基于物理信息神经网络的同步发电机建模

采用物理机理建立的同步发电机模型在表达发电机真实的非线性特性方面存在不足,电力系统正在不断研究和采纳新的同步发电机模型以增强模型的准确性。数据驱动模型具有更强的非线性表达能力,但在同步发电机建模实际应用中面临着模型泛化性不强和所需数据量大等问题。为克服上述问题,该文结合神经元建模原理,以循环神经网络为基本框架,在同步发电机物理机理的引导下,提出基于物理信息神经网络的同步发电机模型。经过算例验证,所提模型可准确表达同步发电机磁饱和特性,并且具有较强的泛化性。该模型可在小规模数据下对同步发电机各阶模型达到更高的拟合准确度,并可应用于现有机电暂态仿真算法。

基于变分量子算法的电力系统潮流计算

量子计算具有经典计算技术无法比拟的超强并行计算处理能力。因此,该文研究量子计算在电力系统潮流计算中的应用。针对电力系统未来的需求以及考虑到当下量子计算机的特点,采用变分量子算法来解决电力系统潮流问题。从目标函数的建立、基本量子测试电路的搭建以及变分电路的设计,构建适合于电力系统潮流计算的变分量子模型。最后,利用量子模拟器以及真实量子计算机在IEEE系统上测试变分量子算法的有效性。

基于SVM和BP神经网络的金属收得率的预测模型

本文建立基于BP神经网络的预测模型和基于支持向量回归机(SVR)的预测模型这两种模型进行C、Mn元素收得率的预测,同时利用均方误差和拟合优度来检验拟合精度,并对C、Mn元素收得率的预测结果进行比较和深入分析。由预测结果和误差对比可知,支持向量回归机预测结果的拟合优度保持在0.86~0.99之间,而BP神经网络拟合优度变化幅度大,所以基于支持向量回归机的预测结果相对于BP神经网络来说更准确可靠,而且其对于数据异常情况具有鲁棒性,利于预测出更准确的收得率。