前向神经网络的神经元分层逐个线性优化快速学习算法

本文提出了一种新的前向神经网络快速分层学习算法.在此学习算法中,其优化策略为对输出层和隐层神经元的连接权值交替优化.对输出层权值优化算法采用基于广义逆的最小二乘递推算法,对隐层神经元的连接权值采取则对每个神经元逐个进行优化,而且采用正交变换加快每一步学习的计算速度和提高算法的数值稳定性.当学习过程停滞时采用随机扰动的方法摆脱过早收敛.数值实验表明,与BP动量因子法、牛顿型方法和现有的分层优化算法相比,新算法不仅学习速度快学习时间短,而且当网络规模增大时仍然比较有效.     

基于信息熵的粗糙集连续属性离散化算法

该文提出了一种新的粗糙集连续属性离散化算法．首先对每一个候选断点定义了信息熵，以此作为对断点重要性的量度，在此基础上给出了断点选择的粗糙集连续属性离散化算法．最后采用多组数据对此算法的性能进行了检验，并与其它算法做了对比实验．实验结果表明此算法是有效的，而且当候选断点个数增多时仍有很高的计算效率．     

电网谐波对并联电容器组的影响

本文从电网谐波会引起并联电容器组的过负荷，电容器的附加损失和介质老化的角度简要地简述了电网谐波对并联电容器组的影响。     

谐波对感应式有功电能表计量的影响

在试验的基础上分析了谐波对感应式电能表计量特性的影响。通过一系列谐波环境下感应式电能表计量数据的最小二乘分析,将误差来源分为3个方面:通过频率响应试验数据的分析,当频率不变、电压和电流的有效值不变、仅电压和电流的相位差(对应功率因数)改变时,其功率幅值(对应电能表最大计量值)随着谐波次数的增大而迅速减少,相对于基波的百分比及电压和电流的相位改变保持相对稳定;另外,谐波改变了基波电能的计量。     

电力电容器对电网谐波电流的放大作用

本文从电力电容器接入电网后的等值电路出发，分析了电力电容器对电网谐波电流的放大机理，并推导出了一系列分析电网谐波电流放大作用的公式，给出了流入电网和电容器回路谐波电流的变化曲线图和谐波电流放大曲线。     

具有FACTS设备的多目标电网规划

提出了具有灵活交流输电 (FACTS)设备的多目标妥协规划模型 ,综合考虑了FACTS设备对电网规划的经济性和可靠性两方面的影响 ,并采用混合遗传—模拟退火算法求解了该模型。算例结果表明FACTS设备能够提高电网规划的经济性及经济性与可靠性的综合水平 ,并证明了多目标电网规划妥协模型及其解算方法的有效性     

基于二阶锥规划考虑主动管理的主动配电网故障恢复

故障恢复是未来智能配电系统实现自愈的关键环节,对满足用户供电需求和减少停电损失有重要作用。针对含分布式电源的主动配电网,提出了考虑主动管理措施的故障恢复方法。考虑分布式电源出力调节和电容器组无功补偿约束,首先,构建了主动配电网孤岛划分模型,利用深度优先搜索结合广度优先搜索的算法进行孤岛的划分。然后,建立了主动配电网故障重构模型,采用二阶锥松弛技术将其转化为混合整数二阶锥规划模型进行快速求解。最后,在改进的IEEE 33节点主动配电网算例上进行了仿真计算,算例结果验证了所述模型和方法的合理性和有效性。     

考虑相关性的间歇性分布式电源选址定容规划

节能减排背景下,以分布式风电和光伏为代表的间歇性分布式电源得到了快速发展。考虑风速、光照强度和负荷间的相关性,以年综合费最小为目标,利用机会约束规划方法建立了间歇性分布式电源选址定容规划模型。采用秩相关系数矩阵表征风速、光照强度和负荷间的相关性,利用拉丁超立方采样和Cholesky分解生成相关性样本矩阵。应用动态小生境差分进化算法对规划模型进行求解。IEEE 33节点配电网算例的仿真结果验证了模型的合理性。     

基于Nataf变换含相关性的扩展准蒙特卡洛随机潮流方法

随机潮流分析中,准蒙特卡洛方法在同样规模下不仅计算效率高于基于拉丁超立方的方法,且具有更好的扩展性质。因此提出一种基于Nataf变换的扩展准蒙特卡洛方法(NEQMC)并应用于概率潮流计算中。该方法利用Nataf变换重构输入变量的概率分布,而扩展技术可在随机潮流未收敛时保留已知的潮流计算结果,基于奇异值分解的相关系数控制技术不仅可保持扩展前后样本的相关性,且使得该方法也适用于相关系数矩阵非正定的情况。与基于Nataf变换的简单随机抽样、扩展拉丁超立方方法在IEEE 30和IEEE 118节点系统的比较分析证明了所提方法的高效性和准确性,仿真结果表明:相比于拉丁超立方和简单随机抽样,NEQMC的输出变量准确度更高,特别是标准差的准确度得到大幅改进,获得相同准确度的计算复杂度大大减小。