基于果蝇优化灰色神经网络的年电力负荷预测

年电力负荷预测的准确性对电力系统的经济效益和社会效益具有重要作用。灰色神经网络(GNN)是一种创新的智能计算方法,在实际中广泛应用。尤其在预测问题方面具有极大的潜力。作为一种新型的启发式和进化算法,果蝇优化算法(FOA)具有易理解和快速收敛到全局最优解的优点。为提高预测性能,提出一种以GNN为基础的年电力负荷预测模型,使用FOA自动确定GNN模型的相应参数值,提高模型的稳定性和预测精度。通过利用中国的年用电量为实例,计算结果表明,GNN结合FOA(GNN-FOA)优于GNN,广义回归神经网络(GRNN),最小二乘支持向量机(LSSVM)和回归模型等其他替代方法。     

低压配电网三相不平衡节能算法研究

配电网三相负荷不平衡对供电电网以及变压器等电器都会造成不利的影响,致使低压电网的可靠性和稳定性差,线损增高。结合工程实例,利用遗传算法在Matlab环境下求解出一个最优的负荷分配方案,从而使三相不平衡电路尽量接近三相平衡状态,减小零序电流,减少配网损耗,使系统能够在更加经济的状态下运行,达到节能效果。