基于小波神经元网络模型的网损预测方法研究

提出了一种电力系统网损预测的新算法小波神经元网络预测模型 ,它以非线性小波基为神经元函数 ,通过优化伸缩因子和平移因子确定对应各神经元的小波基函数 ,从而合成小波神经元网络 ,达到全局最优的拟合效果 .克服了普通人工神经元网络学习速度慢、难以确定网络结构、存在局部极小点等方面的缺点 .仿真结果表明 ,该方法准确 。

基于GCA和LSTM神经网络的配电网网损预测

配电网馈线和节点较多且负荷多变,使得配电网中损耗分析预测困难。为此提出一种基于灰色关联分析(grey correlation analysis,GCA)和长短期记忆(long short-term memory,LSTM)神经网络的配电网网损预测方法。首先采用GCA法定量分析输入变量与网损的关联度,确定最佳特征指标;然后基于LSTM网络提取多时间尺度下网损的时间序列特征,并对配电网网损进行预测,以增强预测模型对时间的感知能力,提高预测精度。算例测试结果表明:该网损预测模型具有较高的精确度和可靠性,可应用于配电网网损预测,为电网降损节能提供决策依据。

基于特征选择和Stacking集成学习的配电网网损预测

针对配电网能量管理和节能降损的要求,为了提高配电网网损分析与评估的有效性,提出了一种基于特征选择和Stacking集成学习的配电网网损预测方法。首先基于特征选择的主要方法,通过相关性分析法、最大信息系数法和基于树模型的特征选择法对特征进行综合分析,得到各种特征对网损预测的重要性,选择重要特征作为配电网网损预测模型的输入特征。在此基础上,介绍Stacking集成学习原理,考虑融合多种预测模型的优势特点,建立Stacking集成学习配电网网损预测模型,最后通过仿真验证得到网损预测结果。该仿真数据来源于湖南省10kV配电网某线路44个台区的真实数据,网损预测结果表明该方法能够有效提升配电网网损预测的准确性和鲁棒性,相比于单一预测模型具有更好的预测精度和泛化能力。