基于蚁群算法的配电网空间负荷预测方法研究

在进行空间负荷预测的过程中,用地类型转换规则的获取对预测的结果产生着深远的影响。提出了一种改进的配电网空间负荷预测方法,采用用地仿真法模拟城市土地动态发展过程,预测规划区域各小区土地的未来使用类型。根据城市发展的实际情况,利用蚁群算法（Ant Colony Algorithm,ACA）的自适应性及其在分类规则挖掘方面的优势,自动获取小区用地类型的转换规则,克服了传统方法在规划年内一直采用静态的土地使用决策规则的缺陷。用实例说明了该方法的有效性。     

基于蚁群算法的配电网空间负荷预测方法研究

在进行空间负荷预测的过程中,用地类型转换规则的获取对预测的结果产生着深远的影响.提出了一种改进的配电网空间负荷预测方法,采用用地仿真法模拟城市土地动态发展过程,预测规划区域各小区土地的未来使用类型.根据城市发展的实际情况,利用蚁群算法(Ant Colony Algorithm,ACA)的自适应性及其在分类规则挖掘方面的优势,自动获取小区用地类型的转换规则,克服了传统方法在规划年内一直采用静态的土地使用决策规则的缺陷.用实例说明了该方法的有效性.     

基于粗糙集数据挖掘的配电网小区空间负荷预测方法研究

提出了一种新颖的配电网空间负荷预测方法,采用粗糙集(RS)数据挖掘方法对可能影响小区用地决策的相关属性进行约简,去除冗余属性,克服了以往方法受人为因素影响较大的弱点,得出决定小区用地类型的决策规则,从而得到每个小区适于发展各类负荷的程度,再运用全局最优的土地分配算法来计算各小区内各类负荷的增长,克服了仿真法不能得到整个土地最优分配方案决策的弱点.最后用实例说明了该方法的有效性.     

电力负荷的模糊粗糙集预测方法研究

通常空间电力负荷的影响因素较多 ,小区划分较小时模糊推理规则将成倍增加 ,为此引入了粗糙集理论的属性约简方法简约预测因子 ,即采用粗糙集理论的不可分辨性关系约简可能影响小区用地决策的距离和环境等相关属性 ,得出决定小区用地类型的决策推理规则库 ;为克服模糊理论确定权重系数的主观性 ,应用粗糙集理论中属性重要度分析计算了各条件属性对各用地类型的不同权重。重庆江北某区域空间电力负荷预测的结果显示 ,粗糙集与模糊集理论相结合能节约存储空间且能提高预测速度     

基于用地仿真法的配电系统空间负荷预测

配电系统空间负荷预测与传统的电力负荷预测不同之处是它不仅基于时间坐标,而且基于空间坐标。受单元自动机CA(Cellular Automata)在土地利用变化中的应用启发,对基于用地仿真的配电系统空间负荷预测过程进行了改进,可以给出不同目标下的综合预测结果,并将空间信息和预测结果以矩阵形式表达,使整个过程简单明了。对应用原理和过程进行了详细阐述,利用一个实际空间负荷预测的小区用地分析实例说明所提方法的应用过程。     

基于负荷细分与SVM技术的电力负荷空间分布预测

提出了一种新颖的电力空间负荷分布预测模型,该方法首先对各类负荷的影响因素进行分析并分别建模预测;而后将选定区域划分成等面积小区,利用主成分分析法对小区空间信息进行处理,从而形成支持向量机的训练样本集;在此基础上用训练好的支持向量机计算待预测区域小区的属性值,并按照各类用地类型排序.根据预测结果,结合待预测区域的整体发展规划,给出待预测区域各类负荷增量;最后,结合各类负荷密度预测值、各类用地发展总量、各类用地发展排序,给出空间负荷预测值.实例验证了本文方法的有效性.     

一种基于参数循环优化的空间负荷预测方法研究与应用

在结合我国国情的基础上分析了传统用地仿真法在国内空间负荷预测工作中实现困难的现状,提出了一种实用性很强的基于参数循环优化的空间负荷预测模型.该方法以城市规划局的土地规划图为基础,运用GIS的强大功能对城市配网大量矢量地图数据进行存储管理,再结合循环优化后的负荷密度模型对各规划小区用地进行负荷预测结果计算.新的空间负荷预测模型免去了用地仿真法在网格划分及各小区空间数据收集过程中的大量工作,提高了工作效率.应用实例表明该方法预测结果准确性能满足目前我国电力行业的发展要求.     

基于熵权法与GRA-ELM的配电网空间负荷预测

空间负荷预测对配电网规划建设具有重要意义。为了提高配电网空间负荷预测精度,文中提出基于熵权法与灰色关联分析-极限学习机(GRA-ELM)的配电网空间负荷预测方法。首先,将规划区域内的小区按用地性质划分,分析不同类型负荷的影响因素,建立空间负荷密度指标体系;其次,利用熵权法对不同类型负荷的负荷密度指标进行权重分配;然后,应用GRA挑选出与待测地块负荷密度指标相似的训练样本;最后,将样本带入经粒子群优化(PSO)算法参数处理后的极限学习机(ELM)进行训练,得到预测结果。通过实例对所提方法的性能进行仿真验证,结果表明,所提方法相对其他方法的空间负荷预测精度更高。     

基于模糊多目标多人决策的配电网空间负荷预测

提出了一种新的空间负荷预测方法,在进行空间负荷预测用地类型决策时引入了模糊多目标多人决策。考虑各个相关空间因素,采用模糊语言算子区分各因素的相对重要程度,引入层次分析法将语言算子转化为精确权重,多个专家各自独立决策,综合考虑多人决策得到最终用地类型。多人决策降低了以往空间负荷预测用地分析的主观性,提高了预测精度。     

采用混合语言信息群决策的电力负荷密度预测法

传统城市空间负荷密度预测法在实际预测过程中其结果的可信度依赖于大量有效的样本数据,而在实际中收集到较齐全的可行样本数据存在很大的难度。为此提出了一种将混合语言信息群决策方法和BP神经网络相结合的城市电力负荷密度预测法。该方法采用基于混合语言信息的群决策方法,通过各决策者的评价,计算城市各小区相应的经济、人口、地理环境的综合评分值,并利用BP神经网络,训练各指标综合评分值与相应的小区负荷密度,利用训练后的网络结构和待定小区的各指标综合评分结果,预测城市该小区的负荷密度。通过对城市若干小区的负荷密度及各指标综合评分值做比较分析,预测了部分小区的负荷密度值。结果表明预测计算过程摆脱了需要大量收集特定指标定量数据的问题,并且预测结果具有较高的可信度。     

计及城市发展程度的多阶段空间负荷预测方法

针对现有空间负荷预测方法通常以单一水平年为目标,没有考虑城市规划的多阶段性对各阶段空间负荷预测模型的不同需求,以及待预测区域为新建小区或缺少历史负荷数据时预测方法失效的问题,提出一种计及城市发展程度的多阶段空间负荷预测方法。该方法以解决城市发展多阶段规划的负荷预测需求为目标,首先建立与城市发展各阶段相对应的电力地理信息系统。其次根据用地信息、业扩报装计划和有限的历史负荷数据等信息建立近期空间负荷预测模型。然后确定分类负荷密度饱和值。最后利用近期空间负荷预测结果、分类负荷密度饱和值和城市建设信息等构建计及城市发展程度的中、远期空间负荷预测模型,实现待预测区域的多个发展建设阶段的空间负荷预测。工程实例证明了该方法的实用性和有效性。     

基于粗糙集神经网络和元胞自动机的空间负荷预测

在分析目前空间负荷预测方法的基础上,提出了一种新的空间负荷预测的方法。该方法主要是利用粗糙集理论对从空间数据库中提取出来的随机数据样本集进行属性简化,减少人工神经网络的输入变量的个数和样本数量,从而提高神经网络提取元胞自动机转换规则的收敛速度和准确性,提高了空间负荷预测的精确性。该方法结合了粗糙集和人工神经网络的优点,并利用元胞自动机的理论来模拟城市用地类型变化,进行空间负荷预测。某市城市规划区域的空间负荷预测实验,证明了该方法的有效性。     

基于改进人工蜂群算法的电力系统无功优化

针对电力系统无功优化存在的问题,提出了一种基于改进人工蜂群算法的无功优化。运用反学习法对人工蜂群算法进行了优化,克服了人工蜂群算法本身容易陷入局部收敛的缺点,并且对IEEE30节点进行仿真计算,结果表明该算法对于求解复杂无功优化问题的可行性和有效性。     

基于模糊粗糙集理论和时空信息的空间负荷预测

空间负荷预测是城网规划领域的基础工作,目前空间负荷预测大多是依靠一些历史负荷数据来进行,却忽视了地理空间信息的影响。对于同一类用地来说,由于各小区的地理空间信息不同,其发展程度存在一定的差异,进而各小区的负荷密度也不相同,如果采用统一的负荷密度进行预测,势必会带来较大的误差。因此,该文提出一种基于模糊粗糙集理论和时空信息的空间负荷预测方法。借助地理信息系统(geographic information system,GIS)获取供电小区的空间信息,分析空间信息对各类负荷分布的影响。结合模糊粗糙集理论得到每个供电小区适合其发展的统一模糊粗糙因子(因为每类小区的统一模糊粗糙因子的划定都有其自身的标准,该统一模糊粗糙因子的大小仅适于同种类型小区间的比较),从而刻画出同类负荷间负荷密度的差异。该文所提方法能够更精确地刻画负荷发展不均衡、不协调的现象,提高空间负荷预测的精度。工程实例分析表明了该方法的实用性和有效性。     

基于云理论的配电网空间负荷预测方法研究

提出了一种新颖的配电网空间负荷预测模型，该模型采用了基于云模型的知识表示，将定性概念所具有的模糊性、随机性有机地结合在一起，构成了定性和定量相互间的映射，克服了传统模糊理论的不彻底性。该文将云理论、面向对象的归纳方法以及粗糙集相结合，进行土地使用决策中空间属性信息定量定性转换、空间数据的离散化、决策规则的挖掘，克服了传统基于模糊集的空间负荷预测模型中模糊集参数及模糊系统规则选择的主观性，同时也利用云理论与粗糙集理论相互间的互补性,增强了知识发现的能力。运用基于云理论的不确定性推理计算小区对各用地类型适应性的评分，使推理结果更加合理而且贴近实际。给出了基于该模型的小区改造判据，改进了计及小区改造及经济性的用地分配的多目标规划模型，计算小区负荷。最后用实例说明了该方法的有效性。     

动态调整蚁群-BP神经网络模型在短期负荷预测中的应用

为提高短期电力负荷预测精度,提出了动态调整人工蚁群算法(DAACS),对BP神经网络参数进行优化,建立了动态调整人工蚁群-BP神经网络组合算法(DAACS-BP)预测模型,综合考虑气象、天气、电价、日期类型等影响因素,对四川电网进行短期电力负荷预测.仿真表明,该方法克服了BP神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,收敛速度快,输出稳定性好,提高了电网短期负荷预测的精度,可有效用于电力系统短期负荷预测.     

基于粗糙集和元胞自动机的配电网空间负荷预测

该文提出一种新颖的配电网空间负荷预测方法,采用元胞自动机(cellular automata,CA)模拟城市土地利用动态发展过程,预测规划区域各小区土地的未来使用类型。根据城市发展的实际情况,确定CA的迭代时间和转换规则调整时间,并采用粗糙集(rough sets,RS)理论逐步对每个调整时间段中可能影响小区土地使用决策的因素进行属性约简,获取动态的元胞自动机转换规则,消除冗余属性,克服了传统方法在获取小区土地使用决策受主观因素影响较大以及在规划年内一直采用静态的土地使用决策规则的缺陷。最后通过1个实例验证了该方法的有效性。     

基于蜂群优化极限学习算法的用电功率预测

针对用电功率负荷序列随机性强、负荷预测准确度不足等问题,提出一种基于人工蜂群算法(ABC)优化极限学习机(ELM)的用电功率预测模型.将原始电力负荷序列进行模态平稳化处理,得到包含不同时间尺度的局部特征信号的本征模函数分量和残差分量;利用人工蜂群算法优化极限学习机模型学习各模态分量的时序规律并进行分量预测,将各模态分量...     

模糊数与多指标灰靶决策理论相结合的小区负荷预测方法

将模糊数与多指标灰靶决策理论相结合应用于小区负荷预测：收集各类小区负荷密度及相关因素样本,通过模糊聚类方法分析样本形成模糊负荷密度等级;根据模糊负荷密度等级和待预测小区未来相关因素,采用基于熵权的多指标灰靶决策进行小区负荷密度预测;利用类内相似度法对小区负荷密度进行修正。算例结果表明将模糊数和多指标灰靶决策理论结合起来应用于小区负荷密度预测,准确度和可信度较高。该方法将预测过程科学量化,克服了以往简单类比法主观性大的缺点。     

基于改进蜂群算法的工业机器人路径规划研究

针对工业机器人在复杂环境中运动的避障及路径优化问题,提出基于改进人工蜂群算法的工业机器人避障路径规划策略。首先针对传统人工蜂群算法搜索能力不足且容易陷入局部最优的问题,将禁忌搜索思想引入到人工蜂群算法最优解搜索过程中,形成了基于禁忌搜索的改进型人工蜂群算法,然后将其应用到工业机器人的路径规划问题中,并进行了仿真实验。结果表明,改进后的方法能够得到最优的路径,且寻优速度快、过程稳定。该方法可用于解决工业机器人路径规划问题。