CN106815635A - 一种绝缘子表面等值附盐密度的预测系统及方法 - Google Patents

一种绝缘子表面等值附盐密度的预测系统及方法 Download PDF

Info

Publication number
CN106815635A
CN106815635A CN201611240866.5A CN201611240866A CN106815635A CN 106815635 A CN106815635 A CN 106815635A CN 201611240866 A CN201611240866 A CN 201611240866A CN 106815635 A CN106815635 A CN 106815635A
Authority
CN
China
Prior art keywords
particle
esdd
generalized regression
insulator
nerve networks
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611240866.5A
Other languages
English (en)
Inventor
张明
王如梦
王鹏宇
马潇
章雪亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201611240866.5A priority Critical patent/CN106815635A/zh
Publication of CN106815635A publication Critical patent/CN106815635A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种绝缘子表面等值附盐密度的预测系统及方法，其系统包括原始数据采集单元、自适应变异粒子群单元、广义回归神经网络预测单元、ESDD预测输出单元和ESDD预警单元；将采集到的绝缘子表面等值附盐密度数据和当地气象数据投入自适应变异粒子群单元，通过自适应变异粒子群在全局的解空间中搜索出广义回归神经网络的最优平滑因子值并输出至广义回归神经网络预测单元；广义回归神经网络预测单元根据输入的最优平滑因子值和绝缘子表面等值附盐密度数据以及当地气象数据建立预测模型，并对绝缘子表面等值附盐密度进行预测；通过ESDD预测输出单元输出模型预测的ESDD数值以供输电线路运行人员参考；通过ESDD预警单元判断是否达到预设分级预警阈值来发出预警信号。

Description

一种绝缘子表面等值附盐密度的预测系统及方法
技术领域
本发明属于电力系统外绝缘技术领域，更具体地，涉及一种绝缘子表面等值附盐密度的预测系统及方法。
背景技术
正常工作电压下的绝缘子由于表面污秽物的堆积，在阴雨、大雾等恶劣天气下容易发生污秽闪络事故，对电力系统的安全稳定运行构成严重威胁。对输电线路上绝缘子的污秽度进行预测非常有必要，以便及时预防污闪事故的发生。通常使用等值附盐密度(Equivalent Salt Deposit Density，ESDD)来评估绝缘子表面污秽程度。
广义回归神经网络(GRNN)模型因为其具有非常强的非线性映射能力和柔性网络结构、学习能力和逼近能力较强，以及很好的鲁棒性和容错性等优点而得到广泛的应用，但是GRNN模型中平滑因子(SPREAD)的取值大小会对网络的逼近精度和预测精度产生较大影响。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种绝缘子表面等值附盐密度的预测系统及方法，其目的在于结合自适应变异粒子群优化算法与广义回归神经网络、提供一种可广泛应用于任意型号绝缘子的等值附盐密度预测方法。
为实现上述目的，按照本发明的一个方面，提供了一种绝缘子表面等值附盐密度预测系统，包括依次连接的原始数据采集单元、自适应变异粒子群单元、广义回归神经网络预测单元和ESDD预测值输出单元；
其中，原始数据采集单元用于获取输电线上的绝缘子ESDD数据和气象数据；自适应变异粒子群单元用于根据输电线上绝缘子ESDD数据和气象数据求解出广义回归神经网络的最优平滑因子值；广义回归神经网络预测单元则根据所述的最优平滑因子值构建预测模型，并对绝缘子ESDD进行预测；ESDD预测值输出单元则用于输出从广义回归神经网络预测单元得到的绝缘子ESDD预测值。
优选的，上述绝缘子表面等值附盐密度预测系统，还包括ESDD预警单元，ESDD预警单元的输入端与广义回归神经网络预测单元的输出端相连；ESDD预警单元用于根据上述预测值与预设的预警阈值生成预警信号；具体地，当预测值达到预警阈值，生成预警信号。
为实现本发明目的，按照本发明的另一方面，基于上述绝缘子表面等值附盐密度预测系统，提供了一种绝缘子表面等值附盐密度预测方法，包括如下步骤：
(1)通过将自适应变异粒子群单元中每个个体映射为广义回归神经网络中的平滑因子来构建一个GRNN；
对每个个体对应的GRNN输入训练样本进行训练，计算每一个体对应的GRNN在训练集上产生的均方误差；
根据来构建个体适应度函数，采用自适应变异粒子群算法求解出全局解空间中GRNN平滑因子的最优值；其中x是指粒子的当前位置向量；
(2)根据所述的最优值、绝缘子ESDD数据和气象数据建立GRNN预测模型；采用所述预测模型进行绝缘子ESDD预测获得ESDD预测值；
(3)输出广义回归神经网路预测模型的预测值。
优选地，上述绝缘子表面等值附盐密度预测方法，还包括步骤(4)：
(4)将预测值与预设的预警阈值进行比较，当预测值达到预警阈值时，生成预警信号。
优选地，上述绝缘子表面等值附盐密度预测方法，步骤(1)采用自适应变异粒子群算法求解全局解空间中GRNN平滑因子的最优值的方法，包括如下子步骤：
(a)初始化粒子群：设定加速度因子c1和c2、最大进化代数T；设当前进化代数t＝1；定义空间Rn中随机产生m个粒子x1,x2,…,xm组成初始种群X(t)；随机产生各粒子初始速度v1,v2,…,vm组成位移变化矩阵V(t)；
(b)将粒子群中每一个体映射为网络中的平滑因子以构建广义回归神经网络；
将每一个体输入广义回归神经网络进行训练；计算每个广义回归神经网络在训练集上产生的均方误差，并以此作为目标函数，按构建适应度函数，以计算个体的适应度；
其中x表示粒子的当前位置向量；
(c)采用迭代的方法更新每个粒子的自身最优位置pi和种群全局最优位置pg；
记为每个粒子经k次迭代后的最优位置，为种群经k次迭代后的最优位置；
(d)根据计算每个粒子的惯性权重；
其中，c取[0,1]之间的常数，fi是第i次迭代中粒子的适应度值，fmin是每次迭代的m个粒子的适应度值的最小值；fave是每次迭代的m个粒子的平均适应度值；
(e)将所有粒子x1(t)根据进行位置更新和速度更新；
其中，k是指迭代次数；表示第k次迭代时第i个粒子的位置；表示第k次迭代时第i个粒子的速度；wi表示惯性权重；c1和c2是指学习因子；r是指约束系数或是收敛因子，其中r1和r2是[0,1]之间的随机数；
(f)根据计算种群平均粒距K(t)；当K(t)≤0.01或连续10次迭代Pg没有变化，则进入步骤(g)，否则返回步骤(b)；
其中S为种群数量；L为搜索空间对角最大长度；m为种群规模大小，n为解空间维数，xid表示第i个粒子的第d维坐标值，表示所有粒子第d维坐标值均值；
(g)根据按进行变异操作，变异粒子更新最优位置pi；
其中，表示粒子变异后的位置向量，xi为粒子原始位置向量，x为粒子当前位置向量；
(h)判断是否满足收敛条件：若是，则输出平滑因子的最优值；若否，则进入步骤(b)。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提供的绝缘子表面等值附盐密度预测系统及方法，将自适应变异粒子群与广义回归神经网络模型有机融合，既具有粒子群算法在全局解空间搜索最优解的优势，又具有广义回归神经网络模型对非线性、非精确规律具有自适应能力的优点；通过优化能从不同的角度、不同的模型得到系统不同的信息，达到提高预测精度与增加稳定性和结果的可靠性的目的，使优化预测模型对于数据结构的变化具有更强的鲁棒性，有效弥补了单纯预测模型预测不准确的缺陷；
(2)本发明提供的绝缘子表面等值附盐密度预测方法，其优选方案采用自适应变异粒子群算法根据粒子适应度的整体变化决定惯性权重的大小，在获取最优平滑因子值的过程中，通过调整粒子群算法的惯性权重来实现算法的自适应调节能力：通过增大惯性权重以扩大粒子搜索范围，通过减小惯性权重从局来加强粒子局部搜索能力；
(3)本发明提供的绝缘子表面等值附盐密度预测方法中，其优选方案通过平均粒距判断和迭代操作，使算法跳出局部极值(即早熟收敛)，扩大算法的搜索区域，避免粒子群中粒子出现“聚集”现象，实现粒子群算法的变异功能；
(4)本发明提供的绝缘子表面等值附盐密度预测系统及方法中，所采用的广义回归神经网络具有学习速度快、网络能收敛于样本聚集最多的优化回归面、稳定性好的优点；并且广义回归神经网络人为调节的参数少，可以最大限度避免人为主观假定对预测结果的影响，最终实现对绝缘子ESDD数值的高精度预测。
附图说明
图1是基于实施例提供的绝缘子表面等值附盐密度预测系统实现ESDD预测的流程示意图；
图2是实施例中自适应变异粒子群算法的流程示意图；
图3是实施例中的广义回归神经网络模型结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的绝缘子表面等值附盐密度的预测系统，包括依次相连的原始数据采集单元、自适应变异粒子群单元、广义回归神经网络预测单元、ESDD预测值输出单元和ESDD预警单元；
基于该系统进行ESDD预测的流程如图1所示；其中，原始数据采集单元采集输电线上绝缘子ESDD数据和气象数据；自适应变异粒子群单元根据输电线上绝缘子ESDD数据和当地气象数据获取最适应广义回归神经网络的最优平滑因子值；广义回归神经网络预测单元则根据该最优平滑因子值、绝缘子ESDD数据和气象数据建立预测模型，对绝缘子ESDD进行预测获得ESDD预测值；本实施例中，利用光传感器输变电盐密在线监测设备或其它在线监测装置采集输电线上绝缘子ESDD数据；气象数据则是在待预测绝缘子周围采集到的数据；
广义回归神经网络预测单元预测的绝缘子ESDD数值通过ESDD预测值输出单元输出；ESDD预警单元根据预测值与预设的分级预警阈值生成预警信号，当预测值达到分级预警阈值，生成预警信号。
本实施例中，自适应变异粒子群单元采用自适应变异粒子群算法获取最优平滑因子值，其流程如图2所示意，包括如下步骤：
(a)初始化粒子群：设定加速度因子c1和c2、最大进化代数T；设当前进化代数t＝1；定义空间Rn中随机产生m个粒子x1,x2,…,xm组成初始种群X(t)；随机产生各粒子初始速度v1,v2,…,vm组成位移变化矩阵V(t)；
(b)将粒子群中每一个体映射为网络中的平滑因子，从而构成一个广义回归神经网络；
将每一个体输入广义回归神经网络进行训练；计算每个广义回归神经网络在训练集上产生的均方误差，并以此作为目标函数，按构建适应度函数，以计算个体的适应度，其中x表示粒子的当前位置向量；
(c)更新每个粒子的自身最优位置pi和种群全局最优位置pg；
记为每个粒子经k次迭代后的最优位置，为种群经k次迭代后的最优位置；
(d)根据计算每个粒子的惯性权重。其中，c为[0,1]之间的常数，实施例中取c＝0.3；fi是每次迭代中每个粒子的适应度值，fmin是每次迭代的m个粒子中适应度值的最小值；fave是每次迭代的m个粒子的平均适应度值；在实施例中取fmin＝0.4；
该步骤通过调整粒子群算法的惯性权重，来实现算法的自适应调节能力；即调节惯性权重增大时，使算法具有较强的全局搜索能力；调节惯性权重减小时，使算法具有较强的局部搜索能力；
(e)将所有粒子x1(t)根据进行位置和速度更新；
其中，k是指迭代次数；表示第k次迭代时第i个粒子的位置；表示第k次迭代时第i个粒子的速度；wi表示惯性权重；c1和c2是指学习因子；实施例汇中，取c1＝1.5、c2＝1.5；r是指约束系数或是收敛因子，其中r1和r2是[0,1]之间的随机数；
(f)根据计算种群平均粒距K(t)；当K(t)≤0.01或连续10次迭代Pg没有变化，则进入步骤(g)对种群进行变异操作，否则返回步骤(b)；
其中S为种群数量；L为搜索空间对角最大长度；m为种群规模大小，n为解空间维数，xid表示第i个粒子的第d维坐标值，表示所有粒子第d维坐标值均值；
(g)根据按概率pm＝40％进行变异操作，变异粒子更新最优位置pi；
其中，表示粒子变异后的位置向量，xi为粒子原始位置向量，x为粒子当前位置向量；
通过判断粒子的平均粒距和全局最优值的变化来防止算法可能出现的早熟现象即出现局部极值，进一步通过步骤(g)的变异操作使粒子跳出局部极值，避免因粒子团聚而使算法求得“假极值”，从而实现算法的变异功能；
(h)判断是否满足收敛条件：达到预设的最大代数或收敛精度要求，若是，则输出平滑因子的最优值；若否，则进入步骤(b)；实施例中，设置收敛条件为最大迭代次数为1000。
本实施例中所采用的广义回归神经网络模型的结构如图3所示意的，包括输入层、模式层、求和层与输出层四层神经元；对应网络输入U＝[u1,u2,…,un]T，其输出为Y＝[y1,y2,…,yg]T；
输入层中的神经元数目等于学习样本中输入向量的维数n，各神经元是简单的分布单元，直接将输入变量传递给模式层；
模式层的神经元数目等于学习样本的数目n，各神经元各自对应不同的样本，神经元i的传递函数为也就是说，神经元i的输出为输入变量U与其对应的Ui样本之间的Euclid距离平方为的指数形式；
其中U为网络输入变量；Ui为第i个神经元对应的学习样本；
求和层中使用两种类型的神经元进行求和；一类的计算公式为它对所有模式层神经元的输出进行算术求和，其与模式层各神经元的连接权值为1，其传递函数为另一类计算公式为它对所有模式层神经元的输出进行加权求和，模式层中第i个神经元与求和层中第j个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素yij，其传递函数为
输出层中的神经元数目与学习样本中输出向量的维数g相等，各神经元将求和层的输出相除，神经元j的输出对应估计结果的第j个元素，即
本实施例中，采用ESDD预警单元根据上述各单元的预测值进行预警预测；预警单元设置A、B、C、D共4个预警等级；
实施例中，通过ESDD预警单元将绝缘子ESDD预测值与发生污闪时的绝缘子ESDD值对比来生成预警信息以供线路运行人员处理，可起到及时有效防止输电线路发生污秽闪络事故的作用，具体的，当ESDD预测值达到可能发生污闪时绝缘子ESDD数值ρF的95％时，即95％ρF，系统发出A级预警；当ESDD预测值达到可能发生污闪时绝缘子ESDD数值ρF的90％时，即90％ρF，系统发出B级预警；当ESDD预测值达到可能发生污闪时绝缘子ESDD数值ρF的85％时，即85％ρF，系统发出C级预警；当ESDD预测值达到可能发生污闪时绝缘子ESDD数值ρF的80％时，即80％ρF，系统发出D级预警。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种绝缘子表面等值附盐密度预测系统，其特征在于，包括依次连接的原始数据采集单元、自适应变异粒子群单元、广义回归神经网络预测单元和ESDD预测值输出单元；
所述原始数据采集单元用于获取输电线上的绝缘子ESDD数据和气象数据；自适应变异粒子群单元用于根据输电线上绝缘子ESDD数据和气象数据求解出广义回归神经网络的最优平滑因子值；广义回归神经网络预测单元则根据所述的最优平滑因子值构建预测模型以对绝缘子ESDD进行预测；ESDD预测值输出单元用于输出从广义回归神经网络预测单元得到的绝缘子ESDD预测值。
2.如权利要求1所述的绝缘子表面等值附盐密度预测系统，其特征在于，还包括ESDD预警单元；所述ESDD预警单元的输入端与广义回归神经网络预测单元的输出端相连；ESDD预警单元用于根据所述绝缘子ESDD预测值与预设的预警阈值生成预警信号。
3.一种基于权利要求1～2所述的绝缘子表面等值附盐密度预测系统的绝缘子表面等值附盐密度预测方法，其特征在于，包括如下步骤：
(1)通过将自适应变异粒子群单元中每个个体映射为广义回归神经网络中的平滑因子来构建广义回归神经网络；
对每个个体对应的广义回归神经网络输入训练样本进行训练，计算每一个体对应的广义回归神经网络在训练集上产生的均方误差，并构建个体适应度函数，采用自适应变异粒子群算法求解出全局解空间中广义回归神经网络平滑因子的最优值；
(2)根据所述的最优值、绝缘子ESDD数据和气象数据建立广义回归神经网络预测模型；采用所述预测模型进行绝缘子ESDD预测获得ESDD预测值；
(3)输出广义回归神经网路预测模型的ESDD预测值。
4.如权利要求3所述的绝缘子表面等值附盐密度预测方法，其特征在于，还包括步骤(4)：
(4)将所述预测值与预设的预警阈值进行比较，当预测值达到预警阈值时，生成预警信号。
5.如权利要求3或4所述的绝缘子表面等值附盐密度预测方法，其特征在于，步骤(1)采用自适应变异粒子群算法求解全局解空间中广义回归神经网络平滑因子的最优值的方法，包括如下子步骤：
(a)初始化粒子群：设定加速度因子c1和c2、最大进化代数T；设定当前进化代数t＝1；定义空间Rn中随机产生m个粒子x1,x2,…,xm组成初始种群X(t)；随机产生各粒子初始速度v1,v2,…,vm组成位移变化矩阵V(t)；
(b)将粒子群中每一个体映射为网络中的平滑因子以构建广义回归神经网络；
将每一个体输入广义回归神经网络进行训练；计算每个广义回归神经网络在训练集上产生的均方误差，并以此作为目标函数，按构建适应度函数，以计算个体的适应度；其中x表示粒子的当前位置向量；
(c)采用迭代的方法更新每个粒子的自身最优位置pi和种群全局最优位置pg；
记为每个粒子经k次迭代后的最优位置，为种群经k次迭代后的最优位置；
(d)根据计算每个粒子的惯性权重；
其中，c取[0,1]之间的常数，fi是第i次迭代中粒子的适应度值，fmin是每次迭代的m个粒子的适应度值的最小值；fave是每次迭代的m个粒子的平均适应度值；
(e)将所有粒子x1(t)根据进行位置更新和速度更新；
其中，k是指迭代次数；表示第k次迭代时第i个粒子的位置；表示第k次迭代时第i个粒子的速度；wi表示惯性权重；c1和c2是指学习因子；r是指约束系数或是收敛因子，其中r1和r2是[0,1]之间的随机数；
(f)根据计算种群平均粒距K(t)；当K(t)≤0.01或连续10次迭代Pg没有变化，则进入步骤(g)，否则返回步骤(b)；
其中S为种群数量；L为搜索空间对角最大长度；m为种群规模大小，n为解空间维数，xid表示第i个粒子的第d维坐标值，表示所有粒子第d维坐标值均值；
(g)根据进行变异操作，变异粒子更新最优位置pi；
其中，表示粒子变异后的位置向量，xi为粒子原始位置向量，x为粒子当前位置向量；
(h)判断是否满足预设的收敛条件：若是，则输出平滑因子的最优值；若否，则进入步骤(b)。
CN201611240866.5A 2016-12-29 2016-12-29 一种绝缘子表面等值附盐密度的预测系统及方法 Pending CN106815635A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611240866.5A CN106815635A (zh) 2016-12-29 2016-12-29 一种绝缘子表面等值附盐密度的预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611240866.5A CN106815635A (zh) 2016-12-29 2016-12-29 一种绝缘子表面等值附盐密度的预测系统及方法

Publications (1)

Publication Number Publication Date
CN106815635A true CN106815635A (zh) 2017-06-09

Family

ID=59110464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611240866.5A Pending CN106815635A (zh) 2016-12-29 2016-12-29 一种绝缘子表面等值附盐密度的预测系统及方法

Country Status (1)

Country Link
CN (1) CN106815635A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688862A (zh) * 2017-10-12 2018-02-13 电子科技大学 基于ba‑grnn的绝缘子等值盐密积累速率预测方法
CN108120451A (zh) * 2017-12-21 2018-06-05 苏州大学 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统
CN108169243A (zh) * 2017-12-25 2018-06-15 国网宁夏电力有限公司固原供电公司 基于bp遗传网络的避雷器污秽度采集单元标定方法
CN113095499A (zh) * 2021-03-26 2021-07-09 云南电网有限责任公司电力科学研究院 一种绝缘子等值附盐密度的预测方法
CN114139772A (zh) * 2021-11-12 2022-03-04 江苏师范大学 一种基于优化广义回归神经网络预测工件表面质量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
帅海燕: "输电线路污闪运行风险评估及相关技术研究", 《中国博士学位论文全文数据库工程科技II辑》 *
潘泽文: "基于改进APSO—GRNN的区域物流需求预测研究", 《中国硕士学位论文全文数据库经济与管理科学辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688862A (zh) * 2017-10-12 2018-02-13 电子科技大学 基于ba‑grnn的绝缘子等值盐密积累速率预测方法
CN107688862B (zh) * 2017-10-12 2021-05-14 电子科技大学 基于ba-grnn的绝缘子等值盐密积累速率预测方法
CN108120451A (zh) * 2017-12-21 2018-06-05 苏州大学 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统
CN108169243A (zh) * 2017-12-25 2018-06-15 国网宁夏电力有限公司固原供电公司 基于bp遗传网络的避雷器污秽度采集单元标定方法
CN113095499A (zh) * 2021-03-26 2021-07-09 云南电网有限责任公司电力科学研究院 一种绝缘子等值附盐密度的预测方法
CN113095499B (zh) * 2021-03-26 2022-09-27 云南电网有限责任公司电力科学研究院 一种绝缘子等值附盐密度的预测方法
CN114139772A (zh) * 2021-11-12 2022-03-04 江苏师范大学 一种基于优化广义回归神经网络预测工件表面质量的方法
CN114139772B (zh) * 2021-11-12 2023-10-27 江苏师范大学 一种基于优化广义回归神经网络预测工件表面质量的方法

Similar Documents

Publication Publication Date Title
CN106815635A (zh) 一种绝缘子表面等值附盐密度的预测系统及方法
CN106453293B (zh) 一种基于改进bpnn的网络安全态势预测方法
CN109165764A (zh) 一种遗传算法优化bp神经网络的线损计算方法
CN107607954B (zh) 一种基于t-s模型的fnn降水粒子相态识别方法
Zhang et al. A short-term traffic forecasting model based on echo state network optimized by improved fruit fly optimization algorithm
CN108564192A (zh) 一种基于气象因子权重相似日的短期光伏功率预测方法
CN106650784A (zh) 一种基于特征聚类比较的光伏电站功率预测方法及装置
CN107707657A (zh) 基于多传感器的安全监护系统
CN112101669B (zh) 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法
CN108053052B (zh) 一种油罐车油气泄漏速度智能监测系统
CN106529818A (zh) 基于模糊小波神经网络的水质评价预测方法
CN110504676A (zh) 一种基于apso-bp的配电网状态估计方法
CN106405352A (zh) 一种电力绝缘子表面积污物的等值盐密预测及预警系统
CN109376921A (zh) 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法
CN113705922B (zh) 一种改进的超短期风电功率预测算法及模型建立方法
CN113762603A (zh) 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法
CN113435105A (zh) 一种基于烟感检测的火灾预警系统及方法
CN109636059A (zh) 电采暖配电变压器负荷预测方法及装置
CN115935215B (zh) 极端天气下基于深度学习的输电线路覆冰预警方法及系统
CN107976934A (zh) 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统
CN109858665A (zh) 基于特征筛选与anfis-pso的光伏短期功率预测方法
CN111474094A (zh) 一种粉尘浓度智能化检测系统
CN113988655A (zh) 一种计及多气象因素的输电线路运行状态评估方法
CN114118596A (zh) 一种光伏发电量预测方法和装置
CN112819189A (zh) 一种基于历史预测值的风力出力预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170609

RJ01 Rejection of invention patent application after publication