典型文献
基于改进RBFNN的1000kV特高压线损预测
文献摘要：
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.
文献关键词：
特高压;线损;径向基神经网络;Canopy-K-means算法
中图分类号：
作者姓名：
杨建华;肖达强;张伟;余明琼;易本顺
作者机构：
国家电网有限公司华中分部,湖北 武汉 430077;武汉大学 电子信息学院,湖北 武汉 430072
文献出处：
引用格式：
[1]杨建华;肖达强;张伟;余明琼;易本顺-.基于改进RBFNN的1000kV特高压线损预测)[J].中国电力,2022(05):122-127,142
A类：
ASMDE
B类：
RBFNN,1000kV,高压线,线损预测,数间,聚类优化,Canopy,means,差分进化,adaptive,second,mutation,differential,evolution,算法改进,径向基神经网络,radial,basis,function,neural,network,聚类算法,隐藏层节点,数据训练,算法优化,合出,出线,非线性关系,华中地区,特高压输电线路,历史数据,仿真验证
AB值：
0.261141
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
