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。     

基于支持向量回归的配电网线损计算模型

提出了一种基于支持向量回归的计算配电网线损的可行方法,建立了配电网线损计算的支持向量回归模型。针对有代表性的配电线路的线损与特征参数的样本数据,利用支持向量回归的拟合特性映射线损与特征参数之间复杂的非线性关系,找出配电线路的线损随特征参数变化的规律。为了提高支持向量回归机的学习效率,采用样本分类处理的方法分别对其进行训练,使的计算结果更加符合实际。以配电线路数据为实例,仿真结果验证了所提的方法和模型的有效性和实用性。     

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.     

基于支持向量回归的配电网线损计算模型

提出了一种基于支持向量回归的计算配电网线损的可行方法,建立了配电网线损计算的支持向量回归模型.针对有代表性的配电线路的线损与特征参数的样本数据,利用支持向量回归的拟合特性映射线损与特征参数之间复杂的非线性关系,找出配电线路的线损随特征参数变化的规律.为了提高支持向量回归机的学习效率,采用样本分类处理的方法分别对其进行训练,使的计算结果更加符合实际.以配电线路数据为实例,仿真结果验证了所提的方法和模型的有效性和实用性.     

基于智能算法的10kV配电网线损评估

为更全面、准确地评估10kV配电网线损水平,提出了一种基于粒子群算法(PSO)优化BP神经网络(BPNN)的较为准确有效的10kV配电网理论线损预测方法。首先筛选和构建5个电气特征指标描述10kV配电网结构和运行状态;其次采用惯性因子和学习因子动态调整的粒子群算法,全局搜索BP神经网络的权值和阈值来构建PSO-BPNN线损评估模型;通过对训练样本集的学习,拟合电气特征指标与线损之间的非线性关系,进而对测试样本集线损进行预测。最后应用某地区10kV配电网的实际样本数据验证了所提方法的有效性与合理性。     

基于FCM聚类和BP神经网络的配电网线损计算方法

针对配电网线路数目多、各条线路包含大量的节点和元件、网络结构复杂、监测数据不完善,逐一计算线损工作量大、耗时长的现状,提出了一种基于FCM聚类和BP神经网络的配电网线损的实用计算方法。首先,建立涵盖线路属性和运行特性的线损特征指标体系;然后,选取已知线损和线损特征指标的配电线路构成样本集,并采用FCM聚类算法对样本进行分类,并得到每一类样本的线损特征指标和线损的范围及基准值;接着,对于每一类样本,利用BP神经网络拟合出线损特征指标偏差量与线损偏差量间复杂的非线性关系,建立配电网线损修正模型;该模型在计算未知线路的损耗时,只需确定线路所属的样本类别,并根据线路的线损特征指标偏差量修正线损偏差量,即可获得比较准确的线损计算值,上述算法可对大量的配电网线路进行有效的线损计算;最后,以某地区配电网线路的数据为例,验证了该方法的有效性和实用性。     

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。     

基于对抗生成网络与BP神经网络的低压台区线损率预测

线损电量产生于发电、输电、配电及用电等环节,线损电量占供电量的百分比称为线损率。针对线损率预测问题,提出了一种基于对抗生成网络与BP神经网络的低压台区线损率预测模型。选取某市低压台区线损数据作为实验数据集,经数据预处理后,通过K-Means++算法将低压台区分类,对不同类别的低压台区分别训练对抗生成网络来增加不同类别的样本数据,利用不同类别样本数据分别训练BP神经网络搭建低压台区线损预测模型。实验结果表明,与传统BP神经网络模型相比,该预测模型具有更加准确的效果,通过对抗网络增加样本数据可以有效改善低压台区线损数据量偏小的问题。     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于深度学习的综合能源配电系统负荷分析预测

为支撑综合能源配电系统的经济调度和优化运行,提出了一种基于深度学习的冷热电多元负荷综合预测方法。首先,使用皮尔逊系数定量计算多元负荷间的相关关系,分析负荷与影响因素间相关性;然后,构建基于卷积神经网络和支持向量回归的深度学习模型,其中卷积神经网络作为特征提取器从输入数据中提取隐含的更具代表性的特征信息,支持向量回归作为预测模型输出预测结果,同时开展缺失数据与离群数据的预处理;最后,应用某综合能源系统的实际数据对算法的有效性进行了验证,比较分析了考虑多元负荷相关性对预测结果的影响。结果表明:所提出的RCNN-SVR模型对冷、热、电负荷均有较好的预测精度。研究成果可为综合能源配电系统的综合负荷预测提供参考。     

基于优化概率神经网络的驾驶员疲劳检测

针对驾驶员面部疲劳检测问题，提出了一种基于遗传算法优化概率神经网络(PNN)的驾驶员疲劳检测算法。采用基于HOG特征的人脸检测器检测脸部，使用ERT算法进行关键点定位，计算PERCLOS值、眨眼频率、单位时间内打哈欠的时间占比、点头频率4个疲劳特征参数，将其输入到PNN中进行疲劳判别，并使用遗传算法优化PNN的平滑因子，提高疲劳分类准确率。使用NHTU-DDD数据集和YawDD数据集训练网络，使用自采集样本验证模型泛化性能，实验中与SVM、BP神经网络以及未优化的PNN模型对比，SVM、BP神经网络以及未优化的PNN的准确率分别为95.67%，97.67%，95.33%，所提的优化的PNN模型准确率为98.67%，验证了算法的有效性。     

基于改进PSO-BP算法的机器人目标位姿识别方法

机器人作业环境复杂,物料分布具有随机性,导致机器人目标位姿的辨识和定位精度低,实时性差,为此提出一种基于改进粒子群算法-BP神经网络(PSO-BP)的机器人目标位姿识别方法。采用改进的中值滤波算法对目标图像预处理,构建多尺度灰度差异算子以及局部图像熵算子,将两者点积运算获取加权局部熵,抑制目标图像中的噪声。通过多视图几何中间帧的关联特征信息,提取机器人目标位姿特征。在BP神经网络训练阶段通过改进的PSO算法优化处理,采用优化后的BP神经网络算法对提取的特征展开训练和识别,最终实现机器人目标位姿识别。实验结果表明,当机器人目标测试样本数量为55个时,所提方法的亮度方差为0.305,当像素识别误差为1.5%时,所提方法获取的机器人目标位姿识别误差为0.11,所提方法能够在像素识别误差下准确识别机器人目标,获取高精度的机器人目标位姿识别结果。     

基于HCTSA-BP的电能质量扰动分类

为了解决传统机器学习对电能质量分类时人工选择特征困难导致分类效果不好的问题,本文提出了一种高度比较时间序列分析(highly comparative time series analysis,HCTSA)结合BP神经网络的分类方法,该方法既可以提取大量特征又可以筛选特征,不需要人工选择特征指标.首先,使用大量算法数据库...