基于BP神经网络的配网系统光伏输出功率平滑控制分析

为充分降低配网系统光伏输出功率神经网络输入变量,基于BP神经网络的配网系统光伏输出功率平滑控制。选择BP神经网络来训练数据,建立基于光伏预测模型及储能配合的光伏功率平滑控制。以MATLAB构建了神经网络预测模型实例验证得到:在12:00.14:00时段内光伏输出功率明显偏大,引起配网节点电压越限的结果,以沃兹低通滤波器对光伏输出功率进行了平滑优化处理后光伏实际输出功率变化得更加平缓,在9:00.15:00时段内光伏输出功率明显偏大,最大时段有明显的增加。可以利用构建的模型完成光伏输出功率的精确预测。

基于GIS与WOE-BP模型的滑坡易发性评价

区域滑坡易发性研究对地质灾害风险管理具有重要意义.以往研究中,将多元统计模型与机器学习方法相结合用于滑坡易发性评价的研究较少.以三峡库区万州区为例,首先选取9种指标因子(坡度、坡向、剖面曲率、地表纹理、地层岩性、斜坡结构、地质构造、水系分布及土地利用类型)作为滑坡易发性评价指标.基于证据权模型(weights of evidence,WOE)计算得到的对比度和滑坡面积比与分级面积比的相对大小,对各指标因子进行状态分级;再利用粒子群法优化的BP神经网络模型(PSO-BP)得到各指标因子权重.综合两种模型确定的状态分级权重和指标因子权重(WOE-BP)计算滑坡易发性指数(landslide susceptibility index,LSI),基于GIS平台得到全区滑坡易发性分区图.结果表明:水系、地层岩性和地质构造是影响万州区滑坡发育的主要指标因子;WOE-BP模型的预测精度为80.8%,优于WOE模型的73.1%和BP神经网络模型的71.6%,可为定量计算指标因子权重和优化滑坡易发性评价提供有效途径.