基于模糊多属性决策法的用电客户信用评价

用电客户的信用评价是供电企业及全社会都应该关注的问题.文章在分析了用电客户信用评价应该考虑的主要因素的基础上,建立了一套适用于用电客户信用评价的指标体系,并以三角模糊数的形式给出指标值和评价者的主观感觉值,将基于期望值的模糊多属性决策法引入用电客户的信用评价中,同时讨论了指标权重完全未知和部分未知时用电客户的信用评价问题.     

基于云模型的用电客户信用评价

为了加强供电公司对电力客户信用风险的事先控制,对用电客户信用分类进行了研究.首先,建立起符合电力客户特征的信用评判指标体系,然后,通过改进的层次分析法确定指标权重,最后,引进云模型对用电客户信用进行分类.摒弃了以往研究的硬划分,对客户信用的概念划分更加科学.分析证明,能够挖掘出更多有价值的信息,对用电客户信用的评价具有可行性和有效性.     

用电客户信用的主客观评价及分析

用电客户信用关系到整个电力工业的健康发展。目前对用电客户信用评价的方法各有优缺点，找出较为合理的评价方法，可为更准确地评价用电客户信用提供参考。在建立用电客户信用评价指标体系的基础上，首先采用基于语言评价信息的逼近理想点的排序方法(TOPSIS)对用电客户信用进行主观评价，继而采用熵权法对用电客户信用进行客观评价。实例计算说明2种评价方法的评价结果可能一致也可能不一致，因而认为同时应用2种方法进行用电客户信用评价，不但能充分利用用电客户的客观数据和主观信息，而且从评价思维和评价环节及评价者的责任心方面都有助于提高用电客户信用评价的准确性，使用电客户信用评价更趋合理。     

基于层次分析法的智能用电小区客户信用价值评价

客户价值评价是企业精细化管理的一部分,对智能用电小区进行客户信用价值评价有助于电力企业推广智能用电小区的客户选择和客户管理.通过分析智能用电小区客户信用价值的影响因素,构建了客户信用价值的评价指标模型,并采用层次分析法计算出了评价指标模型中各评价指标的权重.根据计算出的各评价指标的权重,对客户信用价值进行了比较全面的、多角度的评价,从而促使企业根据评价结果进行有效的客户关系管理,达到企业效益最优.     

区间数信息下的用电客户信用评价

从解决实际问题的思路出发,首先建立了用电客户信用评价指标体系,并针对评价信息为区间数的实际情况,运用基于区间数的不确定性多指标决策法对用电客户信用进行评价,并通过一个算例说明了该方法的实用性和有效性。     

电力客户信用风险评价模型研究

建立电力企业客户信用评价机制是解决电力企业电费回收难和严重违章用电现象的有效途径之一。结合电力生产实际情况,设定一系列客户信用评价要素和信用风险评价指标,同时赋予这些指标不同的权重,对电力客户进行信用评价。     

高压企业客户电力信用综合评价体系及应用

传统电力信用研究和应用多以用电行为、缴费行为失信等负面评价为主,缺乏正向评价和激励应用,且仅应用在供电企业内部对客户管理和电费风险防控方面,没有在社会中跨界应用。首先借鉴企业社会信用评分指标体系的建设思想,将高压企业客户电力信用指标集中在守信能力和守信行为2个方面,设计了以大数据为支撑的高压企业客户电力信用综合评价指标体系,包含用电价值、电网互动价值、缴费行为、用电行为、服务互动行为和电力市场交易诚信六大评价维度。其次,设计了电力信用等级和信用分计算、修正评价流程,并以某省级电网近29万户高压企业客户为例,实证分析了电力信用总体情况,证明了所建立方法的科学性和规范性。最后,基于电力信用评级,设计了基于电力信用的差异化奖惩措施,对内有效防范风险、挖掘优质客户,对外实现电力信用价值输出。     

基于遗传算法和BP神经网络的电力客户信用评价模型

对电力客户的信用进行分析评估对于供电企业将电力输送给可靠的电力用户、提高企业经济效益具有重要意义。在分析影响电力客户信用影响因素的基础上,构建了电力客户信用评价指标体系,将遗传算法和神经网络原理引入电力客户信用评价领域,提出了基于遗传算法和神经网络的电力客户信用评价模型。实证结果表明：模型具有较强的自组织、自学习和自适应能力,模型评估结果比较客观合理。     

基于改进AHP法、CV法和TOPSIS的用电客户信用评价方法

针对用电客户信用评价时难以量化各指标主客观权重的问题,提出了一种将改进层次分析法、变异系数法与逼近理想解法相结合的用电客户信用评价方法。首先,依照导向性、全面性、易操作性等原则,构建了用电客户双层信用评价指标体系;从主、客观两个角度,分别用改进层次分析法和变异系数法计算各指标的主客观权重,然后将两者结合得到综合权重;其次利用逼近理想解法计算各用户指标与参考点的相对接近度,并以其大小为衡量标准,实现各用电客户信用等级的综合评价;最后,通过算例仿真与分析,验证了所提评价方法的有效性,结果表明该方法既能对各用电客户进行信用度等级的整体评价,又能反应用电客户各信用指标与理想状态的接近程度。     

用电客户信用评价方法研究

针对用电客户信用评价的现状，借鉴商业银行信用等级划分标准，对用电客户信用进行等级界定。采用多分类支持向量机方法以及仿真数据进行的实证分析，证明这种用电客户信用评价方法具有较高的分类正确率。     

基于粒子群优化的BP神经网络在火电厂大气环境评价中的应用

利用粒子群优化算法对传统的BP神经网络算法改进,建立了基于粒子群优化BP神经网络的评价模型,并将其应用到火电厂大气环境评价研究中。结合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索优势,有效防止了网络陷入局部极小值,同时能保证评价结果的准确性。火电厂实例验证结果表明:利用粒子群优化的BP神经网络模型进行火电厂环境评价不仅计算简便,而且评价结果具有较高的可靠性。     

在电力通信预警中优化的BP神经网络模型研究

阐述了当前电力通信预警中存在的问题和常用算法,针对在电力通信预警中,BP神经网络模型存在易陷入最小值、收敛速度慢的问题,提出了一种应用遗传算法对BP神经网络模型的初始权值和阈值进行优化的方法。选取52节点典型电力通信预警模型,分别对传统BP神经网络模型和遗传算法优化网络模型进行仿真试验。经过遗传算法优化的BP神经网络模型收敛速度快、拟合精度高,能够有效提高电力通信预警的反应速度和响应准确度。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

基于改进型神经网络的电能质量扰动识别

为了改善神经网络的电能质量扰动识别能力,提出了一种改进型神经网络。在分析了传统BP神经网络和遗传算法优化BP神经网络(GA-BP)的基础上,将遗传算法和贝叶斯正则化神经网络相结合,并采用小波包能量熵作为特征向量。改进后的神经网络能有效克服传统BP神经网络易陷入局部最小,GA-BP易出现过拟合现象且网络节点数偏多等缺点。在MATLAB平台上建立各种电能质量扰动信号的仿真模型,分别采用传统BP神经网络、GA-BP及改进型神经网络进行扰动识别对比。仿真结果表明,改进后的神经网络显著提高了识别正确率。     

基于GA优化BP神经网络的微电网蓄电池健康状态评估

由于微电网蓄电池在工作过程中其电力性能会发生退化,其性能退化具有明显的非线性和波动性的特征,传统的数学建模方法普适性差、不同工况条件下预测受限、精度不足,难以准确的评估其健康状态。针对上述问题,构建了标准BP神经网络和基于遗传算法优化的BP神经网络,借助微电网蓄电池每次放电过程中的可测参数对网络进行训练,使神经网络的权值和阈值得到较为准确的调整。通过测试集对建立的神经网络进行测试,结果表明,基于遗传算法优化的BP神经网络能有效提高评估结果的准确性,使误差结果控制在精度要求的范围内,最大误差在5%以内,平均误差2%。证明了基于遗传算法优化的BP神经网络对不同工况条件下的蓄电池SOH的精确评估是有效可行的。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

遗传神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络中存在的一些缺陷,实现准确、快速预测电力系统负荷的目的,作者通过将遗传算法与神经网络结合,构造了一种遗传神经网络来进行电力系统短期负荷预测,方法的思路是：首先,利用遗传算法有指导地计算神经隐层节点数,从而确定一个较合理的神经网络结构;其次,由遗传算法从初始权值的解群中选取出一个优秀的初始权值,克服初始权值选取的盲目性;最后,将得到的神经网络结构和优秀的初始权值结合起来,利用改进的BP算法进行电力系统短期负荷预测,仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。     

光伏串列信道噪声特性研究与建模

为实现对每块光伏组件的工作状态进行监测,可运用以光伏组件串列为介质的载波通信技术实现,因此有必要掌握光伏串列的信道噪声特性。以某光伏电站实测的光伏串列信道噪声为对象,提出了一种粒子群优化BP神经网络的光伏串列信道噪声建模方法。实验与仿真结果表明：粒子群优化BP神经网络模型的预测输出和测试原噪声在功率谱密度及时域波形上有着一致的变化趋势,证明了该模型的有效性。相比较于小波神经网络和遗传算法优化的BP神经网络,粒子群优化的BP神经网络的预测均方根误差更小、精度更高。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

基于遗传优化BP网络的振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,采用遗传算法对BP神经网络的初值空间进行多点遗传优化,得到最佳初始权值矩阵,在此基础上按误差前向反馈算法沿负梯度搜索进行网络学习;同时提出了一种用于BP神经网络遗传优化的染色体浮点编码方法,并描述了作用于染色体上的遗传操作算法。仿真研究表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到汽轮发电机组振动故障诊断中。