CN114676824A - 灰色关联分析和pso-rbf下的配电网线损预测方法 - Google Patents

灰色关联分析和pso-rbf下的配电网线损预测方法 Download PDF

Info

Publication number
CN114676824A
CN114676824A CN202210371661.XA CN202210371661A CN114676824A CN 114676824 A CN114676824 A CN 114676824A CN 202210371661 A CN202210371661 A CN 202210371661A CN 114676824 A CN114676824 A CN 114676824A
Authority
CN
China
Prior art keywords
rbf
pso
distribution network
line loss
grey correlation
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
CN202210371661.XA
Other languages
English (en)
Inventor
龚钢军
孟芷若
侯瑞
武昕
陆俊
苏畅
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202210371661.XA priority Critical patent/CN114676824A/zh
Publication of CN114676824A publication Critical patent/CN114676824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)

Abstract

本发明提供了灰色关联分析和PSO‑RBF下的配电网线损预测方法，包括如下步骤：获取配电网侧数据，基于所述配电网侧数据，利用灰色关联分析法，获得数据集；建立RBF网络结构，基于所述RBF网络结构，建立PSO‑RBF模型；基于所述数据集，利用PSO算法，对所述PSO‑RBF模型进行训练；基于训练好的所述PSO‑RBF模型，完成配电网线损的预测。本发明针对小样本数据进行线损预测优化，可以避免传统算法下小样本数据因为数据量不足而出现的预测效率低下和准确度不足的问题，为电网线损的治理和电网结构的优化提供一定的参考。

Description

灰色关联分析和PSO-RBF下的配电网线损预测方法
技术领域
本发明属于配电网线路技术领域，尤其涉及灰色关联分析和PSO-RBF下的配电网线损预测方法。
背景技术
随着电力行业的不断发展，电能传输过程中的损耗问题日益突出。线损是电力系统运行过程中的经济性指标，同时也反映了电网公司的生产经营水平和规划设计水平。对线损进行有效的分析和研究可以为后续线损的治理提供很好的指导参考。其中对线路进行线损预测可以找出线损较高的线路进行重点调整和治理，为进一步优化电网结构作出了一定的贡献。
目前国内对线损预测已经有了一定的研究成果，采用深度学习的长短记忆神经网络进行线损预测需要大量的电力数据进行模型的训练，对于数据规模小的数据集存在一定的应用局限性。采用BP神经网络对线损进行预测较传统预测方法而言提高了一定的准确性。采用RBF算法进行预测较BF算法而言进一步提高了计算精度，网络在训练的时候容易陷入局部最优。现阶段已有通过PSO算法对RBF神经网络进行线损预测进行优化，但是在面对小样本数据的时候，对于特征量的采集仍然存在进一步优化的空间。
发明内容
为解决上述技术问题，本发明提出灰色关联分析和PSO-RBF下的配电网线损预测方法，该方法针对小样本数据进行线损预测优化，可以避免传统算法下小样本数据因为数据量不足而出现的预测效率低下和准确度不足的问题，为电网线损的治理和电网结构的优化提供一定的参考。
为实现上述目的，本发明提供了灰色关联分析和PSO-RBF下的配电网线损预测方法，包括如下步骤：
获取配电网侧数据，基于所述配电网侧数据，利用灰色关联分析法，获取数据集；
建立RBF网络结构，基于所述RBF网络结构，建立PSO-RBF模型；
基于所述数据集，利用PSO算法，对所述PSO-RBF模型进行训练；
基于训练好的所述PSO-RBF模型，完成配电网线损的预测。
可选地，获得数据集的方式为：
基于所述配电网侧数据，获得比较数据列；
基于分析的目标，获得参考数据列；
利用极值化法，分别对所述比较数据列和所述参考数据列进行预处理；
计算预处理后的所述比较数据列和预处理后的所述参考数据列的灰色关联度；
基于所述灰色关联度，获得数据集。
可选地，获得比较数据列的方式为：
基于所述配电网侧数据和分析目标目的，获得分析指标体系；
基于所述分析指标体系，获得影响因素；
基于所述影响因素，获得比较数据列。
可选地，所述比较数据列Qi的表达式为：
Qi＝(q1i，q2i，…，qmi)
其中，i＝1,2,...n；n为数据列的个数；m为指标的个数。
可选地，预处理后的所述比较数据列和预处理后的所述参考数据列的灰色关联度的计算方式为：
Figure BDA0003588945640000031
其中，
Figure BDA0003588945640000032
Δi(j)＝|p'(h)-q'l(h)|，p'(h)为预处理后的参考数据列，
Figure BDA0003588945640000033
q'l(h)为采用极值化无量纲法处理后的比较数据列，max，min分别为电气指标或者线损的最大值和最小值，ρ为分辨系数，且ρ∈[0,1]，ρ的值与分辨率呈正相关。
可选地，所述RBF网络结构包括：输入层、隐含层和输出层，其中，所述输入层和所述隐含层的连接权值为1。
可选地，所述输出层的输出变量yi的计算方式为：
Figure BDA0003588945640000034
其中，i＝1，2，3，…，M，M代表输出的维数，
Figure BDA0003588945640000035
h＝1，2，3，…，Nh，Nh代表隐含层的节点数；kh代表第h层隐含层的输出；σh代表第h层隐含层的概率密度；||x-ch||2为欧几里得范数，表示输入变量和高斯核的距离。
可选地，对所述PSO-RBF模型进行训练的方式为：
基于所述数据集，采用PSO算法，对所述PSO-RBF模型的参数进行训练；
基于改进权重的方法，对训练后的所述PSO-RBF模型的参数进行适应度计算；
基于适应度计算的结果，获得全局最优解，完成所述PSO-RBF模型的训练。
与现有技术相比，本发明具有如下优点和技术效果：
本发明提出了灰色关联分析和PSO-RBF下的配电网线损预测方法：
(1)用灰色关联分析方法在小样本数据的情况下对数据进行研究分析，通过比较灰色关联值选择出与线损关联紧密的因素，提高了线损预测的效率，同时也避免了关联度较小的因素对分析结果造成影响。同时，灰色关联分析方法也可以避免在实际情况中，因为统计缺失可能出现的预测问题。
(2)本发明提出一种灰色关联分析和POS-RBF下的综合线损预测模型，针对小样本数据，从配电网侧进行线损预测。为电网公司的线损治理和电网结构的优化提供了一定的参考意见。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的灰色关联分析和PSO-RBF下的配电网线损预测方法流程示意图；
图2为本发明实施例中的灰色关联度计算流程示意图；
图3为本发明实施例中的基于高斯核的RBF神经网络拓扑结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
随着电网的快速发展,线损问题作为制约电网经济发展的重要因素,也逐渐成为了人们关注的焦点。在配电网数据下，对线路的线损进行分析和预测，可以针对线损较为严重的线路进行重点治理，有利于对电网结构进行优化，同时提高电网公司的经济效益，从而一定程度上推动电力行业的发展。
但是在配电网侧存在一些线路的现有数据为小样本数据，如果使用大样本数据的训练模型进行预测，会导致预测效率的降低，同时也会导致预测结果的准确度不够。如何更加有效精准的对线损进行研究和预测成为促进电力行业经济发展和提高稳定性的一大重要问题
如图1所示，本发明提供灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，包括如下步骤：
从配电网侧提取相关数据，然后采用灰色关联分析找出与线损关联度高的因素，建立数据集，并对数据进行预处理，使得最终分析的数据更加贴合预测模型，从而提高预测的效率。
具体的，灰色关联分析的研究对象为“小样本”和“贫信息”，面对数据样本量少以及获取信息不完全的情况，灰色关联分析可以很好的提高分析结果的准确度和效率。具体的计算流程如图2所示，先确认比较数据列和参考数据列，然后对数据进行预处理，接着对灰色关联度进行计算，最后通过比较灰色关联度选出与线损关联较大的关键因素，为后续构建数据集提供参考。
具体地，确定比较矩阵R
从配电网侧收集相关数据，根据所分析的目标和目的确定分析的指标体系。然后确定影响因素构建比较数据列Qi，并且形成比较矩阵。
Figure BDA0003588945640000061
其中Qi＝(q1i，q2i，…，qmi)，i＝1，2，…，n；m为指标的个数，n为数据列的个数。
确定参考数据列
根据所分析的目标作为参考数据列，例如选择1000kV的电网线损作为参考序列P,记为P＝[p1 p2 … pm]。
数据预处理
由于各个指标的物理意义不同，数据的量纲也不同，所以为了方便后续的计算和分析，需要对现有数据进行无量纲化处理，从而得到新的比较序列矩阵R'，新的参考数据列Q'i，以及新的参考数据列P'i。
本实施例采用的方法为极值化法。
Figure BDA0003588945640000071
计算灰色关联度
计算灰色关联度之前，首先要计算每个比较序列和所对应参考序列对应元素之间的灰色关联系数ζl(h)。关联度系数代表比较数据列和对应参考数据列的关联程度值。
Figure BDA0003588945640000072
Δi(j)＝|p'(h)-q'l(h)|
其中ρ为分辨系数，且ρ∈[0,1]。ρ的值与分辨率呈正相关，一般取默认值0.5。
接着计算灰色关联度，即ζl(h)的平均值。
Figure BDA0003588945640000073
其中，
Figure BDA0003588945640000074
Δi(j)＝|p'(h)-q'l(h)|，p'(h)为预处理后的参考数据列，
Figure BDA0003588945640000075
q'l(h)为采用极值化无量纲法处理后的比较数据列，max，min分别为电气指标或者线损的最大值和最小值，ρ为分辨系数，且ρ∈[0,1]，ρ的值与分辨率呈正相关。
计算出灰色关联度之后，对灰色关联度之间进行比较。一个影响因素的灰色关联度值越大，则该影响因素与参考序列的关联程度越大。通过对灰色关联度的比较，可以选择出与线损影响程度高的因素，从而为后续构建相关数据集提供参考的依据。
建立RBF网络结构，并构建RBF和PSO算法的对应关联模型，PSO-RBF模型，对相关参数进行初始化。最后由PSO算法训练PSO-RBF模型，将训练结果与结束条件进行比对判读，如果没有满足结束条件则继续迭代训练直至满足条件。
具体的，确定RBF网络结构
RBF神经网络可以拟合连续的非线性函数，与其他神经网络不同的是RBF的隐含层采用的是RBF函数，该函数包含输入层、隐含层、输出层。RBF的网络结构如图3所示。
xi代表输入变量，yi代表输出变量，N代表输入输出变量的个数。输入层将输入信号传递到隐含层，隐含层的RBF函数对输入数据进行作用，其中输入层和隐含层的连接权值为1，隐含层的RBF函数一般选用高斯核函数。
Figure BDA0003588945640000081
其中h＝1，2，3，…，Nh。Nh代表隐含层的节点数；kh代表第h层隐含层的输出；σh代表第h层隐含层的概率密度；||x-ch||2为欧几里得范数，表示输入变量和高斯核的距离。由公式可以知道，当输入变量越靠近隐含层的中心的时候，输出的变量值就越大。
将隐含层输出进行线性加权得到网络的输出。
Figure BDA0003588945640000082
其中，i＝1，2，3，…，M，M代表输出的维数，
Figure BDA0003588945640000083
h＝1，2，3，…，Nh，Nh代表隐含层的节点数；kh代表第h层隐含层的输出；σh代表第h层隐含层的概率密度；||x-ch||2为欧几里得范数，表示输入变量和高斯核的距离。因为本发明采用的是多输入单输出的网络结构，所以输出只有一维，y1即为线损。whi代表第h层隐含层和第i层输出层的连接权权重。
对RBF网络结构进行确定，其中包括输入层数、输出层数、隐含层数。输入输出节点数量值根据具体的线路进行设置。隐含层的数量根据减聚类算法进行确定。而上式中的ch、σh、whi的值则通过下文的PSO-RBF算法进行训练得到。
具体的，PSO算法
粒子群优化算法(PSO)是一种进化计算技术，这种算法是一种仿生学的算法，源于对鸟群捕食行为的研究。该算法将每个优化问题的可能解当作是一个“粒子”，将个体信息共享至整个鸟群，从而使得整个鸟群的运动在问题的求解过程中逐渐变得有序。同样，在算法过程中，粒子在搜索多维空间的时候，进行迭代，每次迭代后都得出当前的适应度值。根据适应度值的大小，可以得到该解的好坏。由以上方法就可以得到每个粒子的最优解以及全局最优解。PSO算法较其他算法来说有较少的参数，并且在计算复杂度和迭代速度上有一定的优势。
在一个粒子数量为S的种群中，搜索空间的维度为K，第i个粒子的向量可以表示为：
Xi＝(Xi1,Xi2,…,XiK)，i＝1，2，…，S
第i个粒子的速度向量可以表示为：
Vi＝(Vi1,Vi2,…,ViK)，i＝1，2，…，S
第i个粒子的个体最优解可以表示为：
Pb＝(Pi1,Pi2,…,PiK)，i＝1，2，…，S
全局最优解可以表示为：
Gb＝(GP1,GP2,…,GPK)，i＝1，2，…，S
PSO算法根据如下算法不断更新速度和位置。
Vi,k＝wVi,k+c1r1(Pi,k-Xi,k)+c2r2(PG,k-Xi,k)
Xi,k＝Xi,k+Vi,k
在上式中，c1、c2代表学习因子，c1为个体学习因子，c2为群体学习因子。c1、c2的值为常数时的效果较好，一般设置值为2。r1、r2取值范围在0到1之间的随机数；Vi,k表示第i个粒子的第k维速度值；XiK表示第i个粒子的第k维位置值；PiK表示第i个粒子的第k维个体最优解；GPK表示全局最优解的k维度值；w为惯性权重，它反应了旧的速度对新的速度的影响程度。
惯性权重的值影响着PSO算法寻优能力，本发明采用改进权重法对PSO算法进行优化，使得该算法的全局搜索能力和局部搜索能力达到一个平衡。改进后的权重表达式如下所示。
Figure BDA0003588945640000101
上式中w0为初始惯性权重的值，一般情况下w的值在0.1到0.9之间，w0一般取0.8；wmax是迭代至最大次数的时候的惯性权重值，通常取0.2；t为当前的迭代次数，tmax为最大的迭代次数。通过上式，随着迭代的进行，惯性权重的值会不断减小，有利于粒子在较优的区域进行局部寻优。
具体的，PSO算法训练PSO-RBF模型
本发明使用PSO算法对PSO-RBF模型进行训练，具体的过程如下所示：
(1)初始化相关参数：在确定完PSO-RBF网络模型以后，对RBF网络结构中的网络核函数中心，隐含层和输出层的连接权重值，核函数中心以及宽度值用POS进行训练。将上述参数进行组合构成粒子的位置参数。然后用随机方式对粒子数目、粒子位置以及速度值进行赋值。
(2)适应度：对当前迭代次数下的适应度进行计算，采用改进权重的方法更新惯性权重。
(3)更新粒子的速度和位置，并对计算后的粒子的适应度进行计算。
(4)根据适应度更新个体最优解和局部最优解。
(5)判断当前迭代次数是否达到了最有迭代次数，如果达到了最大迭代次数就将此时的全局最优解解码成RBF网络的隐含层向量，并对激活函数宽度以及隐含层和输出层的连接权值进行计算。反之，如果没有达到迭代次数，那么就继续进行迭代。
根据以上方法求解出的全局最优解即为所要得到的解，即为所要预测的线损值。根据以上的方法对电网的小样本数据的线损值进行更加高效准确的预测，为电网线损的治理和电网结构的优化提供参考，并有利于电网公司经济发展，减少了不必要的能源和经济损失。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，包括以下步骤：
获取配电网侧数据，基于所述配电网侧数据，利用灰色关联分析法，获得数据集；
建立RBF网络结构，基于所述RBF网络结构，建立PSO-RBF模型；
基于所述数据集，利用PSO算法，对所述PSO-RBF模型进行训练；
基于训练好的所述PSO-RBF模型，完成配电网线损的预测。
2.根据权利要求1所述的灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，获得数据集的方式为：
基于所述配电网侧数据，获得比较数据列；
基于分析的目标，获得参考数据列；
利用极值化法，分别对所述比较数据列和所述参考数据列进行预处理；
计算预处理后的所述比较数据列和预处理后的所述参考数据列的灰色关联度；
基于所述灰色关联度，获得数据集。
3.根据权利要求2所述的灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，获得比较数据列的方式为：
基于所述配电网侧数据和分析目标目的，获得分析指标体系；
基于所述分析指标体系，获得影响因素；
基于所述影响因素，获得比较数据列。
4.根据权利要求3所述的灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，所述比较数据列Qi的表达式为：
Qi＝(q1i，q2i，…，qmi)
其中，i＝1，2，...n；n为数据列的个数；m为指标的个数。
5.根据权利要求2所述的灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，预处理后的所述比较数据列和预处理后的所述参考数据列的灰色关联度的计算方式为：
Figure FDA0003588945630000021
其中，
Figure FDA0003588945630000022
Δi(j)＝|p′(h)-q′l(h)|，p′(h)为预处理后的参考数据列，
Figure FDA0003588945630000023
q′l(h)为采用极值化无量纲法处理后的比较数据列，max，min分别为电气指标或者线损的最大值和最小值，ρ为分辨系数，且ρ∈[0，1]，ρ的值与分辨率呈正相关。
6.根据权利要求1所述的灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，所述RBF网络结构包括：输入层、隐含层和输出层，其中，所述输入层和所述隐含层的连接权值为1。
7.根据权利要求6所述的灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，所述输出层的输出变量yi的计算方式为：
Figure FDA0003588945630000024
其中，i＝1，2，3，…，M，M代表输出的维数，
Figure FDA0003588945630000025
h＝1，2，3，…，Nh，Nh代表隐含层的节点数；kh代表第h层隐含层的输出；σh代表第h层隐含层的概率密度；||x-ch||2为欧几里得范数，表示输入变量和高斯核的距离。
8.根据权利要求6所述的灰色关联分析和PSO-RBF下的配电网线损预测方法，其特征在于，对所述PSO-RBF模型进行训练的方式为：
基于所述数据集，采用PSO算法，对所述PSO-RBF模型的参数进行训练；
基于改进权重的方法，对训练后的所述PSO-RBF模型的参数进行适应度计算；
基于适应度计算的结果，获得全局最优解，完成所述PSO-RBF模型的训练。
CN202210371661.XA 2022-04-11 2022-04-11 灰色关联分析和pso-rbf下的配电网线损预测方法 Pending CN114676824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210371661.XA CN114676824A (zh) 2022-04-11 2022-04-11 灰色关联分析和pso-rbf下的配电网线损预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210371661.XA CN114676824A (zh) 2022-04-11 2022-04-11 灰色关联分析和pso-rbf下的配电网线损预测方法

Publications (1)

Publication Number Publication Date
CN114676824A true CN114676824A (zh) 2022-06-28

Family

ID=82078102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210371661.XA Pending CN114676824A (zh) 2022-04-11 2022-04-11 灰色关联分析和pso-rbf下的配电网线损预测方法

Country Status (1)

Country Link
CN (1) CN114676824A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765700A (zh) * 2019-10-21 2020-02-07 国家电网公司华中分部 基于量子蚁群优化rbf网络的特高压输电线损预测方法
CN113449257A (zh) * 2021-05-26 2021-09-28 北京智芯微电子科技有限公司 配电网线损的预测方法、控制装置、及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110765700A (zh) * 2019-10-21 2020-02-07 国家电网公司华中分部 基于量子蚁群优化rbf网络的特高压输电线损预测方法
CN113449257A (zh) * 2021-05-26 2021-09-28 北京智芯微电子科技有限公司 配电网线损的预测方法、控制装置、及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜全坤 等: "改进PSO 优化RBF网络的配电网线损计算方法", 《信息技术》 *
张义涛: "基于灰色关联分析和改进神经网络的10kV配电网线损预测", 《中国优秀硕士学位论文全文数据库基础科学辑》 *

Similar Documents

Publication Publication Date Title
CN111738512B (zh) 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN107957946B (zh) 基于邻域嵌入保护算法支持向量机的软件缺陷预测方法
CN111091247A (zh) 基于深度神经网络模型融合的电力负荷预测方法、装置
CN108876044B (zh) 一种基于知识增强神经网络的线上内容流行度预测方法
CN113364751B (zh) 网络攻击预测方法、计算机可读存储介质及电子设备
CN117117859B (zh) 基于神经网络的光伏发电功率预测方法及系统
CN113361785A (zh) 配电网短期负荷预测方法、装置、终端及存储介质
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN116112563A (zh) 一种基于流行度预测的双策略自适应缓存替换方法
CN110851959A (zh) 一种融合深度学习和分位数回归的风速区间预测方法
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN117155806A (zh) 一种通信基站流量预测方法与装置
CN114676824A (zh) 灰色关联分析和pso-rbf下的配电网线损预测方法
CN115423091A (zh) 一种条件对抗神经网络训练方法、场景生成方法和系统
CN112529637B (zh) 基于情景感知的服务需求动态预测方法及系统
Gong et al. Short-term electricity price forecasting based on novel SVM using artificial fish swarm algorithm under deregulated power
CN115526376A (zh) 多特征融合的生成对抗网络超短期风功率预测方法
CN114444763A (zh) 基于afsa-gnn的风电功率预测方法
Zhang et al. A Weighted KNN Algorithm Based on Entropy Method
CN113297791B (zh) 一种基于改进dbn的风功率组合预测方法
CN116345495B (zh) 基于数据分析和建模的电厂机组调频优化方法
CN112231933B (zh) 一种面向雷达电磁干扰效应分析的特征选择方法
Zhou et al. An ultra-short-term wind power prediction method based on CNN-LSTM

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