基于图卷积网络的配电网故障定位及故障类型识别

主流的配电网故障定位和识别故障类别任务分开建模,却忽略了故障定位和故障类别之间关联性,该文提出了故障定位以及故障类别的端到端联合模型。利用契比雪夫图卷积神经网络(ChebNet)作为编码器,聚合静态的图结构和动态的节点信息得到各节点的数学表达;在故障定位解码端,通过多头自注意力机制建立适用于节点属性变化以及融合配电网拓扑结构的配电网故障定位模型;在故障分类解码端,结合故障定位解码端的故障区域信息以及ChebNet编码器得到的各节点的数学表达,通过全连接层建立故障类型识别模型。实验结果表明,基于契比雪夫图卷积神经网络在双电源配电网中故障定位中效果较好,故障定位准确率达到98.25%,故障类别任务中的准确率为93.11%。该方法适用于主动配电网结构灵活及含分布式电源的配电网络中。

图注意力网络的微分博弈追逃问题最优策略

微分博弈追逃问题的最优策略,是建立在追逃双方的轨迹预测模型基础上,通过双方轨迹进行预判,从而做出更有预见性的动态策略。因此为了获得博弈双方最优策略,提出并设计双方随机运动算法,建立了追逃双方的状态方程,并在此基础上通过改进图注意力网络(graph attention network,GAT),对其网络中邻接矩阵和特征数据连接方式进行重新设计,构建了攻击方与目标方轨迹预测模型并进行数值验证。此外采用将双方随机运动的轨迹由圆环覆盖的方法,建立轨迹连接图。结果表明,GAT网络在MAE、MAPE、RMSE等预测指标上均优于图卷积网络和契比雪夫频谱卷积网络,可用于微分博弈追逃问题的最优策略研究。

改进量子粒子群算法在配电网故障恢复中的应用

配电网故障通常会导致大规模、长时间的停电,为了缩短停电时间,降低停电对社会带来的损失,本文选取了网损大小和电压偏移作为目标函数,建立了配电网故障恢复模型。针对粒子群算法精度不够高的问题,本文使用了量子粒子群算法,并对量子粒子群算法做了两点改进,分别是十进制编码策略和配电网分层策略。最后使用IEEE33节点系统进行案例验证,验证了改进量子粒子群算法在配电网恢复重构中的适用性和有效性。

基于小波降噪的深度极限学习机交通流量预测

为了克服非线性和强噪声特征对交通流短时预测准确度的影响,应用交通流预测模型获得更为准确的交通流信息是智能交通建设的关键环节。文中构建了小波降噪的深度极限学习机对城市道路的交通流量进行预测,并与原极限学习机和小波BP神经网络模型的预测效果进行比较。将实验城市一年中电子警察采集到的各路口五分钟车流量作为训练集,构建了极限学习机、基于小波降噪的深度极限学习机和小波BP神经网络模型,分别对各路口高峰时段车流量进行预测,采用三类误差分析指标刻画三种模型的预测效果。实验结果表明,小波降噪的深度极限学习机预测误差评价值MAPE为0.234%,MRE为0.0029,RSE为0.6999,其值均小于原极限学习机和小波BP神经网络的误差指标,有较好的预测效果,从而说明小波降噪的深度极限学习机对短时交通流预测的合理性和可行性,为短时交通流的预测提供了一种新的解决思路。