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。

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。

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。

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。