GIS母线接头过热已成为典型的过热性故障,为实现GIS母线接头温度的准确预测,在研究最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)算法的基础上,引入混沌理论改进的人工蜂群算法对LSSVM的参数进行优化,建立了一种基...GIS母线接头过热已成为典型的过热性故障,为实现GIS母线接头温度的准确预测,在研究最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)算法的基础上,引入混沌理论改进的人工蜂群算法对LSSVM的参数进行优化,建立了一种基于参数优化LSSVM的GIS母线接头温度预测模型。通过GIS母线温度物理模拟实验,将实验所获得的负荷电流、GIS母线筒外壳测点温度及环境温度作为输入量,GIS母线接头温度作为输出量,对该模型进行了训练。结果表明,该模型的预测误差仅为0. 193%,优于ABC-LSSVM、LSSVM和RBF神经网络。提出的温度预测模型可实现母线接头温度的精确预测,为防止GIS母线接头过热性故障的研究奠定了基础。展开更多
窃电用户窃电量的精确估算对挽回电力企业的经济损失和依法处置窃电用户具有重要的实际意义。为实现用户窃电量精确估算,通过对时间序列回归算法进行优化改进,提出了一种新的窃电量估算方法。该方法以用户当前用电量时间序列样本和历史...窃电用户窃电量的精确估算对挽回电力企业的经济损失和依法处置窃电用户具有重要的实际意义。为实现用户窃电量精确估算,通过对时间序列回归算法进行优化改进,提出了一种新的窃电量估算方法。该方法以用户当前用电量时间序列样本和历史同期时间序列样本为基础,通过引入最大均值差异(maximum mean difference,MMD)得到基于最大均值差异-最小二乘支持向量回归(MMD-least square support vector regression,MMD-LSSVR)的半监督学习回归算法,以提高回归的准确度和数据的利用度、降低时间复杂度;同时,通过引入交叉变异人工蜂群算法(artificial bee colony based on crossover mutation,CMABC)对算法关键参数进行最佳适应度约束,以提高估算结果精度和收敛速度。在此基础上,提出了基于MMD-CMABC-LSSVR的窃电量估算方法。算法验证结果表明,采用所提方法,其估算电量与实际用电量的相对误差仅为2%,精度远优于传统方法;实际应用案例表明,所提方法可有效恢复窃电时间区段内窃电用户负荷和计量曲线,并精确估算出窃电量。所提方法为反窃电稽查工作提供了一种新的有效手段,具有良好的应用前景。展开更多
文摘窃电用户窃电量的精确估算对挽回电力企业的经济损失和依法处置窃电用户具有重要的实际意义。为实现用户窃电量精确估算,通过对时间序列回归算法进行优化改进,提出了一种新的窃电量估算方法。该方法以用户当前用电量时间序列样本和历史同期时间序列样本为基础,通过引入最大均值差异(maximum mean difference,MMD)得到基于最大均值差异-最小二乘支持向量回归(MMD-least square support vector regression,MMD-LSSVR)的半监督学习回归算法,以提高回归的准确度和数据的利用度、降低时间复杂度;同时,通过引入交叉变异人工蜂群算法(artificial bee colony based on crossover mutation,CMABC)对算法关键参数进行最佳适应度约束,以提高估算结果精度和收敛速度。在此基础上,提出了基于MMD-CMABC-LSSVR的窃电量估算方法。算法验证结果表明,采用所提方法,其估算电量与实际用电量的相对误差仅为2%,精度远优于传统方法;实际应用案例表明,所提方法可有效恢复窃电时间区段内窃电用户负荷和计量曲线,并精确估算出窃电量。所提方法为反窃电稽查工作提供了一种新的有效手段,具有良好的应用前景。
