应用BP神经网络的超高压输电线路可听噪声预测

以甘肃省多条330 kV超高压输电线路可听噪声的实测数据样本为例,研究基于误差反传(back propagation,BP)神经网络的可听噪声预测的方法。将330 kV单回路三角型线路结构输电线路的可听噪声数据整理分析后建立数据样本,选择影响可听噪声的13个因素作为输入变量,可听噪声值作为输出变量,建立3层结构的BP神经网络预测模型,用数据样本训练和验证预测模型。结果表明,基于BP神经网络的可听噪声预测方法能够较精确地预测可听噪声数据样本中除了输入样本以外的其余样本,可作为超高压输电线路可听噪声预测的一种简单有效的方法。     

基于组合赋权和BP神经网络的500kV交流输电线路电磁环境评估方法研究

针对超高压输电线路日益突出的电磁环境问题,研究了基于BP神经网络原理的输电线路电磁环境评估方法。在国内外现有规定和推荐标准的基础上制定了跨越居民区、公路和农田等不同地区的超高压输电线路电磁环境等级标准。以华中电网500kV交流输电线路的实测数据为例,运用组合赋权的思想确定了工频电场、工频磁场、无线电干扰和可听噪声的权重,并将这四项指标作为输入变量,电磁环境评估等级作为输出变量,建立三层结构的BP神经网络评估模型。模型中考虑了单个地区的电磁环境评估和不同地区人口权重修正的整条线路电磁环境综合评估。评估结果表明,基于BP神经网络电磁环境评估方法能够较准确地评估500kV交流输电线路附近的电磁干扰情况,可为输电线路电磁环境评估提供参考。     

基于聚类的输电线路工程造价综合智能预测方法

输电线路工程是电力系统建设的重要环节,对其造价进行精准化预测可以为预算制定、资金审核、项目评价等多方面产生积极作用。智能模型已广泛应用于输电线路工程造价的预测中,详细阐述神经网络和支持向量机智能算法的预测模型建立过程,分析两种预测模型的优缺点和适用场景;讨论K-Means聚类、层次聚类、模糊聚类3种聚类方式的特点,并将其综合用于提升神经网络和支持向量机智能算法的预测精度,提出了一种输电线路工程造价的综合智能预测方法。选取某区域电网2015—2016年新建的80组220 kV输电线路工程进行算例测试,结果表明:基于神经网络和支持向量机智能算法的输电线路工程造价预测误差均低于20%;层次聚类降低神经网络算法误差的效果最显著;模糊聚类降低支持向量机算法误差的效果最显著。     

输电线路导线覆冰AMPSO-BP神经网络预测模型

输电线路覆冰严重危害电网安全运行,因此,有必要开展线路覆冰预测研究。随着人工智能技术的不断发展,其在电网覆冰监测中的优势逐渐凸显。现有的基于覆冰增长物理模型和统计回归模型覆冰预测方法,一定程度上实现了通过微气象等因素预测覆冰增长的效果,但大都针对短期覆冰周期,对数据采集频率有很高的要求,实际工程中实现较为困难。因此文章统计分析了重庆市送变电公司2015—2019年线路观冰数据,得到了西南地区高湿环境下输电线路覆冰特性及规律,并依据覆冰增长物理过程选取了工程可测量气象参数作为覆冰影响因素,提出了一种基于自适应变异粒子群算法(adaptive mutation particle swarm optimization algorithm,AMPSO)优化BP神经网络的人工智能覆冰厚度预测模型,优化了BP神经网络的权值阈值选取,优化后的模型在预测精度上要强于单一BP神经网络与已有研究中提出的小波神经网络,具有良好的工程适用性。     

基于GRNN的输电线路覆冰厚度预测方法研究

为了保障输电网的安全运行,输电线路覆冰厚度预测极为重要。本文还将人工神经网络原理引入输电线路覆冰厚度预测中,并针对BP网络收敛速度慢、已陷入局部极小的缺陷,提出了基于广义回归神经网络(GRNN)的预测模型。实例研究证明GRNN模型相比较BP模型,能更有效地预测输电线路覆冰厚度。     

架空输电线路档距段雷击跳闸预测

为解决当前输电线路雷击跳闸预测模型考虑因素不全面、预测不准确等问题,本文通过分析输电线路雷击档距段雷击跳闸预测存在的问题,介绍模拟退火遗传算法优化的BP神经网络算法的优点,并进行档距段雷击跳闸预测。本方法具有模拟退火算法避免陷入局部极小值的特点,并使用遗传算法并行化高效搜索最优解。解决了BP神经网络在模型预测中存在的训练效率低下、收敛值易为局部值的缺点。本文实验首先进行数据的归一化处理、数据集的选取、设置算法相关参数,将贵州省某电网的杆塔的台账数据和雷电监测数据作为源数据进行训练分析,以误差标准和性能标准衡量算法优劣,并经测试样本验证。通过实验结果的对比表明本文提出的算法在档距段雷击跳闸预测上更准确。     

基于神经网络技术的输电线路走廊雷电活动参数预测分析

输电线路是电力系统的网架,其安全性和可靠性至关重要。雷害事故在输电线路中所占比重较大,雷电活动参数预测的准确性直接对输电线路防雷计算和设置产生重要影响,本文基于神经网络技术,对输电线路走廊雷电活动参数进行了预测分析,分析了神经网络的学习过程,建立输电线路走廊地闪分布预测模型,针对某省500kV线路,进行了基于自适应神经网络的地闪分布预测,结果表明,该方法能够从整体上反映所预测年份的地闪分布情况。     

基于核主成分分析模型的输电线路工程造价评价指标

随着我国电网建设速度的加快,电网投资逐年增长,造价控制与评价的作用日益突出,而新技术的应用以及技术方案复杂性和多样性,使得传统输电线路工程造价指标已不能全面、准确地反映工程造价水平。针对这一现状,将支持向量机中的核函数与主成分分析法相结合,提出了线路工程相对造价指数,构建了输电线路工程造价评价指标模型,并利用Matlab 7.0进行了求解。经过220 kV输电线路工程数据样本的验证,线路工程相对造价指数比传统指标能更全面、合理地反映工程的造价水平。该指标易于求取,便于对工程的造价控制水平进行对比、排序和评价,具有一定的可操作性和较强的应用价值。     

基于层次分析法与模糊评价的输电线路路径选择

为了在输电线路设计初勘选定的几种路径方案中比选出最佳方案,提出了一种采用层次分析法与模糊评价相结合的比选多种架空输电线路方案的方法。建立了考虑建设因素、环境因素、社会因素、运行因素指标集来表征路径方案优劣综合评价模型。针对不同输电线路的建设要求,采用层次分析法计算各层级指标相对于路径最优这一目标的影响权重值。基于指标影响权重,采用模糊评价的方法,对多种架空输电线路方案进行模糊评价,比选得出最优的路径方案。最后,通过具体工程实例验证了方法的可行性。     

输电线路辅助决策系统的研发

输电线路设计涉及路径选择、建设场地青赔、气象条件、导地线选择、绝缘配合、杆塔和基础设计等多方面的因素,这使控制线路工程量以及工程造价的难度较大。通过传统的算法来得到工程量以及工程造价,耗时耗力,并且一致性较差。本文运用BP神经网络技术和计算机技术,通过收集输电线路设计专家的知识和经验,建立输电线路工程设计案例库和知识库,使计算机能够模拟专家思考和解决问题的方式,以此来预测输电线路的工程量和工程造价。这样能够使得决策结果更具客观性,同时能节省专家的工作时间,减轻工作强度,促进电力建设数字化和信息化的发展。     

航空发电机综合故障诊断技术研究

针对航空发电机的故障难以准确诊断的问题,提出了一种基于BP神经网络的航空发电机综合故障诊断方法,通过对BP神经网络数学原理及算法的深入分析与研究,构建基于BP神经网络的航空发电机故障诊断模型。结合某型航空发电机的真实试验数据,对所构建故障诊断模型的正确性进行了试验验证。在试验验证过程中,利用航空发电机真实试验数据的前60组对神经网络进行训练,后40组数据对神经网络进行测试,最终验证了所构建的故障诊断模型能够较好实现对航空发电机故障进行准确诊断的效能,且所采用的BP神经网络方法具有收敛速度快、识别能力强、精度高以及准确性高等优点。     

基于BP神经网络的多孔介质减振器隔振效果分析

针对磁性液体多孔介质减振器的隔振系数难以精确快速计算的问题,提出使用BP神经网络计算该种减振器的隔振系数,并利用BP神经网络对振动情况进行反馈。使用一款自主设计的磁性液体多孔介质减振器,它能够单独改变影响隔振系数的四种物理量:磁性液体被吸附体积V、外磁场磁感应强度大小B、振动频率f和振动平均速度v。当四个物理量变化范围分别在1~2.4ml,0.22~0.4T,2.8~3.35Hz,0.02~0.27m/s时,测量四个物理量单独对隔振系数的影响,并将实验数据输入到BP神经网络中建立起有效的映射网络,最后通过实验分析BP神经网络在计算隔振系数上的误差以及它在控制减振效果中的可行性。最终得出BP神经网络能准确快速计算减振器隔振系数、能精确输出反馈信号的结论。     

大型公共建筑室内热舒适性预测方法研究

针对大型公共建筑室内热环境实时控制问题,运用T—S模糊神经网络理论与方法。建立了大型公共建筑室内热舒适性PMV指标的预测模型。通过对实例的分析与评价,验证了该模型的合理性。与传统BP算法的对比表明,该方法计算速度快、准确度高。为解决基于PMV指标的空调实时控制奠定了基础。     

基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例，分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明，CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点，比较适用于短期电价预测。     

基于改进粒子群优化神经网络的电机故障诊断

为了更加准确快速地诊断出三相异步电动机运行过程中发生的各类故障,在采用小波包分析提取异步电机故障特征向量的基础上,提出了一种混沌动态权重粒子群算法(CDW-PSO)优化BP神经网络的故障诊断方法,构建电机的神经网络故障诊断模型,采用混沌动态权重粒子群算法优化神经网络的结构参数。实验分析表明,采用该方法用于电机故障诊断,诊断速度快、准确性高、可靠性好。     

基于LM-CNN的输变电工程造价自动计算模型

输变电工程造价计算作为造价管控技术的核心环节,其计算模型的好坏直接影响输变电工程造价管控效能。然而现有模型往往不能兼顾计算速度、精确性与稳定性。为解决上述问题,首先,针对输变电工程造价中的实际需求确定模型的输入与输出,构建卷积神经网络模型;然后,将历史造价数据作为样本输入网络模型,得到网络输出;最后,针对期望输出与实际输出相差较大的问题,利用列文伯格-马夸尔特算法对卷积神经网络的权重参数进行优化,完成模型训练。该模型结合列文伯格-马夸尔特算法与卷积神经网络模型的优点,相比于反向传播（BP）神经网络与梯度下降法-卷积神经网络（GD-CNN）具有更高的预测精度与稳定性,提高了输变电工程造价的计算效果。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

基于预处理BP神经网络的开关磁阻电机建模

针对开关磁阻电机(SRM)强耦合、强非线性、难以精确解析建模的问题,提出一种基于数据预处理的反向传播(BP)神经网络建模方法。首先通过传统直流脉冲法测量一个电周期内SRM静态电磁特性,获取建模样本数据;其次充分利用电机先验知识,通过可以初步反映SRM非线性特性的磁链和转矩解析表达式对实测样本数据进行预处理并作为BP神经网络新的输入,降低神经网络拟合误差。与传统BP神经网络建模的对比结果显示,引入预处理方法可以有效减少BP神经网络节点数量,增强神经网络泛化能力,提高神经网络建模精度。     

基于改进FOA优化BP神经网络算法的光伏系统MPPT研究

针对基于BP神经网络的光伏系统MPPT策略在光照强度突变时存在较大误差的问题,提出了一种改进的果蝇优化算法用于BP神经网络的权值和阈值优化,并建立了基于IFOA-BP神经网络算法的光伏系统MPPT控制的仿真模型。测试和仿真结果表明,IFOA的收敛速度和求解精度较改进前均有明显提升;IFOA优化后的BP神经网络收敛速度加快,预测误差减少;较之于电导增量法,IFOA-BP神经网络的MPPT策略在稳态条件下能明显抑制功率波动,在外界条件发生突变时,能迅速准确地追踪到最大功率点,具有良好的稳态精度和动态特性。     

基于Shapley组合模型及神经网络的电能表需求预测研究

针对电能表需求预测问题,建立基于Shapley组合模型及神经网络的电能表合理优化分配模型,以提升需求预测精度.文章通过挖掘历史数据,采用Holt-Winters、BP神经网络和RBF神经网络模型对电能表需求分别进行预测、对比和分析,并且引入Shapley法对三类预测模型进行组合建模,求取相应模型的权重,获取最优的生产调度方案.仿真实验结果表明,RBF神经网络模型预测精度要高于BP神经网络和Holt-Winters模型.相较于单一模型,Shapley法组合模型具有更好的效果和实用性,有助于国家电网公司建立高效、科学的生产调度计划.