基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

• 作者: 于西西 张勇 方陈 杨秀 王知芳
• 来源期刊: 水电能源科学
• 学科: 工学
• 关键词: 电能质量稳态指标 核主成分分析 K-means聚类 神经网络 遗传算法
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 电气工程
• 页码范围: 189-193
• 页数: 5页
• 分类号: TM741
• 语种: 中文

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.