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。     

基于分层优化方法的BP神经网络光伏出力预测

为减小误差反向传输(BP)神经网络算法对光伏出力的预测误差,提出了基于实际BP网络拓扑结构的分层优化方法。该方法以温度关联性确定训练数据,结合小样本灰色算法对输入层数据变化趋势的发掘能力,实现了对BP网络输入层序列数学规律的有效筛选,利用粒子群算法优化隐含层的阈值和权重,强化了BP神经网络全局寻优能力,减小了预测误差,以遗传优化算法对输出层的阈值和权重进一步优化,改善了BP网络的预测精度。构建了BP网络分层优化模型并进行了算例分析,结果表明,所提出的分层优化方法能有效地减小预测误差,提高预测精度。     

考虑大规模风光分层接入的配电网多层协调无功优化方法

大量风光新能源分层、多点接入给配电网运行带来了电压越限等负面影响,增加了不同电压等级无功协同优化的难度。兼顾不同电压等级调节需求,从模型降维等值的角度,提出了基于等值模型的配电网多层协调无功优化方法。该方法分别针对含有无功调节设备及没有无功调节设备的两种台区系统,利用神经网络对大量台区相关运行数据进行训练得到台区拟合模型,形成不可控和可控两种类型的台区等值模型,并用这两类拟合模型分别代替两类台区系统的物理模型,使台区以数据驱动的方式参与配电网无功优化,形成馈线物理模型和台区拟合模型组成的单一电压等级物数混合优化调度模型。将原多层无功优化问题转换为单层系统优化问题,再对该单层系统无功优化调度问题进行求解。该方法可降低配电网系统优化计算规模,从而减小计算量,以无功优化数学模型与数据驱动方法相结合的方式,实现配电网馈线-台区多层协调无功优化。通过算例验证了所提方法对于解决分布式风光分层接入所导致电压越限问题的可行性、有效性和优越性,能够保障配电网的经济安全稳定运行。     

基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

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GA-BP模糊神经网络在电梯群控交通流量识别中的应用

针对BP神经网络识别电梯群控交通流量存在的缺陷,提出了基于遗传算法优化GA-BP模糊神经网络识别电梯群控系统交通流量的新模型.GA训练模糊BP神经网络能够克服网络建模中产生的局部极小的缺点,提高了电梯群控交通流量识别的准确性.最后利用Matlab软件对样本数据进行训练和测试.仿真结果表明所构造的识别模型预测误差非常小.     

基于粒子群算法优化核极限学习机的磨煤机故障诊断

磨煤机是火电厂的重要设备,其性能好坏会直接影响火电厂的运行。提出一种基于核极限学习机的磨煤机故障诊断方法,采用核函数代替极限学习机隐含层节点的特征映射,从而无需设置隐含层节点数。该方法通过核极限学习机建立故障诊断模型,然后利用粒子群算法对核极限学习机的参数进行优化。实例分析表明,与BP神经网络、SVM等方法相比,该方法的故障诊断准确率高,而且具有更短的训练时间和更好的泛化能力。     

BP神经网络的分层优化研究及其在风电功率预测中的应用北大核心CSCD

为改善BP神经网络算法需要大量训练数据和预测精度有限等问题,提出了以输入层、隐含层和输出层为目标的分层优化思路。首先,利用灰色模型良好的小数据趋势辨别能力对输入层数据进行处理,以更好地提炼数据内部蕴含的数学规律,压缩神经网络所需训练数据样本数量;然后,利用遗传算法优越的全局寻优能力确定隐含层的初始权值和阈值,抑制神经网络隐含层参数无法准确获取所导致的误差较大和泛化能力弱的问题;最后,采用蚁群优化算法对输出层数据进行优化,以进一步改善神经网络模型的计算精度。以波动性较强的风电功率进行算例验证,结果表明,所提基于分层优化思想的神经网络算法,能在减小预测误差的同时,降低神经网络所需样本量并增强其泛化能力。     

基于卷积神经网络的电能表测得值置信区间研究

作为智能电网重要的数据源,电能表在复杂温度条件下的准确度越来越受到关注。以智能电能表实际运行时环境温度和负载电流的时域序列作为输入,该文设计一种电能表测得值置信区间预测模型。该模型的主体部分是卷积神经网络,可用于预测电能表环境误差的随机变量特征数。针对训练中的收敛性问题,提出范数反馈算法,通过调整权值的层间分布,可提高训练质量。得到环境误差特征数后,通过统计学方法推导电能表测得值的置信区间。最后,以浙江电能表抽样性能试验积累的历史数据作为训练集和测试集验证测得值置信区间预测模型的有效性,并指出了易导致严重环境误差的几种极端工况。     

基于改进支持向量机的智能电能表故障多分类方法

智能电表故障多分类对于制定合理及时的智能电表检修计划具有重要意义。针对智能电表故障多分类问题,采用支持向量机构建多分类模型,所建立的模型提取智能电表的输出电压,输出电流,输出功率,功率因素误差等数据作为分类依据构建多维空间,考虑包括误差超差,直流电流开路,直流电压短路,控制回路短线在内的智能电表模式识别故障分类。通过所建立的模型依据有限的样本信息在复杂性和学习性之间寻求平衡,对智能电表多维度运行信息在超平面之间进行最佳分类从而进行故障分类,通过引入一类对多类的最优分类平面集进行改进从而适用于多分类模型。采用混沌粒子群算法针对所建立的基于改进支持向量机的智能电表故障多分类方法进行求解流程设计。最后通过对某配电台区智能电表故障分类问题采用所建立的模型进行仿真,验证了模型的合理性。     

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。     

基于模拟退火改进粒子群混合算法的变压器故障诊断

针对传统的变压器故障诊断方法在实际应用中存在的一些不完善性和局限性,笔者将基于模拟退火思想的改进粒子群优化(SAPSO)算法和误差反向传播(BP)算法相结合构成的SAPSO-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和PSO算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断。实验诊断结果表明,SAPSO-BP混合算法的收敛速度快于BP及PSO-BP算法,并且具有较高的诊断准确率。     

基于粒子群模糊神经网络的继电保护系统故障诊断

针对电力系统继电保护中故障诊断的特点和要求,建立了基于模糊神经网络的故障智能诊断系统模型。采取粒子群优化（PSO）算法和误差反向传播（BP）算法柏结合的方法训练该模型网络,充分发挥PSO全局寻优能力和BP局部细致搜索优势,提高了诊断的可靠性和准确性。实验结果证明了该方法的有效性。     

基于voting集成的智能电能表故障多分类方法

为提升智能电能表故障准确分类能力,助力维护人员迅速排除故障,本文提出基于投票法voting集成的智能电能表故障多分类方法。首先针对实际智能电能表故障数据进行编码预处理,基于皮尔逊系数法筛选智能电能表故障分类关键影响因素,结合SMOTE算法解决数据类别不平衡问题,由此建立模型所需数据集,再通过投票法进行模型融合,结合粒子群PSO确定各基模型的权重,据此构建基于XGBT+KNN+NB模型的智能电能表故障多分类方法。实测实验结果表明：本文提出方法能有效实现智能电能表的故障快速准确分类,与现有方法相比,在智能电能表的故障分类精确率、召回率及F1-Score均有明显提升。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

考虑模型病态性的智能电表运行误差分析方法

基于数据分析的低压台区电能表误差分析方法仅仅依赖于计量系统中台区计量数据,具有覆盖率高、快速便捷的优点,但受制于模型病态性而无法保证计算所得电表误差的精度。针对由病态性而导致的模型求解困难问题,文章从数据和求解算法两方面着手提高求解精度。通过设计基于贪心策略的数据优选算法,快速选取有利模型求解的数据;通过改进经典吉洪诺夫正则化算法,抑制解的波动,从而有效解决智能电表运行误差检定算法模型病态。以天津电网实际低压台区用电数据为算例,验证了所提方法能够有效提升智能电表运行误差检定算法的计算准确度,为实际的电能表检定维护工作提供科学参考。     

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进：首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态SOC(state of charge)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播BP(back propagation)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络的初始权值及阈值,优化后的BP网络简称SAMEA-BP神经网络。结合充放电实验数据,将SAMEA-BP神经网络与标准BP神经网络、思维进化算法优化的BP(MEA-BP)神经网络用于锂离子电池的SOC估计,并对3种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。