共查询到20条相似文献,搜索用时 218 毫秒
1.
为了有效掌握电力通信网的风险状况并指导运维工作,需要剖析电力通信网的风险影响因素并对其风险进行评估。通过系统分析电力通信网风险影响因素,建立了三级递阶层次结构的电力通信网风险评估指标体系。基于物元可拓理论及层次分析法构建了电力通信网风险定量评估模型。利用该模型对某电力通信网风险进行评估,通过评估得到了该通信网各评估指标及网络整体风险等级。评估结果对于全面标识电力通信网运行过程中的脆弱环节,指导运维工作的有效开展,促进电力通信网的差异化管理和科学决策具有积极指导意义。 相似文献
2.
3.
对电力通信网光纤保护通道风险评估进行了研究,针对电力通信网光纤保护通道风险评估的影响因素繁多,复杂性和重要程度不同,难以用精确数学模型描述的特点,提议利用主成分分析(PCA)-径向基(RBF)神经网络进行风险评估的方法。具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各个主成分的贡献率来确定径向基网络结构,从而提高了网络的训练速度和评估能力。最后对某省实际运行的光纤保护通道进行风险评估来验证该方法的优越性。 相似文献
4.
对电力通信网光纤保护通道风险评估进行了研究,针对电力通信网光纤保护通道风险评估的影响因素繁多,复杂性和重要程度不同,难以用精确数学模型描述的特点,提议利用主成分分析(PCA)-径向基(RBF)神经网络进行风险评估的方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各个主成分的贡献率来确定径向基网络结构,从而提高了网络的训练速度和评估能力.最后对某省实际运行的光纤保护通道进行风险评估来验证该方法的优越性. 相似文献
5.
6.
7.
本文在标准反向传播神经网络的基础上,提出一种结合主成分分析法和改进的误差反向传播神经网络的方法来对电网中长期的电力负荷进行预测。首先利用主成分分析法对电力负荷的影响因素进行特征提取,有效地降低数据样本的维度,消除数据的冗余和线性信息,保留主要成分作为模型的输入数据。然后在标准的神经网络的反向传播环节中引入动量项和陡度因子。两种方法的结合有效地解决了网络收敛速度慢和容易陷入局部最小值的问题。将此方法应用于济源市的中长期电力负荷预测,实验结果表明,基于主成分分析法与改进的反向传播神经网络相结合的方法比常用的标准的反向传播神经网络、基于多变量的时间序列网络及时间序列网络具有更高的计算效率和预测精度,证明提出的预测模型在电力负荷预测中是有效的。 相似文献
8.
9.
随着电网对通信网安全可靠运行要求的日益提高,如何控制检修作业引发的风险成为从业者研究的热门课题.文章分析了电力通信网的运行风险,引入概率风险评估的思想.应用优化的概率风险评估方法,对电力通信网检修方式下(即系统N-1状态下)的风险进行量化评估,确定风险等级,实现对高风险的检修项目实施风险控制,提升了电力通信网运行的可靠... 相似文献
10.
11.
提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法。首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度。在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-BP模型的预测功率误差。最后根据不确定天气因素建立分位数回归模型,实现对光伏输出功率的波动区间分析。该模型无需假设光伏预测功率误差分布,且计算方法简单,可提供在任意置信水平下,光伏预测功率的波动范围,为电力系统调度决策、运行风险评估提供更加丰富的信息。 相似文献
12.
重要输电通道风险评估和预测对状态检修和线路运维工作具有指导性意义,而采用传统长短时记忆(long and short-term memory,LSTM)网络对线路风险进行预测时,人为调参困难、预测精度较低,因此,提出了一种基于水波优化-因子分析-长短时记忆(water wave optimization - factor analysis - long and short-term memory,WWO-FA-LSTM)的重要输电通道风险准确评估与快速预测方法。首先,引入Levy分布、高斯–柯西变异算子和线性递减波高对WWO进行改进;其次,获取评估区多维致灾因子,并进行FA降维后作为网络输入,考虑孕灾环境敏感性和承灾体易损性计算出风险指数Rc作为网络输出;通过改进的WWO对LSTM进行不断优化,得到最优化LSTM模型;最后,采用最优化LSTM模型对重要输电通道进行风险预测。结果表明,该模型风险评估准确,模型预测较传统方法降低了误差,适用于输电通道风险评估与预测。 相似文献
13.
大规模风电并网电力系统经济调度中风电场出力的短期预测模型 总被引:7,自引:2,他引:5
考虑到大规模风电并网电力系统经济调度中,对风电场出力的短期预测在时间尺度和精度尺度方面的要求,以传统的反传播神经网络(back propagation artificial neural network,BP-ANN)作为预测手段的基础,建立了风电场短期出力预预测模型。考虑到历史的预测误差与未来预测误差间的映射关系,利用传统的BP-ANN预测技术对未来的预测误差进行预测。通过算例仿真发现,误差预测变化趋势能跟踪预预测的误差变化,基于此并考虑到经济调度对风电场出力预测精度的要求,建立了对风电场出力短期预预测进行修正的风电场出力短期预测模型,进一步的算例仿真表明了该模型的有效性。 相似文献
14.
针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明:灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。 相似文献
15.
16.
为降低数控机床热误差对数控钻攻中心的影响,提高工件的加工精度,解决不同工况下热误差预测精度不佳的问题。
在进给速度为 10 m/ min、环境温度 20°的工作条件下进行数控机床进给系统热误差测量实验,采用鹈鹕优化算法对神经网络进
行优化,确定 BP 神经网络的最优权值和阈值,建立进给系统热误差的 POA-BP 预测模型,并与传统 BP 神经网络和 GA-BP 神经
网络以及 SCN 随机配置网络进行实验对比分析。 结果表明,传统 BP 神经网络预测平均相对误差为 12. 23%,GA-BP 神经网络
平均相对误差为 11. 5%,SCN 预测模型预测平均相对误差为 12. 71%,POA-BP 预测模型预测平均相对误差为 9. 93%,精度有所
提升。 结论:提出的鹈鹕优化算法改进的神经网络在热误差预测中具有较强的有效性和精确性,可以提高进给运动精度,为热
误差补偿的实现提供理论指导。 相似文献
17.
针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。 相似文献
18.
19.