Transformers supplying nonsinusoidal load currents are subject to increased losses. Of particular concern is the increase in the winding eddy current loss as it varies with a power q of the harmonic number n and increases winding and hot spot temperature rises. Clearly the value of q is of paramount importance. For transformers wound with copper strip, the value of q is generally taken to be close to 2. Analysis of a copper sheet winding presented in this paper shows that the power, q, for such a winding is about 0.8. Although sheet windings have high concentrations of loss intensity at the ends of the inner turn of the inner winding and the outer turn of the outer winding, they are not increased by harmonics as much as for the strip wound transformer due to the lower value of q.     

基于鸡群算法参数优化的改进GM(1,1)模型的变压器绝缘水平预测

针对GM(1,1)模型背景值及初始值设置方面存在的缺陷,为减少绝缘事故的发生,提出一种基于鸡群算法参数优化的改进GM(1,1)模型,以南方电网某变电站SSP9-H-120000/220型220kV主变压器为例,选取绝缘电阻和油介质损耗因数两种指标作为反映变压器整体绝缘水平的状态量,采用所提模型对其进行预测。实例应用结果表明,改进模型在提高变压器绝缘水平预测精度方面效果显著,更符合实际工程需要。     

基于DPBIL-SVM混合模型的电力现货市场出清价预测研究

为准确预测现货市场出清价,利用改进的基于种群增量学习的进化算法(DPBIL)对SVM参数进行优化,构建了基于DPBIL-SVM的混合预测模型,将该模型应用于挪威电力市场短期电价预测中,并与灰色GM(1,1)模型和BP人工神经网络模型进行比较。结果表明,所提模型能够将现货市场出清价预测误差控制在5%以下,合格率97%,效果优于灰色GM(1,1)模型和BP人工神经网络模型,符合现货市场实际报价的要求。     

基于改进粒子群优化RBF网络的变压器故障诊断

为提高变压器故障诊断精度,提出了一种改进粒子群优化RBF网络算法,用于优化RBF网络的中心参数。首先通过非线性递减权值策略改进粒子群算法,再利用改进粒子群优化RBF网络,最后建立用于变压器故障诊断的RBF网络模型,并在Matlab平台上进行了仿真测试。结果表明,优化后的RBF网络比单一RBF网络故障诊断率有大幅提高。通过诊断国网某公司的5组故障实例,验证了所提算法的可行性。     

基于变压器最优漏磁信息的绕组变形分类方法

为了判别电力变压器绕组变形状况,提出一种基于最优漏磁信息及多层聚类编码和最优权重译码的ECOC分类器对变压器绕组变形分类的方法,首先利用多层聚类算法构建最优ECOC编码矩阵,然后通过最优权重译码算法对分类器输出进行译码得出变压器绕组具体变形类别,建立变压器绕组二维漏磁场有限元模型,计算得出绕组可能出现的变形形式和绕组区域变形前后的磁感应强度值数据,从而得出磁感应强度测量点;最后利用所建立模型得出的绕组变形数据进行仿真判别。结果表明,所建立的分类器在绕组变形判别时具有较高的准确性,可用于变压器绕组变形类型的检测。     

Numerical study of parameters affecting the temperature distribution in a disc-type transformer winding

In this paper, the effect of the numerical model, mass flow rate and inlet boundary conditions on the flow and temperature distributions in a disc-type transformer winding is investigated using a commercial CFD code. For the winding under investigation, it was found that the results obtained with simplified models are quite different from those computed with a complete Conjugate Heat Transfer model that considers the individual copper conductors forming the disc. The temperature profile (uniform or non-uniform) specified at the inlet of the winding is another parameter having a significant influence on the hot-spot temperature prediction and the paper stresses that a refined model is needed to capture this effect. The numerical results also indicate that a higher flow rate gives a more efficient cooling of the winding since the temperature distribution is more uniform and the hot-spot factor is reduced.