基于鸽群优化BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性较差等问题,本文提出将鸽群优化算法和误差反向传播(Back Propagation,BP)神经网络模型相结合用于短期电力负荷预测研究。本文介绍了鸽群优化算法的原理以及算法模型,并利用鸽群优化算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优参数,构建负荷预测模型。对某市7月的平均负荷预测来验证预测模型的有效性,其结果表明,改进的模型能够降低BP神经网络的预测误差,提高预测精度,并具有一定的普适性。

输电线路故障测距方法研究——以行波测距法为例

随着信号处理技术的不断发展,行波法在输电线路故障测距方面取得了较大进步。本文综合现有行波测距法,分析不同行波故障定位方法的优缺点并进行比较。结果表明:多端行波测距方法误差远小于单端、双端行波测距法,双端行波测距法误差小于单端行波测距法。

基于VMD-QPSO-BiLSTM的短期电力负荷预测方法研究

针对电力负荷呈现出非线性的特性所导致预测精度不高等问题,本文提出基于VMD-QPSO-BiLSTM的短期电力负荷预测方法。首先,采用变分模态分解(VMD)降低负荷序列的非平稳性和复杂度;其次,基于量子粒子群算法(QPSO)改进的双向长短期记忆网络(BiLSTM)的方法进行预测;最后输出分解结果。另外,进行对比实验测试,实验表明本文所提的模型相比其他智能算法模型可以取得更高的预测精度。

基于骨干粒子群的配电网重构问题研究

配电网重构是通过改变电网结构达到降低输电网损、改善节点电压的目的。本文针对粒子群算法存在的问题,使用寻优效果更优的骨干粒子群算法,建立以网损最小为目标函数的配电网重构模型,结合IEEE33节点系统对重构结果进行对比分析。