基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

论文摘要

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析（KPCA）和遗传算法（GA）优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。

论文目录

• 1 引言
• 2 基于改进KPCA和GA-BP的预测模型
•   2.1 改进KPCA算法描述
•     2.1.1 改进的K-means聚类
•     2.1.2 KPCA特征提取
•   2.2 GA-BP神经网络
•   2.3 基于改进KPCA和GA-BP的预测模型
• 3 算例分析
•   3.1 选取影响因素
•   3.2 改进的KPCA特征提取
•   3.3 GA-BP神经网络预测
• 4 结论

文章来源

类型: 期刊论文

作者: 于西西,杨秀,王知芳,张勇,方陈

关键词: 电能质量稳态指标,核主成分分析,聚类,神经网络,遗传算法

来源: 水电能源科学 2019年05期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业,自动化技术

单位: 上海电力学院电气工程学院,国家电网上海电力公司

基金: 国家电网公司科技项目(52090016002M),上海市科委地方能力建设计划(16020500900)

分类号: TP18;TM711

页码: 189-193

总页数: 5

文件大小: 2240K

下载量: 221