基于自编码器与时域卷积神经网络算法的配电网线损分析

复杂的配电网环境中存在线损计算精确性、实时性不足的问题,因此提出基于循环神经网络自编码器改进的TCN-BiGRU配电网线损预测方法。选用擅长处理时间序列的TCN神经网络模型作为主干特征提取网络,在TCN中融入BiGRU单元以有效解决梯度消失问题。在此基础上,结合循环神经网络自编码器对线损异常值进行无监督分类并标记,通过softmax损失函数预测线损率异常原因,并制定相应降损措施,同时利用改进后的TCN-BiGRU算法对线损进行预测及成因分析。实验结果表明,与传统的配电网线损预测方法相比,该线损预测方法的均方根误差相较于传统的EMD-LSTM与PSO-CNN算法分别降低了0.03699和0.00402,在线损成因分析方面的准确率相较于ResNet50与DBN-DNN算法分别提高了1.500%和5.841%,为分布式电源接入后配电网节能降损、实现电网双碳目标提供了科学的参考依据。

基于量测数据处理的中低压配电网线损分析方法研究

为了提升电力网络中低压配电网网络线损的预测精度,文中对神经网络的结构、训练方法等基本理论进行了研究。针对传统神经网络在复杂结构下训练时梯度消失和陷入局部最优的现象,引入了一种自适应遗传算法(AGA)。该算法通过网络的基本结构来确定染色体上的基因位数,使用一种可变交叉、变异概率策略,从而有效提升了训练时的稳定性及效率。基于配电网的关键指标体系,对某10 kV配电网络完成数据采集,并使用量测数据进行了算法的性能仿真实验。实验结果表明,在相同的迭代条件下,改进后的算法相比传统神经网络算法对330条配电线路的平均预测精度提高了2.20%。此外,算法在迭代过程中的稳定性更强,即使在更低的目标精度下,也不会出现过拟合现象。

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TASSA-Mg LSTM的配电网线损预测方法

为更精确地预测配电网线损,提出了一种基于瞬态自适应麻雀搜索算法TASSA(transient adaptive sparrow search algorithm)优化Mogrifier LSTM(Mg LSTM)的配电网线损预测方法。首先通过斜率灰色相关性分析方法,得到12个电气特征参数与线损之间的关联度,并经过配电网数据的预测校验,确定最佳的电气特征参数体系。然后使用TASSA优化Mg LSTM神经网络中4个重要参数,确定最佳的Mg LSTM网络结构,进而构建基于TAS⁃SA-Mg LSTM的神经网络线损预测模型。最后,通过甘肃省某地区配电网进行实例分析,验证了所提方法具有较高的预测精度。

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。

基于Stacking集成模型的台区线损率预测方法研究

针对现有线损率预测方法预测精度较低的问题,提出了一种将Stacking集成学习模型与改进的k-均值聚类方法相结合用于预测台区的线损率。通过聚类方法进行数据聚类,再通过Stacking集成学习模型对台区线损率进行预测。Stacking集成学习模型由XGBoost模型、梯度决策树模型和支持向量机模型构成。与传统预测方法进行对比分析试验验证可行性。结果表明,与传统的线损率预测方法相比,所提出的线损率预测方法具有更好的预测效果,更高的预测精度和拟合效果。该研究为实现电网双碳目标提供了一定的参考。

基于聚类算法的配电网线损预测方法

线损预测可以为配电网线损水平评估提供一种有效途径。为提高配电网线损预测精度,提出一种基于聚类算法的配电网线损预测方法。利用线损数据的空间比值,计算出冗余度指数,判断配电网线损数据的冗余程度,利用聚类算法聚类处理线损数据。利用瞬态自适应麻雀搜索算法(Transient Adaptive Sparrow Search Algorithm,TASSA)优化多粒度长短期记忆(Multi granularity-Long Short Term Memory,Mg-LSTM)网络,剔除异常的线损数据,通过训练优化后的Mg-LSTM网络,构建线损预测模型,从而预测配电网的线损。实验结果表明,所提方法可以将线损预测误差率控制在2%以内,提高了配电网线损预测精度。

神经网络在配网电能损耗预测中的应用研究

配网馈线和节点较多、负荷的多变,使得配网中的技术线损和管理线损分析预测困难。本文结合等值电阻法理论线损计算模型、BP神经网络、广义回归神经网络GRNN模型,对配电电网线损、电能损耗进行分析与计算,将理论应用到区域实测负荷数据和电量数据的分析中,分析了S区域线损率、线损和电能损耗,计算出了配电网电能损耗各元件所占的百分比。测试结果表明,BP模型对线损预测的均方误差为2.71;并在此基础上,考虑配电网变压器等损耗,利用PSO-GRNN模型对配电网的电能损耗进行预测,配网电能总损耗预测的均方误差为0.36,为区域电能损耗分析和降损工作提供了关键状态参数。

一种新K-means聚类算法的多元线性回归台区线损率预测模型

线损率是反映线损管理的重要依据,由于其理论计算的复杂性,一直倍受电力工作者的广泛关注。基于国内外线损管理研究现状以及相关理论计算方法,提出一种基于K-means聚类算法的多元线性回归模型预测台区线损率方法。首先,利用K-means聚类算法对台区样本数据聚类分析,根据聚类结果建立线性回归预测模型计算台区线损率。然后,通过预测线损率与实际线损率比较分析,对线损估计误差较大的台区重点关注。最后,以贵州部分地区的台区样本数据为依据,验证所提方法的准确性与快速性,为贵州地区的线损管理提供理论依据。

基于对抗生成网络与BP神经网络的低压台区线损率预测

线损电量产生于发电、输电、配电及用电等环节,线损电量占供电量的百分比称为线损率。针对线损率预测问题,提出了一种基于对抗生成网络与BP神经网络的低压台区线损率预测模型。选取某市低压台区线损数据作为实验数据集,经数据预处理后,通过K-Means++算法将低压台区分类,对不同类别的低压台区分别训练对抗生成网络来增加不同类别的样本数据,利用不同类别样本数据分别训练BP神经网络搭建低压台区线损预测模型。实验结果表明,与传统BP神经网络模型相比,该预测模型具有更加准确的效果,通过对抗网络增加样本数据可以有效改善低压台区线损数据量偏小的问题。

基于SPSS Modeler的高损耗线路模式识别体系的研究

在工程实践中,需要在计算条件成熟的线路上计算线损,分析线路的特征量,建立高损耗线路模式识别体系,从而对计算条件不成熟线路的线损率指标进行预测。从理论线损的计算方法出发,分析不同电压等级下的计算条件和适用的计算方法;提出了通过K-Means聚类算法对线路特征进行初步分类,在各个类中使用C&R分类回归树的方法,最终形成模式识别的判别树。分析结果表明,该方法能有效跟踪某一线路高损耗产生的原因,并对线损进行预测。

基于自适应遗传优化和神经网络算法的线损预测方法研究

为了提升配电网线损的预测精度,文中对线损的计算、评估方法进行了研究。引入时下流行的人工智能算法实现了线损的智能化、精准化预测。首先搭建单隐藏层的神经网络,该网络使用误差的反向传播算法作为网络的训练方法。为了解决该网络在训练时容易陷入局部最优解的问题,文中结合自适应遗传算法对神经网络结构进行了改造,并通过使用误差阈值来优化神经网络中的连接阈值与偏置,从而避免了网络训练的过拟合现象。为了评估所提算法在线损预测时的预测精度,基于某地区实际的10 kV配电网络的生产数据进行了网络的训练,且在算法仿真时,使用传统的BP神经网络作为对照组。仿真结果表明,文中算法对于线损预测的平均误差为7.23%,相较于BP神经网络算法降低了7.71%,有较明显的改善;经预测,该配电网络的线损率在1.21%~5.24%之间,与实际的线损率基本一致。

反弹效应下低压线损预测的深度学习算法

线损对输电线路稳定运行具有重要作用,采用传统预测方法受到反弹效应影响,导致预测精准度较低。针对该问题,提出了反弹效应下低压线损预测的深度学习算法。根据深度学习模型,训练输入数据。计算电力公司线损电量,使用改进多层网络结构,并输出每层训练后的数据。通过输入层和隐藏层之间权值矩阵,构建线损预测模型,并进行数据预处理。根据处理结果,采用深度学习单元训练输入点、输出点、遗忘点和节点,并记录当前训练状态。计算节点输出值,充分考虑外界因素,将数据进行分组处理,并训练模型,分析误差原因,设计预测流程,由此完成低压线损预测。由实验结果可知,该算法预测精准度最高可达到98%,为输电线路稳定运行奠定基础。

基于自适应随机森林算法的极端天气下配电网灾损预测

近年来台风、暴雨灾害对配电网基础设施造成了极大破坏,亟须提高配电网灾前损失预测研判水平,因地制宜做好电网差异化应急准备,提升电网防灾减灾水平,减少停电损失。针对台风和暴雨2种易造成配电网大范围损毁的典型极端天气,对灾害天气、配电线路及设备和地理环境3类成灾变量进行数据处理和筛选,并对随机森林算法的决策树构建和投票机制进行改进优化,提出一种双重加权改进的自适应随机森林算法的极端天气下配电网灾损预测方法。以台风“山竹”造成的某地市级配电网杆塔损失为例,验证了该算法模型的运算速度和有效性,综合预测准确率达到90%以上,并根据预测结果分析了配电线路及设备损毁与成灾因素间的作用规律,为电网差异化灾害应对提供理论依据。