基于改进EO-BP神经网络的高压线损预测

针对高压线损预测精度不高的问题,提出一种基于均衡优化器(Equilibrium Optimizer,EO)和BP神经网络相结合的线损预测模型。首先,为了提高EO算法的寻优能力,利用多种混沌映射关系初始化种群,使种群多样性增加,全局搜索能力得到改善;同时,采用物竞天择概率跳脱策略改进EO算法,使模型依概率跳出局部最优而收敛于全局最优解。其次,采用改进的EO算法对BP神经网络的权值和偏置进行优化,进而改善BP神经网络的预测效果。最后,实验结果证明,所提线损预测模型相对于回归模型、BP神经网络模型、模拟退火算法优化BP神经网络模型和EO优化BP神经网络模型具有更高的预测精度。

基于ISSA-BP的500kV高压线损预测模型

线损对评估电力系统的经济运行有着重要作用。针对高压线损与多种特征参数之间关系复杂的问题,综合考虑关口电压、关口电流及温湿度对高压线损的影响,提出一种基于改进麻雀搜索算法(ISSA)优化BP神经网络(ISSA-BP)的高压线损预测模型。首先,通过Lévy变异策略及旋转策略分别对麻雀搜索算法(SSA)的发现者及加入者的位置更新方式进行改进,并在6个基准函数上进行测试,结果表明ISSA的寻优能力得到提升。其次,通过ISSA将最优初始权值和最优初始阈值赋予BP神经网络,进而拟合出特征参数与线损率的关系。最后,以山西省某条500 kV高压输电线路数据为研究对象,对比分析BP、GWO-BP、WOA-BP、SSA-BP与ISSA-BP这五种预测模型的预测效果,结果表明ISSA-BP模型的预测值最接近实际值,其RMSE、MAPE、MAE和R2分别为4.29%、3.67%、3.57%和99.01%,均为各种预测模型中最优。相较于SSA-BP,ISSA-BP的RMSE下降了33.4%,MAPE下降了36.7%,MAE下降了37.1%,R2提高了1.24%,表明ISSA-BP模型能对高压线损进行准确预测。

变电站一次设备运行中状态检修问题分析和探索

随着我国工业化水平的提升;人们对电力的需求逐渐增长;电网规模也随之扩大;为我国电力系统的发展带来了新的挑战,提出了更高的要求。在变电站的检修和试验工作中,内部各个设备之间要协调运作,并在相互配合的基础上实现工作效率的提高。作为变电站的检修和试验人员,针对变电站一次设备的运行情况要全面进行状态检修,使电力设备的运行效率不断提高。状态检修相对于停机检修而言,具有明显的优势,检修方法贯穿于设备运行的全过程,发现电力设备存在的问题,并进行及时维修,在满足人们用电需求的同时,实现电力设备的安全运行。

缩短变电站电容器检修时间

电容器是电网运行的重要设备,它给电网中注入无功功率,保证了电压的稳定。如果电容器运行故障得不到及时处理,就有可能造成极大的经济损失和恶劣的社会影响。希望通过本次控制回路绝缘降低所致的跳闸事故分析,能引起相关工作人员的重视,并在排查故障过程中能够熟练掌握图纸原理,考虑环境情况的影响,找出问题的症结所在,从而有效地处理故障,提高设备的可靠性,确保电网的健康、安全、稳定运行。