基于改进RBFNN的1 000 kV特高压线损预测

针对特高压输电线线损与特征参数间关系复杂的特点,提出一种联合聚类优化算法（Canopy -K- means）和自适应二次变异差分进化（adaptive second mutation differential evolution,ASMDE）算法改进的径向基神经网络（radial basis function neural network,RBFNN）模型,用于特高压输电线线损的预测。通过理论分析确定特高压输电线线损的特征参数,采用Canopy-K-means聚类算法进行聚类,以此确定径向基（radial basis function,RBF）神经网络的隐藏层节点,从而确保RBF神经网络具有较优的隐藏层中心。用特征参数和线损的样本数据训练ASMDE算法优化的RBF神经网络,拟合出线损与特征参数之间复杂的非线性关系。以华中地区某特高压输电线路的历史数据为例,仿真验证了所提方法的实用性和有效性。     

计算配电网线损的GA与BP结合的新方法

为了克服常规BP算法而陷入局部极小及基本遗传算法GA过早收敛的缺点，该文提出一种将神经网络BP算法与GA算法结合的新算法，用于计算配电网线损。对于有代表性的配电线路的线损与特征参数（如线路某时段内通过的有功功率和无功功率供电量）的样本数据，先作标准化处理，再进行分群，然后用GA与BP结合的新算法映射（拟合）线损与特征参数之间的复杂关系。以68条配电线路数据为例，计算结果证实了该算法明显地提高了收敛速度及准确度。     

基于改进蚁群优化算法的配电网线损计算新方法

针对径向基函数（radialbasisfunction,RBF）神经网络收敛速度慢、易于陷入局部极小点的问题,提出了基于蚁群优化算法（antcolonyoptimization,ACO）的RBF神经网络线损计算新方法。通过引入交叉和变异改进后的ACO训练BRF神经网络,使其具有神经网络广映射能力、ACO快速全局收敛以及启发式学习等特点。利用优化后的RBF神经网络算法拟合配电线路线损与特征参数之间的复杂关系,实现配电网线损计算。仿真结果表明,优化后的BRF神经网络算法的线损计算误差基本在1％以内,具有良好的收敛能力和较快的计算速度。     

基于粒子群优化算法的神经网络在配电网线损计算中的应用

提出了一种将粒子群优化算法(PSO)训练神经网络用于配电网线损计算的方法。该方法使用由PSO训练的BP模型来拟合影响线损的特征参数与线损之间的复杂关系。实例计算表明,与BP算法及BP与GA结合算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度。     

基于粒子群优化算法的神经网络在配电网线损计算中的应用

提出了一种将粒子群优化算法(PSO)训练神经网络用于配电网线损计算的方法.该方法使用由PSO训练的BP模型来拟合影响线损的特征参数与线损之间的复杂关系.实例计算表明,与BP算法及BP与GA结合算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度.     

用遗传算法辅助设计的人工神经网络计算配电网线损

利用遗传算法（ＧＡ）辅助设计的人工神经网络（ＡＮＮ）进行配电网线损计算。首先通过ＧＡ来确定ＡＮＮ的三个参数（隐含层中神经元个数、学习速率和动量因子）,然后应用ＢＰ型神经网络来拟合影响线损的特征参数与线损之间的复杂关系,在此基础上提出了计算配网线损的简单、准确而实用的方法。实例计算结果表明,该算法比现有其它计算配网线损的方法更为准确。     

基于分群算法和人工神经元网络的配电网线损计算

本文提出了基于分群算法和人工神经元网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数(如线路某时段内通过的有功功率和无功功率供电量)的样本数据,先用分群算法将样本数据分解,再用误差反向传播模型(Error Back-PropagationModel—BP模型)来映射(拟合)各个群的样本数据。考虑到BP模型固有的特性以及线损和特征参数间存在的关系,本文提出的分群算法简单,比现有方法准确,并可使其学习精度大大提高。     

基于改进K-Means聚类和BP神经网络的台区线损率计算方法

配电网线损管理中面临的主要问题有表计配置不齐备、运行数据不易收集、元件和节点数过多。这些问题导致线损率计算工作十分繁杂。提出了一种基于改进K-Means聚类算法和Levenberg-Marquardt(LM)算法优化的BP神经网络模型快速计算低压台区线损率的方法,并通过编程加以实现。根据样本的电气特征参数,提出了改进K-Means聚类算法,将台区样本分类,解决了台区线损率数值分散的问题。在此基础上,采用LM算法优化的BP神经网络模型对样本数据按类进行训练,利用BP神经网络拟合样本线损率与电气特征参数之间的关系,得到其变化规律。以某地区601个台区样本数据为例进行仿真计算,验证了所提方法的准确性。结果表明,与标准BP神经网络模型相比,LM算法优化的BP神经网络模型具有快速收敛、高精度等优点。     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。     

含分布式电源点的区域配电网三相线损测试研究

当前区域配电网三相线损测试难度大,为解决该问题,提出了基于神经网络的含分布式电源点的区域配电网三相线损测试方法。根据神经网络结构,分析目标不同层次特征,在特征响应支持下,分析三相四线制连接方式下的线损。利用神经网络的监视控制层实时采集线损数据,通过粒子群算法对神经网络进行优化,确定用于全局搜索的神经网络阈值,设定粒子群算法收敛条件,重新赋予线损测试值,动态调整学习因子,评估种群适应度,由此设计三相线损测试流程,实现含分布式电源点的区域配电网三相线损测试。实验结果表明,该方法测试干扰幅值较低,测试精准度高,有助于降低线损。