基于改进ELM神经网络的客户满意度评价模型

使用一种动态递归网络——ELM神经网络来模拟专家打分进行电力客户满意度测评。仿真结果表明,ELM神经网络具有训练速度快和结构简单的特点,能较准确地反映客户满意度。同时,针对ELM神经网络基于梯度下降算法调整权值和阈值,容易陷入局部最优的缺陷,提出了利用入侵杂草算法(IWO)优化ELM神经网络的连接权值系数。神经网络权值优化是一个大规模多峰优化问题,已有文献证明IWO算法对于解决高维度、多峰优化问题具有明显优势。新方法有效弥补了单一算法的不足,拥有ELM神经网络动态记忆的能力以及入侵杂草算法全局收敛性强的特点。实例计算证明,改进ELM神经网络可以建立精度更高的电力客户满意度评价模型,保证专家评价系统的一致性和稳定性,是一种行之有效的评价方法。     

供电服务品质与客户满意度外部评价之分析

本文以客户满意度指数(CSI)为核心,围绕形象、客户期望、客户对供电服务品质的感知、客户对价值的感知、客户满意度、客户抱怨和客户忠诚等,对客户满意度外部评价进行分析,详细介绍客户对供电服务品质的感知,并对提升供电服务品质作几点思考。     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

供电可靠性与客户满意度关系研究及应用实例

供电可靠性与客户满意度的研究开展是树立以服务意识为导向,有效优化供电投资的最佳手段之一.目前电网投资主要以优化可靠性为主,建立客户满意度和供电可靠性之间的关系,有助于制定差异化的可靠性投资策略.运用层次分析法给出了客户满意度的测评模型,运用分段三次Hermite插值法拟合各类型客户满意度与可靠性的关系曲线,并运用K-均值聚类分析法对散点图进行聚类分析,最终得到客户满意度与停电时间及次数的关系曲线.     

水轮机智能调速系统数学模型仿真及参数辨识

为建立与电网稳定计算有关的水轮机调速系统数学模型及模型参数测量辨识,提出一种基于自适应人工鱼群-神经网络技术并适用于水轮机调速系统控制的新技术,建立智能调速系统数学模型,使之符合实际调节及微机优化控制。分析了该模型组成部分的传递函数,提出采用自适应人工鱼群算法来弥补人工鱼群和神经网络算法的不足,阐述了自适应人工鱼群算法-神经网络优化器的算法。给出了自适应人工鱼群优化算法参数辨识算法设计和实现步骤。利用Matlab和自适应人工鱼群算法进行模型参数辨识,对一次调频和二次调节试验过程进行仿真并与实测对比。结果表明,仿真值与实测值相当接近,所研制的自适应人工鱼群-神经网络优化器,达到了优化PID调节器控制输出量的目标;所建立的调速系统数学模型真实地反映调速系统在机组并网工况下的调节特性,说明该方法原理正确,可用于优化控制。     

基于组合权重的电力客户满意度模糊综合评价

为了提高供电公司的客户满意度,从我国供电公司的实际情况出发,建立电力客户满意度测评指标。利用序关系法(G1法)和熵权法分别计算评价指标的主观权重和客观权重,同时对主客观权重进行加权组合,并对组合系数进行优化,有效避免了评价结果过于主观或过于客观的片面情况,真实有效的反映了指标所携带的信息;利用组合权重和模糊综合评价法,对电力客户满意度进行定量化的综合评价;基于某省电力客户满意度调查数据进行实例分析,证明了该测评方法是科学可行的。     

基于人工鱼群算法神经网络的电力系统短期负荷预测

人工鱼群算法是一种新型的寻优策略,文中将人工鱼群算法用于RBF神经网络的训练过程,建立了相应的优化模型.依据人工鱼群算法的神经网络,提出一种短期负荷预测的新方法,实践表明:该方法具有预测精度高、误差小的优点,是值得广泛推广的好方法.     

电力客户满意度动态测评模型

在全面研究电力客户满意度测评指标和基本方法的基础上,提出了电力客户满意度动态测评模型,并对供电企业客户满意度长期跟踪调查结果进行分析,定量描述了电力客户满意度的变化情况,分析了引起客户满意度变化的内在因素,为供电企业持续提升服务质量与服务水平提供决策依据。     

基于遗传改进蚁群聚类算法的电力客户价值评价

对电力客户价值进行评价是供电企业优化服务资源配置的重要步骤。分析了蚁群聚类算法,并针对蚁群聚类算法进行评价时参数组合设置盲目性、收敛速度慢、容易陷入局部收敛的缺点,提出了运用遗传算法改进蚁群聚类算法评价电力客户价值的新方法。该新方法利用遗传算法对蚁群聚类算法的参数进行优化,进而再对电力客户价值进行聚类评价。通过实例验证表明,该新方法聚类性能有较大的提升,能够提升收敛速度和避免陷入局部收敛,并且减少了聚类评价时的主观因素,其具有准确、高效、实用等优点。最后,运用该新方法对某市供电公司的10个工业客户进行了评价,总结了不同类别电力客户的特点,对供电企业如何优化服务资源提出了建议。     

电力客户满意度评价方式的分析与思考

正国网湖南省电力有限公司始终秉持"人民电业为人民"的理念,将构建和谐、共赢的供用电关系作为供电服务工作的重要任务,一直坚持探索不同的客户满意度调查方式,不断丰富、完善客户满意度评价体系,以期能够多维度、深层次挖掘造成客户不良感知的根源成因,系统性实现供电服务质量的提升。1传统满意度评价体系的弊端传统的满意度评价体系以客户回访结果作为唯一的评价依据。客户回访采取问卷调研、电话回访两种方式,     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

基于人工鱼群神经网络的抽油机故障诊断

BP神经网络应用于抽油机的故障诊断时易陷入局部极值,同时收敛速度也无法保证。在此前提下,提出人工鱼群神经网络算法的抽油机故障诊断新方法,充分利用人工鱼群在全局范围的快速寻优特性以克服BP神经网络收敛速度较慢和易陷入局部最优解的缺点,从而提高故障诊断的准确率和速度。以抽油机的管漏、供液不足、杆断脱、泵漏失、气影响五种故障类型为例,利用MATLAB分别搭建了传统BP神经网络和人工鱼群神经网络的模型,并对两种方法的诊断结果进行了比较。仿真结果充分说明了人工鱼群神经网络在抽油机故障诊断中的可行性、准确性和优越性。     

光伏串列信道噪声特性研究与建模

为实现对每块光伏组件的工作状态进行监测,可运用以光伏组件串列为介质的载波通信技术实现,因此有必要掌握光伏串列的信道噪声特性。以某光伏电站实测的光伏串列信道噪声为对象,提出了一种粒子群优化BP神经网络的光伏串列信道噪声建模方法。实验与仿真结果表明：粒子群优化BP神经网络模型的预测输出和测试原噪声在功率谱密度及时域波形上有着一致的变化趋势,证明了该模型的有效性。相比较于小波神经网络和遗传算法优化的BP神经网络,粒子群优化的BP神经网络的预测均方根误差更小、精度更高。     

组合式粒子群神经网络的96点负荷建模的应用

粒子群算法是一种新型寻优策略,具有收敛速度快、收敛精度高的优点。提出一种改进粒子群神经网络的负荷预测模型,通过改进粒子群算法优化BP神经网络的权值和阈值,改善神经网络的缺陷,将优化好的BP神经网络对某电力系统进行短期负荷预测。仿真结果表明,该算法收敛速度快,网络性能良好,并具有较强的自适应能力。     

基于粗糙集和AFSA-BP的水电机组故障诊断

将粗糙集和人工鱼群优化-神经网络算法引入水电机组故障诊断中,利用人工鱼群优化算法中聚类的特点改进粗糙集属性约简方法并对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用BP神经网络对粗糙集处理后的故障信息进行诊断。实验结果表明：该方法降低了神经网络的输入信息空间维数,简化了神经网络结构,有效提高了故障诊断的准确性。     

基于BP神经网络与改进粒子群的光伏MPPT算法

针对光伏阵列在环境突变情况下尤其是局部阴影下的多峰值现象,提出一种基于反向传播(BP)神经网络与改进粒子群的最大功率点跟踪(MPPT)算法。该算法利用BP神经网络近似定位最大功率点,并利用对粒子群算法中的惯性权重值进行非线性动态优化后的改进粒子群精确定位最大功率点。仿真结果表明,复合算法可以更好地跟踪最大功率点,有效避免前期易陷入局部极值的问题,提高了精度,减小了功率振荡。     

基于改进粒子群优化神经网络的电力变压器故障诊断

为了提高电力变压器故障诊断的准确性,采用了一种自适应变异粒子群优化神经网络的方法,用于BP网络的权值优化。并根据变压器的故障特征,用优化好的BP网络进行故障诊断。该算法修正了粒子个体行动,克服了标准粒子群和BP网络易陷入局部极小的问题。实例仿真结果表明,该方法具有较好的分类效果,具有一定的实用性。     

基于模糊粗糙集和GA-BP神经网络的L配电网故障选线方法

针对BP神经网络故障选线当输入数据量大时,其结构复杂、收敛慢,并且易陷入局部最优的缺点,将模糊粗糙集和遗传算法优化神经网络的方法引入配电网单相接地故障选线中.通过MatLab仿真试验,得出大量的各线路零序电流信号,并将多种提取的特征量进行信息融合.利用粗糙集理论对条件属性进行约简,去掉冗余条件属性,将约简后的属性作为输入层的BP神经网络,然后通过遗传算法优化BP神经网络进行训练和测试.测试结果表明,该方法具有训练速度快、误判率低的优点,能够满足电力系统对选线精度和准确性的要求.     

改进的BP神经网络PID控制器在温室环境控制中的研究

为了更好的实现对温室环境系统的智能控制,针对温室环境系统存在非线性、强耦合、大滞后、强时变等问题,在分析BP神经网络技术的基础上,提出并设计出一种基于遗传粒子群优化的BP神经网络PID控制器,该控制器结合遗传算法强全局搜索能力以及粒子群算法强局部搜索能力和收敛速度快的特点,对神经网络的权值进行优化,对温室环境系统起到了有效的控制。最后对常规和改进后的BP神经网络PID控制器进行仿真对比研究。仿真结果表明,经过改进后的BP神经网络PID控制有更好的稳定性和鲁棒性。