合环电流评估技术对于配电网馈线合环转供电操作具有重要意义,为了提高主动配电网馈线合环电流计算的准确性,文中从融入源荷数据分布特性及预测的角度,提出基于双重K2算法和概率潮流(double K2 algorithm and probability load flow,DK2...合环电流评估技术对于配电网馈线合环转供电操作具有重要意义,为了提高主动配电网馈线合环电流计算的准确性,文中从融入源荷数据分布特性及预测的角度,提出基于双重K2算法和概率潮流(double K2 algorithm and probability load flow,DK2-PLF)的主动配电网馈线合环电流评估方法。首先,采用基于DK2算法的贝叶斯网络描述源荷相关性样本;其次,利用Cholesky分解方法处理获得的源荷相关性样本,以半不变量法计算主动配电网馈线合环电流的累积概率分布;然后,对主动配电网馈线合环电流从合环成功率和越限程度两方面进行安全性评估;最后,以贵州某城市为算例,对10 kV配电网系统开展馈线合环电流评估研究。得出以下结论:一是从概率密度、累积分布、最大误差三方面比较,相比于K2算法,DK2算法源荷预测值的概率密度、累积分布误差较小,验证了DK2算法的优越性;二是从累积分布、最大误差两方面比较,采用Cholesky分解的半不变量法对比未采用Cholesky分解的半不变量法、蒙特卡洛法,其累积分布误差较小,采用Cholesky分解的半不变量法满足主动配电网馈线合环电流评估要求;三是从合环成功率、合环越限程度两方面比较,采用半不变量法计算的合环电流安全性指标结果与仿真结果偏差在电网经验误差5%范围内,说明基于DK2-PLF的主动配电网馈线合环电流评估方法可为合环辅助决策提供参考。展开更多
贝叶斯网络由于其强大的不确定性推理能力和因果可表示性越来越受到研究者的关注。从数据中学习一个贝叶斯网络结构被称为NP-hard问题。其中,针对K2算法强依赖于变量拓扑序的问题,提出了一种组合变量邻居集和v-结构信息的K2改进学习方法...贝叶斯网络由于其强大的不确定性推理能力和因果可表示性越来越受到研究者的关注。从数据中学习一个贝叶斯网络结构被称为NP-hard问题。其中,针对K2算法强依赖于变量拓扑序的问题,提出了一种组合变量邻居集和v-结构信息的K2改进学习方法TSK2(Two-Step Search Strategy of K2)。该方法有效减小了序空间搜索规模,同时避免了过早陷入局部最优。具体而言,该方法在约束算法定向规则的启示下,借助识别的v-结构和邻居集信息可靠调整汇点的邻居在序中的位置;其次,在贝网基本组成结构的启发下,借助变量邻居集信息,通过执行顺连、分连、汇连3个基本结构的搜索,准确修正父节点与子节点的序位置,获得最优序列。实验结果表明,在Asia和Alarm网络数据集上,与对比方法相比,所提算法的准确率得到显著提升,可以获得更准确的网络结构。展开更多
贝叶斯网络结构学习是贝叶斯网络推理及应用的基础.搜索高质量的节点序是贝叶斯网络结构学习的一类重要方法.针对在节点序空间中,搜索高质量节点序存在的难以高效、准确评估解的问题,本文提出了一种近似图引导的演化贝叶斯网络结构学习...贝叶斯网络结构学习是贝叶斯网络推理及应用的基础.搜索高质量的节点序是贝叶斯网络结构学习的一类重要方法.针对在节点序空间中,搜索高质量节点序存在的难以高效、准确评估解的问题,本文提出了一种近似图引导的演化贝叶斯网络结构学习算法.首先,该算法利用互信息构建无向近似图;其次,该算法通过结合节点序和无向近似图构造有向图结构,将其贝叶斯信息准则评分作为节点序的适应度来高效评估节点序,并在演化优化的框架下,使用提出的基于Kendall Tau Distance的交叉算子和基于逆度的变异算子搜索最优节点序;最后,将搜索到的最优节点序输入K2算法得到其对应的贝叶斯网络结构.在4种不同规模网络上的实验结果表明,该算法在收敛时间和准确度之间取得了较好的平衡,其评分相较于对比算法中的次优解分别提升了10.91%、12.28%、53.96%、10.87%.展开更多
文摘合环电流评估技术对于配电网馈线合环转供电操作具有重要意义,为了提高主动配电网馈线合环电流计算的准确性,文中从融入源荷数据分布特性及预测的角度,提出基于双重K2算法和概率潮流(double K2 algorithm and probability load flow,DK2-PLF)的主动配电网馈线合环电流评估方法。首先,采用基于DK2算法的贝叶斯网络描述源荷相关性样本;其次,利用Cholesky分解方法处理获得的源荷相关性样本,以半不变量法计算主动配电网馈线合环电流的累积概率分布;然后,对主动配电网馈线合环电流从合环成功率和越限程度两方面进行安全性评估;最后,以贵州某城市为算例,对10 kV配电网系统开展馈线合环电流评估研究。得出以下结论:一是从概率密度、累积分布、最大误差三方面比较,相比于K2算法,DK2算法源荷预测值的概率密度、累积分布误差较小,验证了DK2算法的优越性;二是从累积分布、最大误差两方面比较,采用Cholesky分解的半不变量法对比未采用Cholesky分解的半不变量法、蒙特卡洛法,其累积分布误差较小,采用Cholesky分解的半不变量法满足主动配电网馈线合环电流评估要求;三是从合环成功率、合环越限程度两方面比较,采用半不变量法计算的合环电流安全性指标结果与仿真结果偏差在电网经验误差5%范围内,说明基于DK2-PLF的主动配电网馈线合环电流评估方法可为合环辅助决策提供参考。
文摘贝叶斯网络由于其强大的不确定性推理能力和因果可表示性越来越受到研究者的关注。从数据中学习一个贝叶斯网络结构被称为NP-hard问题。其中,针对K2算法强依赖于变量拓扑序的问题,提出了一种组合变量邻居集和v-结构信息的K2改进学习方法TSK2(Two-Step Search Strategy of K2)。该方法有效减小了序空间搜索规模,同时避免了过早陷入局部最优。具体而言,该方法在约束算法定向规则的启示下,借助识别的v-结构和邻居集信息可靠调整汇点的邻居在序中的位置;其次,在贝网基本组成结构的启发下,借助变量邻居集信息,通过执行顺连、分连、汇连3个基本结构的搜索,准确修正父节点与子节点的序位置,获得最优序列。实验结果表明,在Asia和Alarm网络数据集上,与对比方法相比,所提算法的准确率得到显著提升,可以获得更准确的网络结构。
文摘贝叶斯网络结构学习是贝叶斯网络推理及应用的基础.搜索高质量的节点序是贝叶斯网络结构学习的一类重要方法.针对在节点序空间中,搜索高质量节点序存在的难以高效、准确评估解的问题,本文提出了一种近似图引导的演化贝叶斯网络结构学习算法.首先,该算法利用互信息构建无向近似图;其次,该算法通过结合节点序和无向近似图构造有向图结构,将其贝叶斯信息准则评分作为节点序的适应度来高效评估节点序,并在演化优化的框架下,使用提出的基于Kendall Tau Distance的交叉算子和基于逆度的变异算子搜索最优节点序;最后,将搜索到的最优节点序输入K2算法得到其对应的贝叶斯网络结构.在4种不同规模网络上的实验结果表明,该算法在收敛时间和准确度之间取得了较好的平衡,其评分相较于对比算法中的次优解分别提升了10.91%、12.28%、53.96%、10.87%.