基于支持向量回归的配电网线损计算模型

提出了一种基于支持向量回归的计算配电网线损的可行方法,建立了配电网线损计算的支持向量回归模型.针对有代表性的配电线路的线损与特征参数的样本数据,利用支持向量回归的拟合特性映射线损与特征参数之间复杂的非线性关系,找出配电线路的线损随特征参数变化的规律.为了提高支持向量回归机的学习效率,采用样本分类处理的方法分别对其进行训练,使的计算结果更加符合实际.以配电线路数据为实例,仿真结果验证了所提的方法和模型的有效性和实用性.     

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。     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。     

基于快速独立成分分析和支持向量回归的混合馈线线损估算

提出了一种基于快速独立成分分析和支持向量回归的架空和电缆混合配电网的线损估算方法。这种方法以混合馈线所含架空线长度、电缆线长度、馈线首端的有功和无功为特征参数,估计配电网的线损值。采用快速独立成分分析提取特征参数的独立成分,以特征参数的独立成分和线损值为支持向量回归的输入和输出,建立混合馈线的线损估算关系。实测数据的仿真结果表明,所提出的架空和电缆混合馈线的线损估算方法准确、有效、可行。     

基于人工神经网络的配电线损分析

为准确计算和分析配电网的线损,提出一种基于人工神经网络的配电线损计算模型.首先根据现场数据推导出配电馈线的日负荷曲线,使用三相潮流计算程序创建训练数据集;然后通过灵敏度分析确定了影响线损的关键因素;最后应用人工神经网络开发出架空线路和地下电缆季节性损耗的计算模型.仿真试验表明,相对于回归线损计算模型,所提出的模型提高了配电线损计算的准确性.     

基于分群算法和人工神经元网络的配电网线损计算

本文提出了基于分群算法和人工神经元网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数(如线路某时段内通过的有功功率和无功功率供电量)的样本数据,先用分群算法将样本数据分解,再用误差反向传播模型(Error Back-PropagationModel—BP模型)来映射(拟合)各个群的样本数据。考虑到BP模型固有的特性以及线损和特征参数间存在的关系,本文提出的分群算法简单,比现有方法准确,并可使其学习精度大大提高。     

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。     

计算配电网线损的GA与BP结合的新方法

为了克服常规BP算法而陷入局部极小及基本遗传算法GA过早收敛的缺点，该文提出一种将神经网络BP算法与GA算法结合的新算法，用于计算配电网线损。对于有代表性的配电线路的线损与特征参数（如线路某时段内通过的有功功率和无功功率供电量）的样本数据，先作标准化处理，再进行分群，然后用GA与BP结合的新算法映射（拟合）线损与特征参数之间的复杂关系。以68条配电线路数据为例，计算结果证实了该算法明显地提高了收敛速度及准确度。     

基于灰色关联分析和IPSO-LSSVM的线损预测模型研究

为了准确、全面评估10 k V配电网线损情况,给出了一种灰色关联分析和改进粒子群算法优化最小二乘支持向量机的线损预测方法。通过灰色关联度分析定量分析了电气指标和10 k V配电网线损之间的关联性,改进标准粒子群算法学习因子的变化规律,使用IPSO优化LSSVM的惩罚因子,建立IPSO-LSSVM预测模型。通过某地区10 k V配电网线路实际计算,对比不同方法,验证IPSO-LSSVM模型具有更好的精度和收敛能力。     

基于向量自回归模型的高损线路窃电检测

接入配电线路的用户窃电将直接导致分线线损电量异常波动,因此用户用电量与分线线损电量间存在长期动态互动。该文提出基于向量自回归模型检测造成线损波动的异常用户的方法。首先,运用边限协整检验分析线损电量和用户用电量的长期均衡关系;然后,构建线路线损电量与接入用户用电量的向量自回归模型,计算脉冲响应函数分析线损电量与用户用电量的动态作用机制;再通过方差分解分析线损电量与用户用电量间冲击作用的贡献度,将对线损电量有显著影响且波动贡献度最大的用户识别为窃电用户;最后,结合实际高损线路用户数据识别窃电嫌疑用户,并运用现场稽查的手段验证了所提方法的有效性。     

基于ALO-SVR的锂离子电池剩余使用寿命预测

锂离子电池(Lithium-ion batteries,LIBs)的剩余使用寿命(remaining useful life,RUL)预测在电池故障预测与健康管理(prognostics and health management,PHM)中起着十分重要的作用。准确预测电池RUL可以提前对存在安全隐患的电池进行维护和更换,以确保储能系统安全可靠。文章提出一种基于蚁狮优化和支持向量回归(ant lion optimization and support vector regression,ALO-SVR)的方法,可有效提高锂离子电池RUL预测的准确性。SVR方法在处理小样本数据和时间序列分析上具有优势,但SVR方法在内核参数选择上存在困难。因此,文章利用ALO算法优化SVR核参数,随后采用PCoE(NASA ames prognostics center of excellence)和CALCE(center for advanced life cycle engineering)电池数据集对所提方法进行仿真验证。通过对比SVR方法,ALO-SVR方法可以提供更精确的电池RUL预测结果,能有效提高锂离子电池剩余使用寿命预测的准确性和鲁棒性。     

中压配电网线损计算新方法

长期以来，国内中压配电网线损计算困难，虽已做过大量研究，但仍未完全解决。文中针对这一难点以及遗传算法（GA）与人工神经网络（ANN）相结合的优点，提出了一种利用改进GA优化的ANN计算中压配电网线损的新方法。该方法首先利用负荷测试仪获得ANN模型所需的学习样本，然后利用改进的GA优化ANN的结构，最后应用优化的BP型ANN来拟合影响线损的特征参数与线损之间的复杂关系，从而建立了适合配电网线损计算的新模型。实例验证结果表明，该方法具有计算精度高、模型简单和经济实用等优点。     

基于改进GWO-SVR的锂电池SOH估计

为了提高锂电池健康状态的估计精度，提出了一种基于IGWO-SVR的锂电池SOH估计方法。针对支持向量回归(SVR)内核参数选择的问题，采用改进灰狼(IGWO)算法优化支持向量回归的内核参数；选取合适的健康特征作为输入，电池SOH作为输出，建立IGWO-SVR估计模型，实现锂电池SOH的估计。基于NASA电池数据集，对该模型进行训练及验证，并与SVR和GWO-SVR方法相比。结果表明，IGWO-SVR方法能有效提高SOH估计的精度和稳定性，最大估计误差不超过2%。     

基于测量的中压配电网线损计算研究

配电网线损计算是配电管理和运行的一项重要任务,结合当前国内配电自动化水平的现状,提出了用以计算半自动化配电网络线损的模型,并充分依据网络量测配置的特点,根据基于测量、面向时间过程的思想,以馈线为基本单元,以辐射状配电网为研究对象,对系统的实测节点、电量信息节点、容量信息节点区别对待、配合使用,使半自动化水平下的配电网络的负荷节点信息得以补充完整,并由此提出了该自动化水平下的线损计算方法,解决了由于配电网络自动化程度不高、量测不全所产生的线损计算困难的问题。算例表明本方法简捷有效,能够满足工程上对于线损计算的精度要求。     

基于在线支持向量回归算法的电站热耗率模型

利用在线支持向量回归算法（AOSVR）,建立了机组热耗率的在线回归模型。介绍了模型的更新过程,包括增加新样本的递增和冗余样本的删除。对某1 000 MW机组的热耗率计算进行了建模,并与常用的离线式模型SVR和LS-SVR进行了对比,结果表明AOSVR模型能够根据新样本对模型不断进行更新,具有较强的自适应能力和泛化性能,适合在线应用。进一步通过输入参数扰动分析得出AOSVR具有较强的鲁棒性,能够克服输入参数的非正常波动,保证热耗率计算的可靠性。     

Hybrid evolutionary algorithms in a SVR-based electric load forecasting model

Accurately electric load forecasting has become the most important issue in energy management; however, electric load often presents nonlinear data patterns. Therefore, looking for a novel forecasting approach with strong general nonlinear mapping capabilities is essential. Support vector regression (SVR) reveals superior nonlinear modeling capabilities by applying the structural risk minimization principle to minimize an upper bound of the generalization errors, it is quite different with ANNs model that minimizing the training errors. The purpose of this paper is to present a SVR model with a hybrid evolutionary algorithm (chaotic genetic algorithm, CGA) to forecast the electric loads, CGA is applied to the parameter determine of SVR model. With the increase of the complexity and the larger problem scale of electric loads, genetic algorithms (GAs) are often faced with the problems of premature convergence, slowly reaching the global optimal solution or trapping into a local optimum. The proposed CGA based on the chaos optimization algorithm and GAs, which employs internal randomness of chaos iterations, is used to overcome premature local optimum in determining three parameters of a SVR model. The empirical results indicate that the SVR model with CGA (SVRCGA) results in better forecasting performance than the other methods, namely SVMG (SVM model with GAs), regression model, and ANN model.     

Hybrid kernel learning via genetic optimization for TS fuzzy system identification

This paper presents a new TS fuzzy system identification approach based on hybrid kernel learning and an improved genetic algorithm (GA). Structure identification is achieved by using support vector regression (SVR), in which a hybrid kernel function is adopted to improve regression performance. For multiple‐parameter selection of SVR, the proposed GA is adopted to speed up the search process and guarantee the least number of support vectors. As a result, a concise model structure can be determined by these obtained support vectors. Then, the premise parameters of fuzzy rules can be extracted from results of SVR, and the consequent parameters can be optimized by the least‐square method. Simulation results show that the resulting fuzzy model not only achieves satisfactory accuracy, but also takes on good generalization capability. Copyright © 2008 John Wiley & Sons, Ltd.     

万能式断路器合闸能量分配动态仿真分析及优化

提出一种万能式断路器（ACB）合闸能量分配的分析方法以提高ACB合闸可靠性和机构动作的协调性能。建立了ACB合闸能量分配的数学模型,给出调节ACB合闸能量匹配关系的方法。并利用ADAMS仿真技术,研究了主要结构参数与ACB合闸能量分配的关系,并利用高速摄影技术进行试验验证。研究及应用结果表明,该分析方法对产品性能调节和系统优化设计是有效的。