基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

基于改进集成聚类和BP神经网络的电压偏差预测

电能质量问题日益严重,其中电压偏差的危害最为明显。本文提出一种基于改进集成聚类和BP神经网络的电压偏差预测方法。针对单一聚类算法的不足,将AP聚类算法与经典K-means聚类算法结合,形成改进集成聚类算法,实现两类算法的优势互补,该算法包括PCA降维、AP聚类、K-means聚类三步。选择与待预测点相似相近的样本数据集,采用改进集成聚类算法对数据集中的气象数据进行聚类,提取训练样本,最后采用BP神经网络算法建立预测模型。结果表明,该方法预测结果平均相对误差为2.987%,优于传统BP神经网络预测模型以及结合PCA降维的BP神经网络预测模型。     

一种新的电压偏差预测方法

针对电压偏差预测难度大的问题,文中提出一种新的电压偏差预测方法。该方法包括主成分分析法(principal component analysis,PCA)降维、亲和力传播(affinity propagation,AP)聚类、反向传播(back propagation,BP)神经网络预测3步。通过PCA对数据进行降维,获得数据主成分;为了弥补传统聚类方法的不足,提高聚类效果,文中引入AP聚类提取与待预测点同类的历史数据;最后选择BP神经网络建立电压偏差预测模型。将文中方法应用于实际电压偏差数据,结果表明该方法预测结果平均相对误差为3.06%,优于传统BP神经网络预测模型以及BP神经网络结合PCA降维的预测模型。