基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型。首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报。为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了“分解-预测-重构”模型。经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点。

基于灰狼算法优化支持向量机的变压器故障诊断

针对变压器故障诊断准确率不高的问题,本文提出一种基于灰狼算法(GWO)优化支持向量机(SVM)的变压器故障诊断模型。对比分析灰狼优化算法、粒子群算法、网格寻优算法建立GWO-SVM模型、PSO-SVM模型、Grid-Search-SVM模型,并用仿真软件MATLAB进行验证分析,结果证明GWO-SVM模型比PSO-SVM模型、Grid-Search-SVM模型在变压器故障诊断中具有更高的故障诊断准确率。