基于PSO-CNN的储能锂离子电池组荷电状态评估

将卷积神经网络(convolutional neural network,CNN)的权值和阈值作为粒子群算法(particle swarm optimization,PSO)的粒子,将CNN的损失函数作为PSO的适应度函数,从而构建PSO-CNN算法对储能锂离子电池组的荷电状态(state of charge,SOC)进行预测。以储能系统现场采集的充放电数据为样本,分别采用本文算法、基于PSO优化的支持向量机(support vector machine,SVM)、CNN进行训练,并在完整充放电数据集上对比3种算法的预测效果。结果表明本文算法收敛性好、预测精度高。最后采用另一储能现场的数据验证本文算法具有良好的鲁棒性,可以广泛适用于储能系统锂离子电池组SOC的在线预测。

基于集成卷积神经网络的电力系统暂态稳定评估

笔者采用集成卷积神经网络(Convolutional Neural Network,CNN)对电力系统进行暂态稳定评估。首先构造3个结构不同的CNN模型;其次输入某种工况下系统的特征量及其对应的暂稳标签,让3组CNN模型分别进行迭代训练,并输出暂态稳定评估结果;最后对所有CNN模型的评估结果进行投票,并将得票数高者作为模型最终评估结果。以IEEE10机39节点作为仿真算例,结果表明该模型评估准确率高,可以满足对系统进行在线评估的要求。