基于ANFIS-BPNN-LSSVM短期负荷预测方法研究

为了提高电力系统安全有序调度依据,提出了一种BP神经网络(back propagation, BP)、自适应模糊神经网络(adaptive neuro fuzzy inference system, ANFIS)和最小二乘支持向量机(least squares support vector machines, LSSVM)组合的负荷预测方法(ANFIS-BPNN-LSSVM)。通过对某地区的负荷数据进行仿真实验,对比分析了BP神经网络、自适应神经网络、最小二乘支持向量机及组合预测方法优化的权重系数模型。结果表明组合预测模型ANFIS-BPNN-LSSVM的预测结果比单一方法的预测模型有更优的预测精度,也提高了组合模型的鲁棒性,为能源调度提供方法依据。

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型。首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报。为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了“分解-预测-重构”模型。经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点。

基于灰狼算法优化支持向量机的变压器故障诊断

针对变压器故障诊断准确率不高的问题,本文提出一种基于灰狼算法(GWO)优化支持向量机(SVM)的变压器故障诊断模型。对比分析灰狼优化算法、粒子群算法、网格寻优算法建立GWO-SVM模型、PSO-SVM模型、Grid-Search-SVM模型,并用仿真软件MATLAB进行验证分析,结果证明GWO-SVM模型比PSO-SVM模型、Grid-Search-SVM模型在变压器故障诊断中具有更高的故障诊断准确率。

电流二次回路两点接地造成母线差动保护误动作分析及防范措施

电流互感器二次回路中有且只能有一点接地,当二次回路被破坏时,会出现多点接地的情况,进而引起保护装置发出告警或动作,破坏电力系统的稳定性。针对新疆某220 kV变电站母线差动保护因电流互感器二次回路两点接地而误动作的案例,分析了故障录波报告及动作过程,提出了相应的防范措施,为变电站运维人员提供一些参考,避免因二次回路故障而引起事故。