线性响应模型与神经网络联合模拟降雨～径流过程

本文将简单线性（黑箱）模型与神经网络联合起来对降雨～径流过程进行了模拟，在早期大多数有关降雨～径流的神经网络研究中,往往将前期径流作为模型输入的一部分,而本文利用线性模型对径流的估算值代替前期径流作为神经网络输入的一部分,从而为资料稀缺流域降雨～径流关系的模拟提供了新的途径，研究结果表明该组合模型是可行的。     

自我调节蚁群-RBF神经网络模型在短期径流预测中的应用

为提高短期径流预测精度,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑气象、天气、季节、降雨等影响因素,对上马水库进行径流预测.仿真表明,该方法克服了RBF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RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了短期径流预测的精度,预测相对误差小于3%.可有效用于短期径流预测.     

基于经验模态分解的非平稳水文序列预测研究

在全球气候变化和人类活动影响下,降雨和径流过程的非平稳特征日趋显化,如何通过有效的方法提高预测精度,准确地预测非平稳时间序列变化,为管理者提供决策支持至关重要。经验模态分解(EMD)是"分解—预测—重构"预测模式中的重要方法之一,通过其与径向基神经网络(RBF)的耦合,构建了改进RBF预测方法,研究了"分解—预测—重构"预测模式对渭河流域降雨(弱趋势)和径流(强趋势)两种非平稳时间序列的预测效果,总结了"分解—预测—重构"模式的适应范围。同时,针对重构过程中高频分量误差偏大的问题,提出了误差控制的改进措施。计算结果显示,RBF神经网络对具有弱趋势的非平稳时间序列(降雨)可获得比较满意的预测效果,平均相对误差为11%,是否分解预测对其预测精度影响不大;而对具有强趋势的非平稳时间序列(径流),RBF神经网络模型的预测效果并不理想,平均相对误差达到54%,而经过分解—预测—重构处理后,平均相对误差可降至30%,基本满足中长期水文预测精度要求。且若实施误差控制,平均相对误差可再减小2%。研究表明,"分解—预测—重构"的处理方法适用于具有强趋势变化的非平稳时间序列,其特点在于可有效分离时间序列中的周期和趋势变化成分,预测中使不同成分得到有效外延。同时,这种处理思路与径流序列基于物理驱动机制的普遍认识较为相符,更有利于开展有关水文过程的扩展性分析。误差控制方法在径流预测中能有效降低高频分量预测误差对整体预测效果的影响,可为其他类似的非平稳时间序列预测提供借鉴。     

径流预报的极点对称模态分解-Elman网络模型

针对径流序列非线性、非平稳的特点,将极点对称模态分解(ESMD)方法与Elman神经网络模型相结合,建立了ESMD-Elman神经网络组合模型,并应用于长江上游干支流8站的年、月径流预报.首先利用ESMD方法将径流序列分解为各模态分量和趋势余项;然后利用Elman神经网络模型分别预测各平稳序列;最后加和重构得到最终预测...     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

基于Elman型回馈神经网络的流域降雨-径流动态过程建模的研究

本文将Elman回馈型神经网络与水文系统的特点相结合 ,建立了流域降雨 -径流动态模型。文中用较简单的方法解决了神经网络模型难以直接描述水文系统前期状态的难题 ,并以福建沙县流域的降雨 -径流过程为研究对象 ,通过完整的分析 ,表明Elman型神经网络与水文系统概念相结合的动态过程模型是一种能够保证较高的预报准确性的模型 ,同时又具有良好的适应性、健壮型和外延性 ,显示出良好的应用前景。     

神经网络径流预报模型中基于互信息的预报因子选择方法

神经网络在径流预报中得到了广泛应用并取得了良好效果,其关键问题之一是输入变量(预报因子)选择,但这一问题通常没有受到重视.本研究基于互信息的概念探讨了如何选择径流预报输入变量,并结合三峡工程建成前长江干流宜昌水文站的日径流预报进行了研究.结果表明,基于互信息能够有效地判断待选预报因子(输入变量)与预报变量之间的相互关系...     

基于混沌时间序列和神经网络的电力短期负荷预测

提出一种将混沌时间序列和神经网络相结合的短期负荷预测方法,利用混沌理论重构相空间的吸引子,然后用BP神经网络来拟合空间吸引子的演化,同时利用空间欧氏距离来选取神经网络的输入样本,实例预测结果表明所提出方法的有效性和可行性.     

基于混沌理论的城市用电量预测研究

阐述了混沌理论及其在城市用电量预测中的具体应用, 针对城市用电量时间序列的非线性特点,结合混沌理论和神经网络理论,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的城市用电量神经网络模型.并将该模型在H市用电量预测中进行了初步应用,结果表明,该方法需要的训练数据较少,预测结果整体误差的指标较好,容易确定输入节点个数,呈现较好的综合预测性能,在城市用电量预测中有广泛的实用价值.     

基于小波包变换及RBF神经网络的继电器寿命预测

继电器的性能参数时序值为非平稳时间序列,为了对其工作寿命进行准确预测,本文对小波包变换原理进行了改进,利用改进的小波包变换将具有非平稳特征的继电器超程时间径流序列进行分解,使其平稳项和随机项分离,对平稳项采用传统的AR模型进行预测,对于随机项则建立基于相空间重构的RBF(径向基函数)神经网络预测模型进行预测,最后通过小波包重构方法对两种模型预测结果进行重构,实现对原始非平稳径流序列的预测。该方法通过实例验证具有较高的精度,是一种可行的方法。     

Zernike矩与粗集预处理的神经网络在数字识别中的应用

针对无指针式表盘的数字判读问题,提出一种基于Zemike矩和粗集预处理的神经网络数字识别方法。该方法首先利用Zemike矩的旋转不变性特征提取数字图像特征,再对所提取的Zemike矩进行基于粗集的特征约简,约简后的信息输入到训练好的神经网络进行识别。通过实际的表盘分割截取的带旋转的数字识别中试验,结果表明该方法具有识别率高,速度快的特点,具有较高的实时价值。     

模糊推理在中性点接地方式选择中的应用研究

中性点接地方式选择是一个综合性的技术问题,在对接地方式特性及其与电网的相互关系分析的基础上,应用模糊推理原理,通过合理选择接地方式决策模糊输入参数、建立模糊输入参数隶属度函数、构建输入和输出关系矩阵等过程,采用定义的模糊逻辑运算规则将输入映射到输出,实现了中性点接地方式定量优化抉择。实际算例验证了该方法的有效性和合理性。     

基于MC-ANN的中性点直流监测数据有效性评估

针对特高压直流输电工程试运行期间得到的变电站中性点直流监测数据,提出了数据有效性评估方法:根据变电站中性点直流分布机理,分析了影响因素与变电站偏磁电流分布之间的关联特征,构建了基于神经网络(Artificial Neural Network,ANN)的中性点直流预测模型,并与实测数据进行对比,验证预测模型的有效性;利用蒙特卡洛模拟(Monte Carlo,MC)法对各影响因素进行抽样,模拟各种影响因素不确定组合,作为输入送入已经训练好的神经网络预测模型,构建MC-ANN联合模型,获取影响因素抽样下的大量样本数据,利用数据挖掘技术提取影响因素与中性点直流之间的关系变化规律;针对±800 kV上海庙-山东临沂特高压输电工程测试数据进行有效性评估,结果表明采用文中方法能够快速查找到测试期间中性点发生变化的站点。该方法可为甄别异常监测数据、快速查找异常原因以及锁定接地方式变化站点提供理论参考。     

考虑电源线电压控制特性的不接地配电网改进三相潮流模型

不接地配电网具有无零序电流通路、端点元件无中性点或虽有中性点但无引出线两个特点。由于无零序电流通路,端点注入电流满足零序分量为0的约束;由于无中性点或中性点引出线,端点元件具有相—中性点电压不可测或不宜控制相—地电压的特点。因此,实际不接地配电网中的电源端点通常以线电压作为测量和控制对象,即电源具有线电压控制特性。文中同时考虑不接地配电网的上述两个特点,提出以线电压为控制对象,通过构造平衡端点等值中性点作为全网的电压参考点,建立平衡端点和有功功率—电压端点的改进模型;在此基础上,进一步结合不同接线方式负荷的潮流模型,建立考虑电源线电压控制特性的不接地配电网改进三相潮流模型。最后,用IEEE13节点修正系统验证了所提模型对不接地配电网三相潮流计算的适应性和有效性。     

基于BP神经网络的输电线路雷击故障预测

雷击故障是输电线路故障的主要原因,需要对输电线路雷击故障进行预警以减少其造成的损失。传统雷区预报方法在预报准确性与雷区识别精度之间存在矛盾,难以进一步提高雷击故障预测的准确性。考虑到电力系统运行中积累了大量雷电和雷击故障的历史数据,本文建立了基于BP神经网络的输电线路雷击故障预测方法。首先在历史雷击故障统计分析的基础上,筛选出输入特征;然后分别应用粒子群算法和LM算法确定网络初始权值并进行网络训练;最后基于实际雷电数据和电网雷击故障数据对本文模型进行验证,仿真结果表明,本文方法能够预测80%的雷击故障,可为实际电网的雷击故障防御提供参考。#$NL关键词：雷击; 输电线路故障; 故障预警; BP神经网络#$NL中图分类号：请作者自查     

一种基于矢量控制的变流器故障诊断方法

基于空间矢量控制的变流器,提出一种以变流器输出三相电流信号为特征参数的变流器故障诊断模型。运用小波分析理论对电流信号进行降噪处理,通过FFT变换及对电流信号统计计算得到故障特征向量,将该特征向量作为神经网络的输入,通过对神经网络的训练,确定网络参数,对故障数据的分析,达到故障诊断的目的。实验数据表明,该故障诊断模型对采用空间矢量控制的变流系统的电力电子器件故障的检测与诊断是可行的。     

分布式降雨输入与汇流模拟对洪峰计算的影响

3000 km2以下中小流域洪水灾害是当前洪涝灾害防治的薄弱环节,提高洪峰预报精度、降低不确定性是当务之急。论文以伊河河源地区东湾流域为例,基于新安江模型和蒙特卡洛抽样方法,通过集总式、降雨集总–汇流分布式、降雨分布–汇流集总式和降雨分布–汇流分布式4种方式,研究降雨分布式输入与汇流分布式模拟对洪峰精度和不确定性的影响。结果表明：（1）降雨分布式输入总体上能够提高洪峰精度,但对于某些降雨空间分布极端不均的洪水,则会扩大洪峰误差;（2）降雨分布式输入使新安江模型汇流参数相互独立,扩大了洪峰计算的不确定性;（3）汇流分布式模拟总体上能够减小洪峰计算的不确定性。研究结果为中小河流洪水预报提供了有益的参考。     

非直接接地系统中检出单相接地线路的新方法

提出了适用于非直接接地系统中发生单相接地故障时检出接地故障线路的一种新方法———零序电容电流补偿法。理论分析和仿真结果表明 ,该方法适用于中性点不接地或经消弧线圈接地系统 ,具有简单可靠和灵敏性好的特点。这种方法很容易在微机保护中实现     

面平均雨量的系统响应曲线修正方法及其在富春江流域洪水预报中的应用

空间集总式水文模型的洪水预报精度会受到面平均雨量估计误差的严重影响。点雨量测量值的误差类型、误差大小以及流域的雨量站点密度和站点的空间分布都会影响到面平均雨量的计算,这种误差的影响在雨量站个数较少的大流域尤为明显。为提高实时洪水预报精度,本文提出了一种基于降雨系统响应曲线洪水预报误差修正方法。此方法将水文模型作为输入和输出之间的响应系统,用实测流量和计算流量之间的差值作为信息,通过降雨系统响应曲线,采用最小二乘估计方法,对面平均雨量进行修正,再使用修正后的面平均雨量重新计算出流过程。将此修正方法与新安江模型相结合,首先使用理想案例进行检验,然后将此方法应用于浙江富春江流域实时洪水预报中,通过2010—2014年间的14场历史洪水的应用检验,结果表明该方法具有明显修正效果,是一种结构简单、不增加模型参数且不改变预报模型结构的实时洪水预报修正的新方法。     

微网混合式孤岛检测及运行模式切换研究

孤岛运行是微网稳定控制的核心内容,而非计划孤岛检测是微网在故障解列时转入稳定孤岛运行的前提条件。提出一种基于电压-相角下垂控制的混合式孤岛检测方法。结合被动式的过/欠频、过/欠压检测法和基于正反馈的主动式孤岛检测法,实时感知非计划孤岛。通过负荷调度,快速实现网内功率平衡,保证网内负荷的供电连续性。在Matlab/Simulink中搭建微网系统模型,通过多复杂工况对所提方法进行仿真验证。