基于 MEA-BP算法的IGBT的寿命预测

针对IGBT寿命预测问题,提出了基于思维进化算法(MEA)优化的反向传播(MEA-BP)神经网络算法的IGBT结温预测算法模型,确定了集电极-发射极关断电压尖峰峰值为失效预测依据,构建了遗传算法(GA)优化的BP(GA-BP)神经网络算法以及经典BP神经网络算法寿命模型作为对比模型,采用均方误差、平均绝对误差、最大相对误差作为各模型预测性能的评估指标.预测结果表明,基于MEA神经网络的IGBT寿命预测模型均方误差为0.150％,平均绝对百分误差为0.36％,可以更好地实现IGBT寿命的预测.     

短期负荷预测神经网络方法比较

以某地区购网有功功率的负荷数据为背景,建立了三个BP神经网络负荷预测模型——SDBP、LMBP及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部最小点的缺点,采用具有较快收敛速度及稳定性的L-M优化算法进行预测,使平均相对误差有了很大改善,具有良好的应用前景。而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力,使平均相对误差和每日峰值相对误差降低,但收敛速度过慢(慢于SDBP模型),不适于在实际应用中采用。     

短期负荷预测神经网络方法比较

以某地区购网有功功率的负荷数据为背景,建立了三个BP神经网络负荷预测模型--SDBP、LMBP及BRBP模型进行短期负荷预测工作,并对其结果进行比较.针对传统的BP算法具有训练速度慢,易陷入局部最小点的缺点,采用具有较快收敛速度及稳定性的L-M优化算法进行预测,使平均相对误差有了很大改善,具有良好的应用前景.而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力,使平均相对误差和每日峰值相对误差降低,但收敛速度过慢(慢于SDBP模型),不适于在实际应用中采用.     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

基于LSTM光伏发电功率超短期预测模型研究

精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R²,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电池充电过程的SOC预测精度更优.     

基于COOT-SVM的短期光伏发电功率预测

为了提高短期光伏发电功率预测的精度,提出了一种基于白冠鸡优化算法(COOT)优化支持向量机(SVM)的短期光伏发电功率预测模型。首先,分别选取某光伏电站在2017年4月和7月的前21天数据进行仿真分析,计算光伏输出功率和每一个气象因素之间的皮尔逊相关系数;然后,依据皮尔逊相关系数选择太阳总辐射强度、太阳散射辐射强度、太阳直射辐射强度、组件温度和环境温度5个气象因素作为预测模型的输入数据,光伏电站的发电功率作为输出数据。通过与BP和SVM预测模型进行仿真对比可知,对于4月和7月的数据来说,COOT-SVM预测模型的均方根误差、均方误差和平均绝对误差均比BP和SVM预测模型小。因此,所提COOT-SVM预测模型可有效提高短期光伏发电功率的预测精度,具有较高的工程应用价值。     

基于 IPOA-BP 的输电塔复合基础极限抗拔承载力 预测模型

为了实现输电塔复合基础极限抗拔承载力的准确预测,克服传统理论、经验公式误差大,计算慢的问题,提出一种改 进鹈鹕智能算法(IPOA) 来优化BP 神经网络的承载力预测模型。首先,利用SPM 混沌映射、Levy 飞行以及融合非线性惯性 权重因子 w 的正余弦优化策略,对鹈鹕优化算法(POA) 改进;然后,利用IPOA 对 BP 神经网络的权值和阈值参数寻优,得到 IPOA-BP 预测模型;最后,基于验证后的数值试验构建数据集,对 IPOA-BP 预测模型进行训练和测试。结果表明,IPOA-BP 与 POA-BP 预测模型相比,方根误差下降65.75%,绝对平均误差下降65.79%,平均相对误差下降65.60%,可见 IPOA-BP 神经网络能够实现复合基础抗拔承载力较准确的预测,为该类型基础的承载力预测提供了新方法。     

一种新的电压偏差预测方法

针对电压偏差预测难度大的问题,文中提出一种新的电压偏差预测方法。该方法包括主成分分析法(principal component analysis,PCA)降维、亲和力传播(affinity propagation,AP)聚类、反向传播(back propagation,BP)神经网络预测3步。通过PCA对数据进行降维,获得数据主成分;为了弥补传统聚类方法的不足,提高聚类效果,文中引入AP聚类提取与待预测点同类的历史数据;最后选择BP神经网络建立电压偏差预测模型。将文中方法应用于实际电压偏差数据,结果表明该方法预测结果平均相对误差为3.06%,优于传统BP神经网络预测模型以及BP神经网络结合PCA降维的预测模型。     

一种改进果蝇算法优化神经网络短期负荷预测模型

在神经网络的训练过程中,由于随机初始化网络参数使得算法收敛速度慢、容易陷入局部极值,因此,本文提出了一种改进果蝇优化算法(IFOA)用于优化神经网络的初始连接权值和阈值,以实现全局优化。首先采用在BP神经网络中加入从输入到输出的连接的网络(BPNN-DIOC,直连BP神经网络),减少隐含层所需的神经元个数,降低网络在训练过程中调整的参数个数和加快网络训练速度,以提高电力负荷的预测精度和网络的泛化能力。然后综合IFOA和BPNN-DIOC,构建了基于IFOA优化BPNN-DIOC的负荷预测模型。最后,为了验证本文模型的有效性,以AEMO中新南威尔士州2105年9月份的数据为例进行了仿真测试,IFOA-BPNN-DIOC模型的预测平均绝对误差百分比为0.6357%,均方根误差为0.0118,并将该结果与本文其它模型的预测结果进行比较。结果表明,本文模型是一种更加有效的短期负荷预测方法。     

基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。     

基于聚类分析和混合自适应进化算法的短期风电功率预测

针对传统风电功率预测方法难以满足精细化、动态化建模要求,存在易陷入局部最优等问题,提出了基于聚类分析和混合自适应进化算法(KHEA)的风电功率智能预测方法。首先,采用K均值聚类算法对全年风速和功率数据进行聚类,剔除不合理的数据。然后,采用小波变换(WT)识别功率数据的行为特征,获得解构序列集,进而建立BP神经网络模型对未来时间段的功率解构序列进行预测。为减少预测误差,采用进化粒子群算法(EPSO)对模型的权值和阈值进行调整和优化,实现EPSO进化特性与神经网络自学习能力的功能互补。最后,运用逆小波变换对预测序列进行重构,获得最终的功率预测值。运用中国南方某风电场数据开展仿真实验,并与其他模型进行对比,表明KHEA具有更高的风电功率短期预测精度和可靠性,为提高风电功率预测精度和优化调度管理提供了新的技术方案。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

基于WOA-BP神经网络的磨煤机出粉量估算

为了解决火电厂磨煤机出粉量难以估算的问题,运用软测量方法,结合磨煤机工作时的系统参数和磨煤机出粉量建立BP神经网络模型,建立各参数与出粉量的非线性映射关系,对磨煤机出粉量进行估算。为了减小该模型的误差,采用鲸鱼算法（WOA）优化BP神经网络的权重和阈值,建立了WOA-BP算法模型。为了验证WOA-BP算法模型的可靠性,将鲸鱼算法（WOA）、粒子群算法（PSO）、遗传算法（GA）和BP神经网络分别建立磨煤机出粉量的WOA-BP、PSO-BP、GA-BP、BP神经网络算法模型。计算结果表明在4种算法模型中,WOA-BP算法估算模型对磨煤机出粉量有最好的预测能力,平均绝对误差仅0.94。     

基于PSOGSA全参数连分式的风速预测模型

风的间歇性和时变性限制了风电场的发电能力,准确的风速预测有助于减小风力发电入网对电力系统的运行方式安排带来的影响。针对风速时间序列存在的复杂变化和混沌特性,为了提高预测精度和简化预测数学模型结构,提出一种结合万有引力搜索算法(GSA)全局寻优能力和粒子群优化算法(PSO)的局部快速收敛优势的全参数连分式预测模型。将n项截断式连分式转化为PSOGSA优化参数问题,进行多维空间上函数的优化。以风电场风速采集两组数据为预测对象,通过对复杂风速时间序列建模仿真,并利用基于PSOGSA优化的全参数连分式对序列进行多时间尺度的预测。仿真结果分别与传统的BP神经网络、RBF神经网络、当前时间序列预测利用较多的长短期记忆网络算法(LSTM)和粒子群优化支持向量机(PSO-SVM)进行对比得出：基于PSOGSA的全参数连分式预测模型具有精度高、结构简单和建模速度快等特点,具有更强的非线性预测能力。     

基于VMD-SE-IPSO-BNN的超短期风电功率预测*

准确预测风电功率对风电规模化并网至关重要。为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型。首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果。实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度。     

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响。现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测。该模型根据群体适应度方差以及当前最优解的数值来定位当前最优个体的变异概率,并对全局最优个体进行t分布变异,对变异后的蝙蝠个体进行二次寻优。利用AMBA优化BP神经网络中包含的网络参数,进而提高了BP神经网络的预测精度。通过对实例进行分析,将AMBA-BP模型预测效果与其他模型预测结果相对比。结果表明,该模型能有效提高短期风电功率预测精度。     

基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(l...     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。