其他
【精彩论文】基于改进RBFNN的1 000 kV特高压线损预测
观点凝练
摘要：针对特高压输电线线损与特征参数间关系复杂的特点，提出一种联合聚类优化算法（Canopy -K- means）和自适应二次变异差分进化（adaptive second mutation differential evolution，ASMDE）算法改进的径向基神经网络（radial basis function neural network，RBFNN）模型，用于特高压输电线线损的预测。通过理论分析确定特高压输电线线损的特征参数，采用Canopy-K-means聚类算法进行聚类，以此确定径向基（radial basis function，RBF）神经网络的隐藏层节点，从而确保RBF神经网络具有较优的隐藏层中心。用特征参数和线损的样本数据训练ASMDE算法优化的RBF神经网络，拟合出线损与特征参数之间复杂的非线性关系。以华中地区某特高压输电线路的历史数据为例，仿真验证了所提方法的实用性和有效性。
结论：本文针对特高压输电线线损的特征，建立了一种用于特高压线损预测的RBF神经网络模型。针对已有的RBF神经网络模型存在的问题，本文对其聚类过程与训练过程进行了改进。聚类过程采用Canopy-K-means聚类算法，避免人为确定聚类数以及陷入局部最优，采用ASMDE算法优化RBF神经网络的训练过程，避免了训练过程中陷入局部最优。本文所提方法对特高压线损的预测具有更高的精度，是一种较为有效和实用的线损预测和分析的方法。
引文信息
杨建华, 肖达强, 张伟, 等. 基于改进RBFNN的1 000 kV特高压线损预测[J]. 中国电力, 2022, 55(5): 122-127, 142.YANG Jianhua, XIAO Daqiang, ZHANG Wei, et al. Prediction of 1 000 kV UHV line loss based on improved RBFNN[J]. Electric Power, 2022, 55(5): 122-127, 142.往期回顾
审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。