基于粒子群优化算法的神经网络在配电网线损计算中的应用

提出了一种将粒子群优化算法(PSO)训练神经网络用于配电网线损计算的方法。该方法使用由PSO训练的BP模型来拟合影响线损的特征参数与线损之间的复杂关系。实例计算表明,与BP算法及BP与GA结合算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度。     

基于IGA-BP综合算法的人工神经网络在线损计算中的应用

针对配电网线损计算,文章根据文献[13]提出了一种综合免疫遗传算法(IGA)与BP算法优点的IGA-BP混合算法,进行了改进并应用到实际配电网线损计算中.先用IGA训练多层前向神经网络,保持解群多样性,然后用BP算法快速搜索到最优解.此算法克服了常规遗传算法收敛方向不确定,BP算法容易陷入极小点的缺点,而且具有了记忆功能,能够促进快速求解.文中以68条配电线路数据为例,验证了该算法有很好的鲁棒性和适应性,且计算精度高.     

基于改进PSO-BP混合算法的电力变压器故障诊断

将改进的粒子群优化(PSO)算法与误差反向传播(BP)算法相结合构成混合算法训练人工神经网络。改进的PSO算法中,惯性权重从最大到最小线性减小,以平衡局部和全局搜索能力,并将类似“选择”的概念引入PSO算法,使该算法更好地协调全局和局部搜索能力,有利于更快寻找到全局最优点。该算法有效地解决了常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点。将该算法应用于变压器故障诊断,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

基于复合学习算法的配电网理论线损计算模型

为了提高配电网理论线损计算精度,提出一种基于复合学习算法的配电网理论线损计算模型。该模型将配电网理论线损计算抽象成多元回归问题,将理论线损计算的各类影响因素和理论线损值分别作为多元回归问题的输入向量和输出向量,并构造样本集输入到复合学习算法中加以训练,以得到配电网理论线损计算模型。复合学习算法由广义回归神经网络完成样本集训练,并在训练过程中利用粒子群算法动态地搜索广义回归神经网络最优训练参数,从而降低了理论线损计算模型的误差。实验结果显示,与传统方法相比基于复合学习算法的配电网理论线损计算模型具有更高的计算精度。     

短期电力负荷的智能预测方法研究

为了提高电力系统短期负荷预测的精度,提出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SAPSO—BP混合算法用于训练人工神经网络,对短期电力负荷进行预测。经实际算例验证,该混合算法能有效克服常规BP和PSO算法独立训练神经网络的缺陷,其收敛速度快于BP及PSO—BP算法,并且具有较高的短期电力负荷预测精度。     

粒子群优化的支持向量回归机计算配电网理论线损方法

针对配电网理论线损精确计算,提出一种基于粒子群优化算法的支持向量回归机(SVR-PSO)的理论线损计算方法。SVR-PSO方法将理论线损计算抽象成多元回归分析,理论线损的若干影响因素作为自变量,理论线损值作为因变量,SVR-PSO通过对已知理论线损线路的数据样本训练学习生成配电网理论线损计算模型,进而利用该模型完成未知线路的理论线损计算。在SVR-PSO训练过程中,利用粒子群算法动态地搜索支持向量回归机的最优训练参数,提高了SVR-PSO的计算精度。最后横向对比实验证实了基于SVR-PSO的配电网理论线损计算方法的有效性,与传统方法相比,SVR-PSO方法在计算精度和运算耗时方面拥有更好的性能。     

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。     

中压配电网规划态线损计算方法

对规划电网线损的研究有助于对电网进行优化,提出降损节能目标。本文对规划态的中压配电网线损计算方法进行了研究。首先采用人工神经网络对线损的基本分量进行预测,根据影响线损的主要参数建立了线损预测的模型结构,考虑收集到的原始数据取值范围和单位等的差异,对样本中的自变量和因变量作了标准化处理,再用改进的BP算法对神经网络进行训练,改善了算法收敛的性能和提高了预测的准确度;然后对规划改造项目中影响线损率升降的主要因素计算分析,并用此结果修正BP算法中预测的线损值。通过对实际电网线损的计算,证明了本文所提方法的实用性。     

基于免疫遗传算法优化的神经网络配电网网损计算

提出了一种基于免疫遗传算法(IGA)的BP神经网络方法计算配电网的理论线损.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能, 比现有其它计算配电网理论线损的方法更为准确.     

基于自组织竞争网络与RPROP算法的线损计算研究

为更好地发现高效的降损措施,并为科学地制定线损目标提供依据,提出了一种基于自组织竞争神经网络的RPROP神经网络的线损计算方法。RPROP神经网络确保了网络在有限的训练次数下能够收敛,利用自组织竞争神经网络对信息数据进行有效分类,提高了RPROP神经网络的输出精度。通过在MATLAB平台进行仿真实验,并与线性回归算法、标准BP神经网络算法,以及未分类的RPROP算法进行比较,验证了该方法的有效性。