基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,本文提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。     

基于改进决策树算法的日特征负荷预测研究

针对决策树ID3算法的缺陷,提出了属性-值对的两次信息增益优化算法,该算法是ID3的改进算法,它能克服ID3算法在选取属性进行扩展时易偏向属性值多的属性及ID3算法属性间相关性考虑较少的缺点;通过对熵阈值的设定,采用预剪枝技术,又能部分克服ID3算法对噪音敏感的不足.该算法可用以生成日特征负荷决策树预测模型.该模型结合预测日的气象、星期等信息,可进行日特征负荷的预测.采用等深直方图分析思想,可对负荷变化率数据离散化,将层次聚类和信息熵相结合,对气象数据离散化.数据预处理后,通过属性-值对的2次信息增益优化算法生成负荷预测决策树模型,在给出预测日气象及星期信息后可对特征负荷进行预测,预测结果能够满足并超过负荷预测实用化标准的要求并具有较高的预测精度.如果将日24点或96点负荷及相应影响因素数据均用该算法进行模型训练,形成24个或96个预测模型,则可进行日24点或96点负荷预测.     

基于二进制粒子群的充电桩故障定位系统配置与定位方法

电动汽车充电桩网络作为泛在电力物联网的重要组成部分,其电能采集终端配置和故障定位问题已成为一项重要课题.文中提出了一种基于整数线性规划的充电桩网络电能采集终端优化配置模型和故障定位模型.所建立的配置模型以配置成本最低为目标函数,通过规划采集终端的接入位置保证系统各节点电压和各支路电流的可测性;故障定位模型能够针对系统故...     

基于SO优化神经网络的新能源汽车充电桩故障预测系统研究

随着新能源汽车的广泛应用,充电桩作为电网终端设备,其故障会对电网稳定性产生影响。为提高充电桩故障预测的准确性,本文提出一种基于蛇群算法(SO)优化神经网络的新能源汽车充电桩故障预测方法。该方法将SO算法与神经网络模型相结合,利用SO算法的全局优化搜索能力对神经网络权重进行训练优化,以提升模型的预测性能。在充电桩故障分类数据集上,本文构建三层全连接神经网络,并采用SO算法优化网络参数。优化后模型的各项指标如AUC、准确率、召回率等明显提高,较单一神经网络和其他优化算法效果更好。研究表明,SO算法可以有效提升神经网络在充电桩故障预测任务上的性能,为充电桩的状态监测和故障预警提供了有效解决方案。本研究的发现为未来充电桩故障预测方法的研究提供了有益的参考,同时也为实际的充电桩状态监测和故障预警系统的设计提供了支持。     

决策树和粒子群算法在日前电价预测中的应用

由于日前24点电价特性差异较大,采用单一模型很难描述,提出了一种基于相似点的日前电价预测新方法.将数据空间按时点划分成子24个子空间,并定量考虑对电价造成影响的相关因素,利用改进决策树技术对子空间的历史数据进行自动聚类,再通过粒子群算法训练各相关因素的最优权值,大大增加了选择相似点的可信度,仿真结果表明该方法能有效提高预测精度.     

基于CNN和LSTM混合网络的电动汽车充电桩运行状态预测方法

随着电动汽车的大规模发展,公共充电桩运行数量和充电量逐年增长。然而,充电桩运行始终存在故障频发、运维难度大和维修成本高等问题,并且传统故障检测方法效率低下。因此提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合网络电动汽车充电桩运行状态预测方法,可以实现对电动汽车充电桩运行状况的综合评估。在特征数据输入阶段,对充电桩运行状态的关键指标进行分析,通过CNN提取运行状态影响因素的特征量,再利用LSTM判断和预测充电桩运行状态,从而实现对充电桩潜在故障的预警。试验结果表明,该方法预测准确率高、实用性强,能较准确地反映和预测充电桩的运作状态,可实际用于充电桩故障预测与运维检修。     

基于粒子群算法的决策树SVM多分类方法研究

针对SVM多分类问题提出了一种基于粒子群算法的最优决策树SVM生成算法,以解决传统支持向量机多分类方法存在的不可分区域和误差积累现象。该方法利用自变异的PSO聚类算法在每一决策节点自动寻找最优或近优分类决策,将数据集划分为两类,直至叶子节点为止,最终根据最优决策树构建SVM多分类结构,训练各个节点SVM分类器。将该算法应用于图像人群密度分类问题,仿真实验表明,分类精度和分类时间得到明显改善,是一种有效地的多分类算法。     

一种基于决策树技术的短期负荷预测算法

提出了一种基于决策树技术的短期电力负荷预测新方法,能有效地考虑非负荷因素对短期负荷预测的影响.文中详细介绍了决策树技术的原理及其在短期负荷预测中的实现方法.实际电力系统应用结果数据表明,该方案能够有效提高短期负荷预测的精度.     

基于粗糙集和决策树的自适应神经网络短期负荷预测方法

利用数据挖掘中的聚类技术将历史负荷数据进行聚类,根据聚类后的分类信息对定性属性利用粗糙集进行属性约简,由约简结果进一步生成决策规则树供短期预测使用.根据聚类的结果对每类进行BP神经网络的训练,神经网络的隐含层单元采取逐步试用的方法根据训练误差最小化进行选择.在实际预测中,首先对待预测的记录利用决策规则树进行归类,然后选取相应类别的神经网络予以预测.通过实例证明,该方法的平均相对误差为2.16%,而同结构BP神经网络预测的平均相对误差为2.67%,ARMA预测的平均相对误差为3.81%,证明所提方法有效.     

基于改进决策树算法的输电线路风偏跳闸故障识别研究

当前的输电线路风偏跳闸故障识别节点设定方式一般为独立结构,可识别范围较小,导致误识率增加,因此提出基于改进决策树算法的输电线路风偏跳闸故障识别方法。先提取基础故障特征,采用多阶的方式,扩大可识别范围,部署多目标故障识别节点,然后以此为基础,构建改进决策树测算风偏跳闸故障识别模型,采用随机锁定处理实现故障识别。测试结果表明,对比传统GRU的特高压三端风偏跳闸故障识别测试组、传统长短期记忆网络和随机矩阵风偏跳闸故障识别测试组,改进决策树算法输电线路风偏跳闸故障识别测试组最终得出的误识率被较好地控制在20%以下,说明在改进决策树算法的辅助下,当前的跳闸故障识别速度更快,误差可控,具有实际的应用价值。     

基于决策树的快速入侵检测方法

分析了C4．5算法的基本思想，并提出了改进的方法，实验结果证明，该方法可为入侵检测系统生成有效的决策树．     

基于改进粒子群算法的配电网故障自愈算法

首先根据配电故障自愈系统的基本功能及配电网的供电要求,建立了以计算最大自适应度值为计算目标的配电网故障自愈目标函数及其相关参数的约束条件;随后介绍了基于浓度的改进粒子群寻优算法的工作原理及其实现步骤;最后结合配电网故障自愈目标函数和改进粒子群算法,提出了基于改进粒子群算法的配电网故障自愈控制算法,并给出了算法的实现流程图和仿真结果。仿真结果表明,所提配电网故障自愈控制算法具有较好的收敛性。     

基于决策树的外推算法在福建电网短期负荷预测中的应用

提出了一种将决策树技术同外推算法相接合的短期负荷预测算法。采取“分而治之“的策略:用决策树技术处理负荷中的温度分量,外推预测算法预测除去温度分量之后的负荷分量,最后叠加这两种分量,得到预测结果。这种算法运用于福建省调日调度计划的编制,预测精度较高。     

基于模型预测控制的电动汽车直流充电桩功率器件开路故障诊断方法

针对电动汽车直流充电桩故障中较为常见的功率器件开路故障,提出了一种基于模型预测控制的电动汽车充电桩实时故障诊断方法。采用模型预测电流控制方法替代传统PWM整流器电流环中的PI控制器。在此基础上,将功率器件开路故障情况下整流器实际应用的开关状态与通过模型预测控制得到的最优开关状态相比较,建立故障特征信号,从而实现充电桩功率器件开路故障诊断与定位。由于不同功率器件故障特征信号之间互不影响,因此该方法对于单管、双管及多管同时故障均有显著效果。仿真结果验证了该充电桩故障诊断方法的正确性和有效性。     

基于PSO NGM模型的电子电路故障预测

针对现有电力电子电路故障预测技术的不足,提出了粒子群非齐次灰色（PSO NGM）预测模型对电力电子电路进行故障预测的方法。所提出的PSO NGM预测模型能够对故障特征参数的发展趋势进行预测,进而判断设备剩余使用寿命。通过对Buck Boost电路纹波电压未来趋势进行预测实验,证明该PSO NGM模型对电路特征参数预测相对误差很小,能够跟踪故障特征性能参数的变化趋势,有效实现电力电子电路故障预测。     

基于HS-PF的电力电子电路故障预测方法

提出了一种基于混杂系统建模和粒子滤波预测算法的电力电子电路故障预测方法。针对电力电子电路混杂特性,建立了描述电力电子电路故障变化的状态空间模型,同时采用粒子滤波预测算法,通过粒子迭代估计当前时刻系统状态和缓变参数的变化趋势。通过分析BUCK电路的工作状态,阐述了选择输出纹波电压作为电路故障判据的理由。仿真实验证明了本文方法的有效性。     

基于改进BPSO算法的含微网的配电网故障恢复方法研究

针对配电网中微网的接入使故障恢复需要考虑的安全因素更多,目前的故障恢复方法存在计算量大、故障恢复时间长等问题。以最小网损、最少开关动作次数和最少失电量为目标函数建立了含微网的配电网故障恢复模型,并将改进的二进制粒子群算法和遗传算法相结合用于模型求解。对多种故障恢复情况进行分析,验证了该故障恢复方法的可行性。结果表明,相比于传统恢复方法,所提方法收敛速度快、适应性强、恢复效果好。研究成果为我国智能电网的发展提供了一定的参考。     

电动汽车充电桩综合评价方法研究

随着规模化电动汽车充电负荷接入电网,电动汽车充电桩得到了广泛的应用,在建设充电站时,选择充电桩应考虑多个不同量纲的性能指标。提出将投影寻踪等级评价模型用于充电桩的综合评价,为充电桩的选择提供参考依据。根据电动汽车充电桩的性能指标确定评价指标,利用投影寻踪理论将多个评价指标投影为综合评价指标,采用量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization,QPSO)找到最佳投影方向,根据最佳投影值及其对应的评价等级函数关系得到电动汽车充电桩的综合评价模型。实例计算证明该评估模型结构稳健性高,评估结果客观。     

基于自适应SA-PSO改进的XGBoost气温预测方法

提出了一种SA-PSO-XGBoost预测模型,基于2016年1月1日~2017年12月31日的ECMWF气象数据,用于预测南京地区6 h后的气温。将气象数据分为训练集和测试集,使用PCA降维方法对气象数据特征进行压缩降维,然后应用模拟退火和粒子群优化混合算法对XGBoost模型的超参数进行优化,并将测试集数据带入到SA-PSO-XGBoost、XGBoost、GRU和LSTM神经网络进行对比分析,实验结果表明：SA-PSO-XGBoost预测6 h后的温度模型有更高的准确性和鲁棒性。