基于斑点鬣狗算法优化支持向量机的短期风电功率预测

为提高短期风电功率预测精度,提出了一种基于斑点鬣狗算法优化支持向量机的短期风电功率预测方法。采用斑点鬣狗算法对支持向量机的惩罚系数和核参数进行优化,建立基于SHO SVM的短期风电功率预测模型,并采用实际风电场运行数据进行仿真分析。仿真结果表明,SHO SVM模型的平均相对误差和均方根误差分别为4.15%和0.196,预测精度和数据波动性均优于其他模型,验证了短期风电功率预测方法的正确性和实用性。     

考虑天气类型和历史相似日的短期光伏输出功率预测

光伏发电的随机性和不确定性是制约光伏发展的主要原因。为了提高短期光伏发电功率预测精度,提出了一种考虑天气类型和历史相似日的短期光伏输出功率预测方法。针对不同季节和天气类型划分历史数据,根据灰色关联度计算结果确定相似日。采用混沌初始化、控制因子非线性调整和莱维飞行等策略对斑点鬣狗优化（spotted hyena optimizer）算法进行改进,采用改进斑点鬣狗算法（improved spotted hyena optimizer）对核极限学习机进行优化,建立基于改进斑点鬣狗算法优化（kernel extreme learning machine,KELM）的短期光伏输出功率预测模型。利用实际光伏电站监测数据进行仿真分析,结果表明,基于ISHO-KELM的短期光伏输出功率预测模型能够降低光伏输出功率预测过程中的波动性,提高预测精度,验证了所提光伏预测方法的正确性和实用性。     

基于人工蜂群算法优化支持向量机的接地网腐蚀速率预测模型

为了提高接地网腐蚀速率预测的精确度,在建立预测模型的过程中,首先对接地网进行了基于电网络理论的腐蚀诊断过程,并以经过诊断之后确定的腐蚀支路位置为采样点。考虑到仅以土壤理化性质反映接地网腐蚀速率的局限性,在接地网腐蚀诊断结果的基础上,提出接地网电阻平均增长速率作为预测模型的输入特征量之一。建立了基于人工蜂群优化支持向量机的接地网腐蚀速率预测模型,测试结果显示相对BP神经网络模型和广义回归神经网络模型,所提模型的预测结果精确度和稳定性更高,表明了对于解决接地网腐蚀速率预测问题,所提模型具有良好的适用性。     

基于改进果蝇算法优化BP神经网络的接地网腐蚀速率预测模型

为进一步提高接地网腐蚀速率的预测精度,解决传统模型易陷入局部最优且随机初始化模型参数影响预测准确性和稳定性的问题。文中首先将混沌映射、动态搜索半径策略和优化气味浓度判定公式引入果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)得到改进后的果蝇优化算法(Update Fruit Fly Optimization Algorithm,UFOA);然后利用UFOA优化BP神经网络的初始权值和阈值,建立基于UFOA优化的BP神经网络接地网腐蚀速率预测模型(UFOA-BP);最后以重庆24座变电站的接地网数据进行实验验证。结果表明相对FOA优化的BP神经网络模型、BP神经网络模型、人工蜂群算法优化的支持向量机模型和广义回归神经网络模型,文中提出的UFOA-BP模型在预测精度和模型稳定性方面均优于其他四种模型,验证了该模型的有效性和可行性,为运维人员提前发现接地网安全隐患,并安排检修,进而保障电网安全稳定运行提供帮助。     

基于改进的KPCA-PSO-WLSSVM在循环水腐蚀预测中的应用

针对石化现场腐蚀速率参数存在测量成本高、测量周期长的问题,结合国内外腐蚀研究现状提出了一种基于改进的自适应加权最小二乘支持向量机回归建模方法。该方法首先对数据进行整合处理,借助核主成分分析(KPCA)算法对整合后的数据进行主成分提取,依据处理好的数据建立LS-SVM模型;其次采用改进的加权算法对LS-SVM进行权值处理;然后采用全局搜索能力较强的混沌粒子群-模拟退火优化算法(CPSO-SA)对LS-SVM模型正则化参数和核宽度参数进行优化,提高模型的泛化能力;最后建立优化后的KPCA-WLS-SVM模型。实验结果表明,应用该方法建立的循环水腐蚀预测模型的预测准确度远远高于其他预测模型的预测准确度。     

基于连续性遗传算法的接地网腐蚀诊断优化

为了对接地网的导体腐蚀情况进行准确判断,建立了接地网腐蚀诊断的数学模型,基于连续性遗传算法编写了接地网腐蚀诊断程序,构建了适应度评价函数F,并利用多层减维技术对算法进行了优化。以重庆某110 k V实际接地网(41个节点、61条支路)为例仿真对比了优化前后的诊断效果。结果表明:优化前,诊断程序对真实故障支路的定位困难,出现漏诊、误诊的支路较多;利用多层减维技术进行优化后,不仅解决接地网腐蚀故障诊断中支路变量维数多、算法后期收敛速度慢的问题,使诊断程序能够准确地定位腐蚀支路,而且对腐蚀支路腐蚀程度的判断有相当高的精度,最大的诊断偏差也不超过10%,程序的单次运行时间约为15 min。对实际工程来说,程序的诊断效果和运行时间均满足要求。     

基于布谷鸟搜索算法优化支持向量机的输电线路覆冰预测

为了提高输电线路覆冰预测精度,采用主成分分析确定输电线路覆冰的关键影响因子为温度、湿度和风速,以此作为覆冰预测模型的输入量。采用布谷鸟算法对支持向量机的惩罚因子和核参数进行优化,建立基于CS-SVM的输电线路覆冰厚度预测模型。采用实际运行线路的覆冰数据进行仿真分析,结果表明,基于CS-SVM的输电线路覆冰厚度预测模型的平均相对误差、均方根误差和全局最大误差分别为5.254%、0.952%、5.827%,均小于其他几种常用覆冰预测模型,验证了模型的正确性和有效性。     

接地网导体腐蚀预测研究

对接地网腐蚀状态及时检测,准确掌握接地网运行状况,对保障系统安全运行和用电设备可靠性具有重要的意义。在接地网腐蚀机理和现有腐蚀检测的基础上,研究了电化学方法在接地网腐蚀检测中的应用,提出了用神经网络检测算法来预测接地网腐蚀速率。最后,通过实地试验测量,提取去除干扰后的信号数据,验证了神经网络算法在接地网腐蚀预测应用中的可行性。     

基于改进PSO-DE融合算法优化LSSVM的短期风功率预测

为了提高短期风功率预测精度,采用惯性权系数、粒子初始化规则调整和越界粒子变异操作等策略对粒子群—差分进化（Particle Swarm Optimization-Differential Evolution,PSO-DE）融合算法进行改进,形成改进PSO-DE融合算法,从而提高改进PSO-DE融合算法的优化性能。采用改进PSO-DE融合算法对最小二乘支持向量机进行优化,建立基于改进PSO-DE融合算法优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的短期风功率预测模型。采用风电场实际运行数据进行算例分析,结果表明,PSO-DE融合算法能够减少迭代次数,提高收敛精度,基于改进PSO-DE融合算法优化LSSVM的风功率预测模型的平均相对误差、全局最大误差和均方根误差分别为3.26%、5.97%和13.53,预测精度高于其他几种风功率预测方法,验证了所提出的改进策略及短期风功率预测模型的正确性。     

基于节点撕裂和化学反应优化算法的接地网故障诊断

针对接地网故障诊断准确率不高的问题,结合电网络理论、虚拟分子理论和化学反应优化算法,提出了基于节点撕裂和化学反应优化算法的接地网腐蚀故障诊断方法。根据接地网的拓扑结构,将接地网撕裂成若干个子网络和自由支路,建立故障诊断多目标优化模型;将Logistic映射融入化学反应优化算法中,构建了一种新的化学反应优化算法,并运用该算法对所构建的故障诊断模型进行求解。仿真结果表明,所提方法故障诊断准确率高,能有效诊断接地网故障。     

基于PSOEM优化LSSVM的接地网腐蚀预测研究

1. 三峡大学 电气与新能源学院， 湖北 宜昌　443002； 2. 国网荆门供电公司，湖北 荆门　448000     

基于复合分类器的网络入侵检测模型

为提高国家电网网络入侵检测中攻击分类问题的准确度,提出一种基于复合分类器的入侵检测模型。复合分类器由核主成分分析、量子遗传算法和前馈（back propagation,BP）神经网络组合而成。复合分类器先使用核主成分分析将高维数的原始数据降维,降维后的数据再通过BP神经网络训练生成分类模型,其中BP神经网络的参数通过量子遗传算法优化得到,最后使用分类模型对待测样本做精确入侵检测分类。与传统入侵检测算法相比,基于复合分类器的入侵检测模型更准确。     

基于人工免疫算法优化LSSVM的短期电力负荷预测

针对最小二乘支持向量机(LSSVM)中参数选取对电力负荷预测精度有着较大的影响,建立了一种基于人工免疫算法优化最小二乘支持向量机的短期电力负荷预测模型,该模型以历史负荷数据作为输入向量,选用高斯径向基函数作为核函数,利用人工免疫算法对LSSVM中的惩罚因子和核参数进行优化选取,极大地提高了LSSVM的训练速度和预测精度。仿真结果表明,该方法在短期电力负荷预测中具有较高的预测精度,证实了该方法的有效性和可行性。     

基于EEMD-LSSVM的超短期负荷预测

针对传统的最小二乘支持向量机(LSSVM)参数不易确定且单一预测模型精度不高的问题,提出了一种基于集合经验模态分解(EEMD)与LSSVM的组合预测模型。首先利用EEMD将历史数据分解成一系列相对比较平稳的分量序列,再对各子序列分别建立合适的预测模型。进一步通过贝叶斯证据框架来优化LSSVM的参数,用贝叶斯推理确定模型参数、正规化超参数和核参数。然后将各子序列预测结果进行叠加得到最终预测值。最后,将该预测模型用于某一家庭超短期负荷预测中,仿真结果表明,该模型取得了比单一模型更好的预测效果。     

基于WRF模式和PSO-LSSVM的风电场短期风速订正

风速预测是风电场风电功率预测的基础与前提,以数值天气预报(WRF模式)为基础进行风速预测,为了提高WRF模式预测的准确性,采用最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)对WRF模式输出的风速进行订正。同时,为提高LSSVM算法的精确度和减小拟合过程的复杂度,采用粒子群优化算法(Particle Swarm Optimization, PSO)对其参数进行优化。试验结果表明:采用LSSVM订正可以进一步减小WRF模式预测风速的误差,再经过PSO优化后,相对均方根误差和相对平均绝对误差降低了5%~10%,均方根误差下降了0.5 m/s。与未经优化的LSSVM以及极限学习机(ELM)算法对比分析后得出,粒子群优化最小二乘支持向量机(PSO-LSSVM)对WRF模式预测的风速有较好的订正效果,能进一步提高风速预测的准确性。     

基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究

为提高短期电力负荷预测精度,提出了一种天牛须搜索算法优化的LSSVM短期电力负荷预测模型。引入模拟退火算法的蒙特卡洛法则对优化算法进行改进,提高了该算法的稳定性。将改进BAS算法优化后的LSSVM模型用于短期电力负荷预测问题。使用小波阈值去噪处理电力负荷数据,减少一些不确定性因素对负荷预测的影响,提高了预测精度。选择四川某地区电网实际历史负荷数据进行分析和预测,并与PSO-LSSVM、LSSVM预测模型进行对比分析。算例结果表明,所提出的IBAS-LSSVM预测模型与LSSVM相比预测精度提升了1.5%左右,与PSO-LSSVM相比算法运行时间缩短了70%,且算法稳定性更高,证明了该方法的实用性与有效性。     

基于主成分与粒子群算法的LS-SVM短期负荷预测

短期电力负荷预测对电力系统安全经济运行和国民经济发展具有重要意义。最小二乘支持向量机(Least square support vector machines,LS-SVM)在解决小样本、非线性问题中表现出许多特有的优势,该方法已成功应用在负荷预测领域。本文提出了一种基于主成分分析的支持向量机预测模型,运用主成分分析对历史数据进行主成分提取,消除输入的训练数据本身存在着大量的噪声和冗余,从处理后的数据提取LSSVM的训练样本,并利用改进的粒子群优化算法(Particle Swarm Optimization,PSO)以LSSVM中的参数作为粒子进行优化,进而提高训练速度和预测精度。最后,将该模型运用到短期电力负荷预测中,与经典的SVM和BP神经网络相比具有更好的泛化性能和预测精度。     

基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法（SSA）优化后的变分模态分解（VMD）算法将功率序列分解为理想数量子序列,通过计算样本熵（SE）对其重构,得到新子序列分别建立核极限学习机（KELM）点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。