Erroneous measurement detection in substation automation system using OLS based RBF neural network

With the development of communication and information technology over the past decades, Electronic Instrumental Transducer (EIT) and broadband communication network have been prevalent within Substation Automation System (SAS) and power utilities. Since mal-function of EIT and broadband communication network within SAS can produce dangerous erroneous measurements, the risk for the protection system to receive these erroneous measurements and thereafter to mis-operate increase. Pattern identification can be utilized to detect erroneous measurements. In order to achieve satisfying pattern identification precision within time limit imposed by protection systems, Radial Basis Function Neural Network (RBFNN) are investigated in the paper. Orthogonal Least Square (OLS) learning algorithm is used to prune network scale in order to mitigate contradictory requirements of high precision and low time delay. Simulation results show OLS based RBFNN can achieve satisfying performance within limited time.     

基于BP神经网络的微电网蓄电池荷电状态估计

由于微电网蓄电池工作时的电力特性具有明显的非线性和不规则性,依靠传统数学方法难以准确估计其荷电状态(state of charge,SOC)。针对上述问题,构建了BP神经网络拓扑结构,并采用增强型学习率自适应算法对网络的传统学习模式加以改进,学习时神经网络模型中各神经元间权值得到合理调整,并且提高了误差收敛效率。仿真结果表明,估计结果在预设精度要求的范围之内,平均误差不超过4%,证明经过优化学习算法的BP神经网络模型对蓄电池荷电状态的精确估计是有效可行的。     

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PCA和GA-BP神经网络的锂电池容量估算方法

本文针对车用锂离子动力电池容量估算方法精度不高的问题,提出了一种利用遗传算法优化BP神经网络的锂离子电池剩余容量估算方法。首先在整理NASA锂离子电池数据集后,得到不同健康状态下电池的容量增量曲线峰值。其次将健康因子进行主成分分析对其降维处理,利用遗传算法优化BP神经网络的连接权值,对锂离子电池容量进行预测。最后在NASA不同型号的电池上应用模型进行了验证。结果表明,所提出的方法可以在不同训练量的情况下准确估算4种锂离子电池的容量,其估算的方均根误差小于2%,且与未使用遗传算法优化的预测结果相比,该方法具有较高的预测精度。     

基于遗传神经网的自适应电池荷电态预估模型

电池荷电态(SOC)是放电电流、端电压、温度等多种因素的复杂的非线性函数,而且不同类型的电池具有很大的差异,不能建立统一的模型。因此要对其做出精确的预估是一件很困难的事情,需要耗费很多的人力和时间对特定类型的电池进行大量试验然后建模。为克服这些缺点,提出一种基于遗传神经网的自适应SOC预估模型,通过遗传算法对神经网络结构及其学习算法进行优化,在较短的时间内寻找到适合特定类型电池的神经网络模型,大大缩短了人工建模需要的时间,提高了模型对SOC预估的性能。对于三种不同类型电池的数据进行建模的仿真试验结果验证了本方法的有效性。     

基于PSO-RBF混合算法锂离子电池SOC估算

为提高锂离子电池荷电状态的预测精度,将粒子群算法引入到径向基神经网络中,建立锂离子电池荷电状态混合估算算法。采用粒子群算法对径向基神经网络隐层节点中心和宽度及连接权值进行优化,降低径向基神经网络参数取值的繁杂度,提高荷电状态预测精度。利用Arbin BT2000多功能蓄电池测试平台,获取到锂离子电池放电数据,进行模拟训练和预测。实验表明:混合算法相对RBF网络具有更好的预测能力,满足荷电状态估算精度误差小于5%的要求,验证了该模型是有效、可行的。     

Application of artificial neural network methods for the lightning performance evaluation of Hellenic high voltage transmission lines

Feed-forward (FF) artificial neural networks (ANN) and radial basis function (RBF) ANN methods were addressed for evaluating the lightning performance of high voltage transmission lines. Several structures, learning algorithms and transfer functions were tested in order to produce a model with the best generalizing ability. Actual input and output data, collected from operating Hellenic high voltage transmission lines, as well as simulated output data were used in the training, validation and testing process. The aims of the paper are to describe in detail and compare the proposed FF and RBF ANN models, to state their advantages and disadvantages and to present results obtained by their application on operating Hellenic transmission lines of 150 kV and 400 kV. The ANN results are also compared with results obtained using conventional methods and real records of outage rate showing a quite satisfactory agreement. The proposed ANN methods can be used by electric power utilities as useful tools for the design of electric power systems, alternative to the conventional analytical methods.     

一种新型遗传算法与人工神经网络相结合的模型在电力系统短期负荷预测中的应用研究

利用神经网络和遗传算法的优点,建立了一种新型的神经网络和遗传算法相结合的模型来进行电力系统的短期负荷预测。在对负荷变化规律分析的基础上提出了按日期类型分开建模的24小时预测模型,并对天气因素进行了有效处理。建立了具有灵活友好的用户界面和完善功能的负荷预测软件。实例表明人工神经网络和遗传算法相结合的模型在实际应用中有令人满意的预测效果。     

基于HCOAG算法优化KELM的全钒液流电池SOC估计

针对直流微电网储能系统中全钒液流电池SOC难以精确估计的问题,提出一种基于郊狼算法(coyote optimization algorithm, COA)与灰狼算法(grey wolf optimization, GWO)的混合算法(hybrid COA with gwo, HCOAG)优化核极限学习机(kernelextremelearningmachine, KELM)的全钒液流电池SOC估计方法。首先将改进的郊狼算法(improved COA, ICOA)与简化操作的灰狼算法(simplified GWO, SGWO)采用正弦交叉策略融合组成HCOAG算法,利用HCOAG算法对KELM模型的参数进行寻优。然后利用基准函数对HCOAG算法进行测试,并与其他智能算法对比寻优能力。最后通过CEC-VRB-5 kW型号电池进行仿真和实验,验证了该估计方法的准确性与可行性。结果表明,所提HCOAG-KELM方法估计精度优于GWO-KELM、ICOA-KELM、KELM、扩展卡尔曼滤波(extended kalman filter, EKF)和无迹卡尔曼滤波(unscented kalman...     

基于改进FPA算法的含分布式光伏配电网选址定容多目标优化方法

近年来配电网分布式光伏数量不断增加,不合理的分布式光伏接入位置和容量给配电网带来了极大的冲击。针对分布式光伏接入位置和容量不合理给配电网带来的影响,提出了一种以投资成本最低、网损最小、电压质量最优为优化目标的选址定容模型。结合遗传算法、混沌序列和花授粉算法求解优化模型。通过混沌序列对花粉位置进行初始化,保证种群的多样性。在花授粉算法局部最优时,最优解被用作遗传算法的初始参数进行选择、交叉、变异来更新种群,保持种群的多样性,提高算法的寻优能力。通过仿真对所提方法的可行性进行验证。结果表明,改进算法的收敛性明显提高,从改进前300次提升到改进后40次迭代后开始收敛。优化配置后,电压效应较差的节点和损耗都得到了明显改善。该研究为含分布式电源的配电网选址定容提供一定的参考和借鉴。