基于改进RBFNN的1000 kV特高压线损预测

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-Kmeans)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。