CN112580174A - 一种基于遗传算法优化神经网络的配电网线损率计算方法 - Google Patents
一种基于遗传算法优化神经网络的配电网线损率计算方法 Download PDFInfo
- Publication number
- CN112580174A CN112580174A CN202011453471.XA CN202011453471A CN112580174A CN 112580174 A CN112580174 A CN 112580174A CN 202011453471 A CN202011453471 A CN 202011453471A CN 112580174 A CN112580174 A CN 112580174A
- Authority
- CN
- China
- Prior art keywords
- neural network
- line loss
- model
- loss rate
- data
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 38
- 230000002068 genetic effect Effects 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 20
- 210000000349 chromosome Anatomy 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000012821 model calculation Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101150044453 Y gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于遗传算法优化神经网络的配电网线损率计算方法。为实现结构复杂、低压台区配电网的线损计算,本发明提出一种基于遗传算法优化神经网络的配电网线损率计算方法,该计算方法基于配电网实际运行数据首先构建误差反向传播(BP)神经网络模型以计算配电网理论线损率,然后利用遗传算法(GA)深度优化神经网络并建立GA‑BP模型。基于上述模型计算配电网的理论线损率并对模型计算性能进行比对分析后表明,应用遗传算法优化后的神经网络线损率计算模型较单一BP神经网络模型具有更好的非线性拟合能力和更高的计算精度。因此采用本发明公开的计算方法,可以实现提高配电网线损率计算模型精度的目的。
Description
技术领域
本发明涉及电力大数据分析技术领域,特别涉及一种基于遗传算法优化神经网络的配电网线损率计算方法。
背景技术
我国是电力生产和消耗的大国,由于电力系统的覆盖面积广、电压等级多等特点,影响着我国社会生活的各个领域,在电能的输送和分配的过程当中无法避免地会产生大量的损耗。因此,降低电网运行过程中产生的损耗是电力行业节能环保的重要举措。电网运行中,在输送和分配电能时,由于电网中各电气元件存在阻抗,当元件流过电压和电流时,此电气元件就会产生一定的有功功率或电能损耗,这些损耗统称为线路损耗,简称线损。配电网中的线损指配电线上的电能损失,通常包括理论线损和统计线损。前者指电力系统中各元件造成的损耗,可以通过理论计算得出;后者为电网供电量和售电量的差值。
在电力系统的运营中,线损计算以及经营管理工作涉及范围较广、综合性比较强。为了适应电力市场的经济发展,做好电力供应工作,减少供电过程中的电能损耗,提高电力企业的自身和社会经济效益,线损的计算和经营管理工作是电网运行发展的重中之重,必须引起高度重视。
对配电网的线损计算通常分为两种方法,第一种根据损耗公式需要将元件所经过的电流测出,但由于设备损耗电阻一般难以确定,所以此方法不易计算;第二种则需要采集所有节点的功率并进行计算,其数据量大且对通信的同期性要求较高。为了解决上述的限制,本发明提出了一种基于遗传算法优化神经网络的配电网线损率计算方法,该方法基于配电网电力数据的少量关键特征通过人工神经网络进行线损计算预测,以此提高线损的计算速度及准确度。通过分析比较配电网的理论线损及统计线损,可以在一定程度上反映配电网的内在运行和管理机制。
发明内容
为克服配电网线损率计算准确度较低的技术问题,本发明提供了一种基于遗传算法优化神经网络的配电网线损率计算方法,目的是了为实现结构复杂、低压台区配电网的线损率计算。基于配电网实际运行数据本发明首先构建误差反向传播(BP)神经网络模型以计算配电网理论线损,然后利用遗传算法(GA)深度优化神经网络并建立GA-BP模型。基于上述模型计算配电网的理论线损率并对模型计算性能进行比对分析后可以得出,通过遗传算法对神经网络进行优化,可以实现提高配电网线损率计算模型精度的目的。
为了达到上述目的,本发明采用以下技术方案实现:
一种基于遗传算法优化神经网络的配电网线损率计算方法,包括如下步骤:
步骤1:确定决定配电网线损的特征参数,即各台区负荷侧的有功功率及无功功率,将其特征参数作为BP模型的输入层,而线损率作为模型的输出;
步骤2:为了应对一些客观因素造成的数据丢失,同时为了去除量纲影响、加快网络收敛速度,需要对原始数据进行填补及归一化处理,从而构成一个训练样本集,同样对自变量样本数据进行归一化处理,得到一个测试样本集;
步骤3:确定神经网络各层神经元个数,建立一个可计算线损率的BP神经网络模型;
步骤4:利用遗传算法对BP模型的初始权值和阈值初值进行优化,从而构建起GA优化BP神经网络的线损率计算模型,即GA-BP模型;
步骤5:通过利用训练样本集分别对BP神经网络模型以及GA-BP神经网络模型进行训练,并对样本数据的均方误差变化曲线进行验证以满足要求;
步骤6:基于BP神经网络模型以及GA-BP神经网络模型,利用测试样本集分别对配电网台区线损率进行计算分析,得出最优计算方案。
进一步地,所述的步骤1中,确定决定配电网线损率的特征参数具体包括如下:
为了保证用户侧负荷的功率因数,系统一般来说装有充足的无功补偿设备,因此我们主要计算配电网台区的有功损耗ΔW,设某一个台区有n个分支,m个负荷点,第i个分支的电阻为Ri在线损率计算时间段T内,有功损耗有如下表达式:
对于选定的某一个台区来说,在正常运行情况下,其电阻Ri是基本保持不变,在无功补偿装置的作用下,其负荷侧电压变化范围不大,所以Ui也可以认为是保持不变的,因此台区损耗的表达式可以简化为与有功电量无功电量的关系式;通过对台区采集电量来计算月有功及月无功功率,将配电网各台区的同期月有功和同期月无功功率作为神经网络模型的特征参数,而线损率作为模型的输出。
进一步地,所述的步骤2中,对数据集进行预处理,并对应得到训练样本集以及测试样本集,具体包括如下:
为了应对一些客观因素造成的数据丢失或明显的坏数据,采用线性插值法填补相应数据,公式如下:
式中:xt'为填补的数据值;s为最近可用数据与待填补数据之间的距离;
由于台区的功率数值较大,为去除量纲影响、加快网络收敛速度,需要对原始数据进行归一化处理,本发明采用Z-score标准化方法来处理原始数据,公式如下:
式中:x为原始数据值;x'为标准化后的数值;m(x)为所有数据平均值;std为所有数据的标准差。
进一步地,所述的步骤4中,利用遗传算法对BP模型的初始权值和阈值进行优化,从而构建起GA优化BP神经网络的线损率计算模型,并定义GA-BP神经网络模型全局误差函数:
在MATLAB环境下,利用遗传算法工具箱(Genetic Algorithm Toolbox,GAOT)构建GA-BP模型;在确定神经网络的输入层、隐含层、输出层的维数之后,需要确定遗传算法中的遗传代数以及种群规模;根据BP神经网络的权值和阈值个数,采用实数编码对各个权值和阈值进行编码,将隐含层所有神经元连接的所有权值和阈值放在一起,按照从左向右、自上而下的原则排列,随机生成P个个体的初始种群W=(W1,W2,···,Wp)T,种群个体Wi的一个实数向量w1,w2,···,ws为GA的一个染色体,其中s为染色体的位数,T为遗传算法的终止进化代数。
与现有技术相比,本发明的有益效果是:
本发明采用遗传算法来对传统BP神经网络进行优化,可提升配电网台区日线损计算精度,进而提升其经济效益。通过快速与准确的计算理论线损率,能够对电网结构和运行管理中的不足之处给出准确的评价和可行的意义,可以判断出电网结构是否合理、电网的运行是否经济、以及找出降损的有效措施,降低电网运行过程中产生的理论线损率,提高电力企业的经济效益。
附图说明
图1是本发明的一种基于神经网络的配电网线损率计算方案流程图;
图2是本发明的一种线损计算的BP神经网络模型结构示意图;
图3是本发明的基于BP神经网络线损率计算结果对比拟合图;
图4是本发明的基于GA-BP神经网络线损率计算结果对比拟合图。
具体实施方式
以下结合附图对本发明提供的具体实施方式进行详细说明。
说明书附图图1说明了基于神经网络的配电网线损率计算方案的流程。下面对各个步骤进行详细阐述。
步骤1:确定决定配电网线损率的特征参数。为了保证用户侧负荷的功率因数,系统一般来说装有充足的无功补偿设备,因此我们主要计算配电网台区的有功损耗ΔW。假设某一个台区有n个分支,m个负荷点,第i个分支的电阻为Ri在线损率计算时间段T内,有功损耗有如下表达式:
对于选定的某一个台区来说,在正常运行情况下,其电阻Ri是基本保持不变,在无功补偿装置的作用下,其负荷侧电压变化范围不大,所以Ui也可以认为是保持不变的,因此台区损耗的表达式可以简化为与有功电量无功电量的关系式。通过对台区采集电量来计算月有功及月无功功率,将配电网各台区的同期月有功和同期月无功功率作为神经网络模型的特征参数,而线损率作为模型的输出。
步骤2:对数据集进行预处理,并对应得到训练样本集以及测试样本集。
为了应对一些客观因素造成的数据丢失或明显的坏数据,采用线性插值法填补相应数据,公式如下:
式中:xt'为填补的数据值;s为最近可用数据与待填补数据之间的距离
由于台区的功率数值较大,为去除量纲影响、加快网络收敛速度,需要对原始数据进行归一化处理,本发明采用Z-score标准化方法来处理原始数据,公式如下:
式中:x为原始数据值;x'为标准化后的数值;m(x)为所有数据平均值;std为所有数据的标准差。
步骤3:确定BP神经网络各层神经元个数,建立一个可计算线损率的BP神经网络模型,网络模型示意图如附图2所示。
在进行BP神经网络设计的过程中,应当充分考虑初始权值、激活函数、各层神经元数目、网络的隐含层层数和输入及输出层节点数目等。
(1)输入和输出层节点数目的确定:应当结合应用需求综合考虑。此外,主要选择Sigmoid函数作为输出节点的激活函数,这种函数在分类识别方面有着很强的适用性。
(2)隐含层层数的确定:当增大隐含层和网络层规模,神经网络能够提高识别精度,减小误差,但如果采取增加网络层规模的方式,那么可能会进一步提高训练时间成本,且网络结构也会更加复杂,所以通常采用增大神经元规模的方式。下式为输入层神经元个数和隐含层神经元个数的关系式:
式中:l为隐含层神经元个数;n为输入层神经元的个数,a一般取1至10之间的常数。
(3)初始权值的选择:在BP神经网络中,梯度算法是主要的算法,由于存在着大量误差曲面的局部最小点,所以训练结果会受到网络初始权值的影响。由于BP神经网络的初始权值和阈值在[0,1]之间随机产生,因此每次重新训练得到的结果都不一样,往往需要多次训练之后选择一个拟合较好的网络。
步骤4:利用遗传算法对BP模型的初始权值和阈值进行优化,从而构建起GA优化BP神经网络的线损率计算模型,并定义GA-BP神经网络模型全局误差函数:
所述步骤4具体为:
步骤4.1:在MATLAB环境下,利用遗传算法工具箱(Genetic Algorithm Toolbox,GAOT)构建GA-BP模型。在常规遗传算法中,编码方式通常采用二进制格雷码编码方式,本发明将GA算法应用于神经网络中,采用实数编码方式,即将一个实数直接作为一个染色体的一个基因位,这样便大大缩短了染色体长度。
在确定神经网络的输入层、隐含层、输出层的维数之后,需要确定遗传算法中的遗传代数以及种群规模。根据BP神经网络的权值和阈值个数,采用实数编码对各个权值和阈值进行编码,将隐含层所有神经元连接的所有权值和阈值放在一起,按照从左向右、自上而下的原则排列,随机生成P个个体的初始种群W=(W1,W2,···,Wp)T,种群个体Wi的一个实数向量w1,w2,···,ws为GA的一个染色体,其中s为染色体的位数,T为遗传算法的终止进化代数。
步骤4.2:确定适应度函数。适应度(Fitness)表示遗传算法中种群个体的优劣程度,本方案采用线损率计算值与实际值误差平方和的倒数作为个体适应度函数,表达式如下:
式中:y(k)为GA-BP模型的预测输出结果;s(k)为GA-BP模型期望输出结果;m为样本数。遗传算法向着适应度增大的方向进行。
步骤4.3:选择操作。本发明选用方法是轮盘赌法,其优点在于适应度值更优的染色体有更大的机会确定选上进入下一代,而对于适应度值相对来说差一些的染色体同样具备有机会。这样可以保证群体中个体的多样性。选择轮盘赌法公式如下:
式中,Fi为个体i的适应度值,k是系数,N代表染色体总数。
步骤4.4:交叉操作。交叉处理需要在个体内找出一对染色体,第m个染色体αm和第l个染色体αl按照一定概率在j点交叉得到新的个体。交叉操作交叉的位置是随机的。公式如下:
式中,b是在[0,1]间的随机数。
步骤4.5:变异操作。变异操作需要从中随机找到某染色体x,其上第y基因αxy按照一定的变异概率变异,产生新的个体。变异处理公式如下:
f(g)=r2(1-g/Gmax)2
式中,下标max和min分别为基因的上界和下界,r2为一个随机数,g为现在迭代次数,Gmax是最大进化次数,r是在[0,1]间的随机数。
步骤5:分别对BP以及GA-BP神经网络模型进行训练并验证。
对于本发明进行实例分析并验证,原始数据集为某市区供电公司的月电量数据,包括某线路8个台区的月有功、月无功及月线损率等。为了使网络模型更加精确,训练过程将原始数据重复使用两次以增加样本数量。对于BP神经网络模型,在MATLAB神经网络工具箱(Neural Net Fitting)中导入训练用的样本集,设定好隐含层神经元个数,对神经网络进行训练,并对训练后样本数据的迭代梯度值及均方误差进行验证以满足要求。
对于GA-BP神经网络模型,在遗传算法优化后需要根据最优个体适应度曲线来确定神经网络权值和阈值,然后再利用样本集对神经网络进行训练,并对样本数据的迭代梯度值及均方误差进行验证以满足要求。
步骤6:基于BP神经网络模型以及GA优化BP神经网络模型,分别对配电网台区线损率进行计算分析并比较。
对于BP神经网络模型,MATLAB神经网络工具箱将原始数据集分为训练(Training)、验证(Validation)、测试(Test)三部分,三者占比分别为70%,15%,15%。在对BP神经网络进行训练及数据集的验证后,将测试数据集导入训练好的神经网络模型,经神经网络计算得到线损率,并绘制出计算值与实际值的对比结果拟合图,如附图3所示。
对于GA-BP神经网络模型,在对GA-BP神经网络进行训练及数据集的验证后,将测试数据导入训练好的GA-BP神经网络,并绘制出计算结果的对比拟合图,如附图4所示。通过观察BP模型与GA-BP模型的结果拟合图,可以发现GA-BP模型测试样本的拟合值(R)为0.99928,相较于BP模型有明显提高。因此,验证了基于遗传算法优化后的BP神经网络模型在配电网台区线损率计算的精度上得到一定提高。
以上实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。
Claims (4)
1.一种基于遗传算法优化神经网络的配电网线损率计算方法,其特征在于,包括如下步骤:
步骤1:确定决定配电网线损的特征参数,即各台区负荷侧的有功功率及无功功率,将其特征参数作为BP模型的输入层,而线损率作为模型的输出;
步骤2:为了应对一些客观因素造成的数据丢失,同时为了去除量纲影响、加快网络收敛速度,需要对原始数据进行填补及归一化处理,从而构成一个训练样本集,同样对自变量样本数据进行归一化处理,得到一个测试样本集;
步骤3:确定神经网络各层神经元个数,建立一个可计算线损率的BP神经网络模型;
步骤4:利用遗传算法对BP模型的初始权值和阈值初值进行优化,从而构建起GA优化BP神经网络的线损率计算模型,即GA-BP模型;
步骤5:通过利用训练样本集分别对BP神经网络模型以及GA-BP神经网络模型进行训练,并对样本数据的均方误差变化曲线进行验证以满足要求;
步骤6:基于BP神经网络模型以及GA-BP神经网络模型,利用测试样本集分别对配电网台区线损率进行计算分析,得出最优计算方案。
2.根据权利要求1所述的一种基于遗传算法优化神经网络的配电网线损率计算方法,其特征在于,所述的步骤1中,确定决定配电网线损率的特征参数具体包括如下:
为了保证用户侧负荷的功率因数,系统一般来说装有充足的无功补偿设备,因此我们主要计算配电网台区的有功损耗ΔW,设某一个台区有n个分支,m个负荷点,第i个分支的电阻为Ri在线损率计算时间段T内,有功损耗有如下表达式:
4.根据权利要求1所述的一种基于遗传算法优化神经网络的配电网线损率计算方法,其特征在于,所述的步骤4中,利用遗传算法对BP模型的初始权值和阈值进行优化,从而构建起GA优化BP神经网络的线损率计算模型,并定义GA-BP神经网络模型全局误差函数:
在MATLAB环境下,利用遗传算法工具箱(GeneticAlgorithm Toolbox,GAOT)构建GA-BP模型;在确定神经网络的输入层、隐含层、输出层的维数之后,需要确定遗传算法中的遗传代数以及种群规模;根据BP神经网络的权值和阈值个数,采用实数编码对各个权值和阈值进行编码,将隐含层所有神经元连接的所有权值和阈值放在一起,按照从左向右、自上而下的原则排列,随机生成P个个体的初始种群W=(W1,W2,…,Wp)T,种群个体Wi的一个实数向量w1,w2,…,ws为GA的一个染色体,其中s为染色体的位数,T为遗传算法的终止进化代数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011453471.XA CN112580174A (zh) | 2020-12-11 | 2020-12-11 | 一种基于遗传算法优化神经网络的配电网线损率计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011453471.XA CN112580174A (zh) | 2020-12-11 | 2020-12-11 | 一种基于遗传算法优化神经网络的配电网线损率计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580174A true CN112580174A (zh) | 2021-03-30 |
Family
ID=75131377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011453471.XA Pending CN112580174A (zh) | 2020-12-11 | 2020-12-11 | 一种基于遗传算法优化神经网络的配电网线损率计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580174A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139596A (zh) * | 2021-04-20 | 2021-07-20 | 武汉理工大学 | 低压台区线损神经网络的优化算法 |
CN113178873A (zh) * | 2021-05-18 | 2021-07-27 | 北京交通大学 | 一种结合柔性开关的供电网络负荷动态转移方法 |
CN114047372A (zh) * | 2021-11-16 | 2022-02-15 | 国网福建省电力有限公司营销服务中心 | 一种基于电压特征的台区拓扑辨识系统 |
CN115201742A (zh) * | 2022-09-16 | 2022-10-18 | 北京志翔科技股份有限公司 | 低压台区计量点误差的确定方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
-
2020
- 2020-12-11 CN CN202011453471.XA patent/CN112580174A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
Non-Patent Citations (1)
Title |
---|
胡伟楠 等: "基于遗传算法优化神经网络的智能配电网线损计算研究", 《物联网技术》, vol. 10, no. 01, pages 40 - 43 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139596A (zh) * | 2021-04-20 | 2021-07-20 | 武汉理工大学 | 低压台区线损神经网络的优化算法 |
CN113178873A (zh) * | 2021-05-18 | 2021-07-27 | 北京交通大学 | 一种结合柔性开关的供电网络负荷动态转移方法 |
CN114047372A (zh) * | 2021-11-16 | 2022-02-15 | 国网福建省电力有限公司营销服务中心 | 一种基于电压特征的台区拓扑辨识系统 |
CN114047372B (zh) * | 2021-11-16 | 2024-03-12 | 国网福建省电力有限公司营销服务中心 | 一种基于电压特征的台区拓扑辨识系统 |
CN115201742A (zh) * | 2022-09-16 | 2022-10-18 | 北京志翔科技股份有限公司 | 低压台区计量点误差的确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112580174A (zh) | 一种基于遗传算法优化神经网络的配电网线损率计算方法 | |
CN111738512B (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN108876054A (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
CN113094980A (zh) | 一种基于iga-dnn的焊膏印刷质量预测方法及系统 | |
CN110428270A (zh) | 基于逻辑回归算法的渠道潜在偏好客户识别方法 | |
CN113139596A (zh) | 低压台区线损神经网络的优化算法 | |
CN114707754A (zh) | 一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN113971517A (zh) | 一种基于ga-lm-bp神经网络的水质评价方法 | |
CN116050605A (zh) | 一种基于神经网络和随机森林法的电力负荷预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN109190786A (zh) | 一种光伏发电效率的组合预测方法 | |
CN112396301A (zh) | 基于能源大数据驱动的电力用户需求响应特性控制方法 | |
CN110298506A (zh) | 一种城市建设水平预测系统 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN112990776A (zh) | 一种配网设备健康度评价方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN111738483A (zh) | 基于聚类和深层信念网络的电网降损优化方法及系统 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN116629625A (zh) | 一种基于神经网络模型的电网线损预测方法 |
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 |