【《配电网可靠性预测实例分析》3500字】

配电网可靠性预测实例分析目录TOC\o"1-3"\h\u31065配电网可靠性预测实例分析 1249581.1可靠性主要影响因素的选取 133341.2预测模型参数的确定 272881.3可靠性预测结果与分析 41.1可靠性主要影响因素的选取根据第三章可知，预测模型的输入由选取的配电网可靠性影响因素的数量决定，将不同熵权关联度阈值下的影响因素作为模型的输入，可得到影响因素中的主要影响因素。不同设定阈值下ISSA-LSSVM预测模型的测试集均方根误差如表5-1和表5-2所示。表5-1某市城区配电网可靠性数据不同设定阈值下的预测模型均方根误差Table5-1Rootmeansquareerrorofpredictionmodelunderdifferentsetthresholdsforreliabilitydataofurbandistributionnetworkinacity关联度阈值0.30.40.50.60.7均方根误差0.000460.000520.000640.000230.00124表5-2湖北省配电网可靠性数据不同设定阈值下的预测模型均方根误差Table5-2RootmeansquareerrorofpredictionmodelunderdifferentsetthresholdsofdistributionnetworkreliabilitydatainHubeiProvince关联度阈值0.10.20.30.40.5均方根误差0.000580.000260.000520.004920.02539由表5-1可知，当选择熵权关联度大于0.6的影响因素作为模型的输入时，预测结果的均方根误差为最小，因此剔除附表1中熵权关联度低于0.6的影响因素，将其他5个影响因素作为某市城区配电网的主要影响因素。由表5-2可知，当选择熵权关联度大于0.2的影响因素作为模型的输入时，预测结果的均方根误差为最小，因此剔除附表2中熵权关联度低于0.2的影响因素，将其他26个影响因素作为湖北省配电网的主要影响因素。以下做对比实验时，对于某市城区配电网可靠性数据，选择熵权关联度大于0.6的主要影响因素作为预测模型的输入，并将主要影响因素数据和供电可靠率数据记为数据集一；对于湖北省配电网可靠性数据，选择熵权关联度大于0.2的主要影响因素作为预测模型的输入，并将主要影响因素数据和供电可靠率数据记为数据集二。1.2预测模型参数的确定为了验证ISSA-LSSVM模型的预测精度，选取了BP神经网络、LSSVM、GA-LSSVM、PSO-LSSVM和SSA-LSSVM模型，在数据集一和数据集二上比较各模型的精度，其中模型的输入为供电可靠率的主要影响因素，模型的输出为供电可靠率X0。BP神经网络模型的隐层神经元为4，选择Tansig函数和logsig函数作为隐藏层和输出层的传输函数，学习速率为0.1，迭代次数为100。各优化算法的参数设置与ISSA性能测试时相同，其中维度d=2，K=100，模型参数C和的搜索范围在[0.01,1000]之间。对于传统LSSVM模型的参数C和分别取值200和20。图5-1为ISSA和SSA优化LSSVM模型在数据集一上的适应度曲线；图5-2为ISSA和SSA优化LSSVM模型在数据集二上的适应度曲线。由图5-1和图5-2的收敛曲线可以看出，相比SSA-LSSVM模型，改进后的ISSA-LSSVM模型的收敛速度更快，效果更好。各优化算法优化LSSVM得到的模型参数见表5-3。图5-1数据集一上SSA-LSSVM和ISSA-LSSVM模型适应度曲线Fig.5-1FitnesscurveofSSA-LSSVMandISSA-LSSVMmodelsondatasetone图5-2数据集二上SSA-LSSVM和ISSA-LSSVM模型适应度曲线Fig.5-2FitnesscurveofSSA-LSSVMandISSA-LSSVMmodelsondatasettwo表5-3LSSVM参数优化结果Tab.5-3LSSVMparameteroptimizationresults优化算法数据集一数据集二参数C参数参数C参数GA590.3619.36361.9421.28PSO600.2018.70341.1421.09SSA550.1519.49416.8422.30ISSA611.2122.36423.9022.361.3可靠性预测结果与分析对于某市城区配电网案例，本章将BP神经网络预测模型、LSSVM预测模型、GA-LSSVM预测模型、PSO-LSSVM预测模型、SSA-LSSVM预测模型和ISSA-LSSVM预测模型在数据集一上的训练数据和测试数据的预测结果与实际值作了对比分析，具体结果见表5-4到5-9所示，将在数据集一中的测试样本的预测结果以及真实值作柱状图如图5-3所示，6种模型针对数据集一的测试样本的3种误差如表5-15所示。由表5-4可以看出，BP神经网络模型对2016年和2017年供电可靠率的预测值分别为99.96934和99.96815，与真实值之间的绝对误差分别为0.00396和0.01015。表5-4BP神经网络模型在数据集一上的预测结果Table5-4PredictionresultsofBPneuralnetworkmodelondatasetone年份预测值绝对误差年份预测值绝对误差201099.945220.00512201499.966950.00265201199.945850.00255201599.967350.00185201299.956580.00148201699.969340.00396201399.962620.00222201799.968150.01015由表5-5可以看出，LSSVM模型对2016年和2017年供电可靠率的预测值分别为99.96993和99.97517，与真实值之间的绝对误差分别为0.00337和0.00313。由于LSSVM预测模型的参数是未经优化的定值，存在一定的随机性，因此LSSVM预测模型的预测值误差较大，但相比BP神经网络模型，误差有所减少。表5-5LSSVM模型在数据集一上的预测结果Table5-5PredictionresultsoftheLSSVMmodelondatasetone年份预测值绝对误差年份预测值绝对误差201099.944420.00432201499.966280.00198201199.949100.00070201599.967410.00179201299.953690.00141201699.969930.00337201399.958590.00181201799.975170.00313由表5-6可以看出，GA-LSSVM模型对2016年和2017年供电可靠率的预测值分别为99.97298和99.97761，与真实值之间的绝对误差分别为0.00032和0.00069。相比未经优化的LSSVM模型的预测结果，GA-LSSVM模型的预测误差有所减少。表5-6GA-LSSVM模型在数据集一上的预测结果Table5-6PredictionresultsoftheGA-LSSVMmodelondatasetone年份预测值绝对误差年份预测值绝对误差201099.942800.00270201499.965200.00090201199.948960.00056201599.967600.00160201299.953710.00139201699.972980.00032201399.959200.00120201799.977610.00069由表5-7可以看出，PSO-LSSVM模型对2016年和2017年供电可靠率的预测值分别为99.97357和99.97939，与真实值之间的绝对误差分别为0.00027和0.00109。相比未经优化的LSSVM模型误差也是进一步减少。表5-7PSO-LSSVM模型在数据集一上的预测结果Table5-7PredictionresultsofthePSO-LSSVMmodelondatasetone年份预测值绝对误差年份预测值绝对误差201099.942630.00253201499.965940.00164201199.948070.00033201599.967650.00155201299.953720.00138201699.973570.00027201399.959070.00133201799.979390.00109由表5-8可以看出，SSA-LSSVM模型对2016年和2017年供电可靠率的预测值分别为99.97308和99.97760，与真实值之间的绝对误差分别为0.00022和0.00070。相比以上的BP神经网络模型、LSSVM模型、GA-LSSVM和PSO-LSSVM模型，预测误差均为最小，可见SSA-LSSVM模型的预测性能明显优于BP神经网络、LSSVM、GA-LSSVM和PSO-LSSVM模型。表5-8SSA-LSSVM模型在数据集一上的预测结果Table5-8PredictionresultsoftheSSA-LSSVMmodelondatasettwo年份预测值绝对误差年份预测值绝对误差201099.941990.00189201499.963380.00092201199.948100.00030201599.967790.00141201299.954140.00096201699.973080.00022201399.961690.00129201799.977600.00070由表5-9可以看出，ISSA-LSSVM模型对2016年和2017年供电可靠率的预测值分别为99.97311和99.97807，与真实值之间的绝对误差分别为0.00019和0.00023。相比BP神经网络模型、LSSVM模型、GA-LSSVM模型、PSO-LSSVM模型和SSA-LSSVM模型，ISSA-LSSVM模型的预测值最接近于真实值，可见ISSA-LSSVM模型在配电网可靠性预测中取得了相当不错的成果。表5-9ISSA-LSSVM模型在数据集一上的预测结果Table5-9PredictionresultsoftheISSA-LSSVMmodelondatasetone年份预测值绝对误差年份预测值绝对误差201099.939470.00063201499.964950.00065201199.948320.00008201599.968280.00092201299.954580.00052201699.973110.00019201399.959390.00101201799.978070.00023图5-3各模型在数据集一上的测试数据预测结果柱状图Fig.5-3Histogramofthetestdatapredictionresultsofeachmodelondatasetone对于湖北省配电网案例，本章同样也将BP神经网络预测模型、LSSVM预测模型、GA-LSSVM预测模型、PSO-LSSVM预测模型、SSA-LSSVM预测模型和ISSA-LSSVM预测模型在数据集二上的训练数据和测试数据的预测结果与实际值作了对比分析，具体结果见表5-10到5-15所示，将在数据集二中的测试样本的预测结果以及真实值作柱状图如图5-4所示，6种模型针对数据集二的测试样本的3种误差如表5-16所示。由表5-10到5-15的测试数据的预测结果可知，BP神经网络模型的预测结果99.95065和99.92718，与真实值之间的绝对误差为0.00435和0.01082。LSSVM模型的预测结果分别为99.95621和99.94032，与真实值之间的绝对误差分别为0.00556和0.00232。GA-LSSVM模型的预测结果分别为99.95526和99.93677，与真实值之间的绝对误差分别为0.00026和0.00123。PSO-LSSVM模型的预测结果分别为99.95576和99.93759，与真实值之间的绝对误差分别为0.00076和0.00041。SSA-LSSVM模型的预测结果分别为99.95475和99.93844，与真实值之间的绝对误差分别为0.00025和0.00044。ISSA-LSSVM模型的预测结果分别为99.95523和99.93773，与真实值之间的绝对误差分别为0.00023和0.00027。由以上各模型测试数据的误差可知，所提ISSA-LSSVM模型的预测值最接近于真实值，说明ISSA-LSSVM模型在数据集二中也取得了相当不错的成果。表5-10BP神经网络模型在数据集二上的预测结果Table5-10PredictionresultsofBPneuralnetworkmodelondatasettwo年份预测值绝对误差年份预测值绝对误差200699.829420.00642201199.923140.00386200799.933830.00817201299.928750.00925200899.873440.01044201399.941980.00502200999.844050.01295201499.950650.00435201099.909040.00896201599.927180.01082表5-11LSSVM模型在数据集二上的预测结果Table5-11PredictionresultsoftheLSSVMmodelondatasettwo年份预测值绝对误差年份预测值绝对误差200699.826970.00397201199.929540.00254200799.847130.00513201299.933300.00470200899.869340.00634201399.950930.00393200999.888560.00844201499.956210.00556201099.912670.00533201599.940320.00232表5-12GA-LSSVM模型在数据集二上的预测结果Table5-12PredictionresultsoftheGA-LSSVMmodelondatasettwo年份预测值绝对误差年份预测值绝对误差200699.821820.00118201199.928580.00158200799.844950.00295201299.936510.00149200899.864220.00122201399.948780.00178200999.894870.00213201499.955260.00026201099.914850.00315201599.936770.00123表5-13PSO-LSSVM模型在数据集二上的预测结果Table5-13PredictionresultsofthePSO-LSSVMmodelondatasettwo年份预测值绝对误差年份预测值绝对误差200699.823860.00086201199.928560.00156200799.843120.00112201299.937080.00092200899.864300.00130201399.949830.00283200999.894680.00232201499.955760.00076201099.916750.00125201599.937590.00041表5-14SSA-LSSVM模型在数据集二上的预测结果Table5-14PredictionresultsoftheSSA-LSSVMmodelondatasettwo年份预测值绝对误差年份预测值绝对误差200699.823770.00077201199.928570.00157200799.842550.00055201299.937140.00088200899.864250.00125201399.948230.00123200999.895780.00122201499.954750.00025201099.917020.00098201599.938440.00044表5-15ISSA-LSSVM模型在数据集二上的预测结果Table5-15PredictionresultsoftheISSA-LSSVMmodelondatasettwo年份预测值绝对误差年份预测值绝对误差200699.823280.00028201199.928580.00158200799.842300.00030201299.937410.00059200899.863650.00065201399.947440.00044200999.895790.00121201499.955230.00023201099.917140.00086201599.937730.00027图5-4各模型在数据集二上的测试数据预测结果柱状图Fig.5-4Histogramofthetestdatapredictionresultsofeachmodelondatasettwo表5-16测试数据的误差对比Tab.5-16E