遗传算法改进的BP神经网络对汛期三门峡水库泥沙冲淤量的计算

本文针对BP神经网络收敛速度慢和易于陷入极小值的问题，采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法，提高了BP神经网络的计算精度和收敛速度。应用该模型和一般BP神经网络模型对汛期三门峡水库的泥沙冲淤量进行了计算和预测。数值结果对比发现，经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时，迭代次数比一般BP神经网络模型也大大减少。因此适用于求解如计算水库泥沙冲淤量等非线性问题。     

适用于快速暂态稳定计算的新型负荷模型和参数辨识方法

负荷模型在电力系统运行的仿真和评估方面起到重大作用。文中对常规前馈神经网络(BP网络)的学习规则、拓扑结构以及激活函数进行改进后，建立适应性BP(Adaptive Back-Propagation简称ABP)网络模型，并由此提出一种新型负荷模型。ABP能够克服常规BP网络的一些缺点，而且该模型因其非结构性且易收敛而优于传统的负荷模型，这样取得的负荷模型比传统的负荷模型更加精确。通过现场实测数据验证了此模型的有效性。同时，对这种方法在传统负荷模型参数辨识方面进行了研究。在对网络结构进行修改后，提出基于线性BP(Linear Back-Propagation，简称LBP)网络的参数辨识方法。LBP负荷模型可以接入到暂态程序中，从而大大减少计算时间。     

人工神经网络在电力系统短期负荷预测中的应用

为准确预测电力系统短期负荷，针对BP神经网络的固有缺陷，改进了基本BP算法，并采用遗传算法设计和优化神经网络结构参数，在此基础上建立了工作日负荷预报模型和假日负荷预报模型。负荷预测仿真表明，本文所提出的算法在预测精度和收敛速度方面均得到了改进。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

上网电价预测中运用修正神经元输出函数对BP模型动态修正的探索

阐述了人工神经网络模型的基本原理,研究分析了BP神经网络模型非线性特性差和对实际情况反应"迟钝"等缺陷,提出了通过修正神经元输出函数对BP神经网络模型进行动态修正的优化方案,从而提高了BP神经网络模型的收敛速度。在此基础上,将修正后的BP神经网络模型引入到上网电价的预测中。模拟运行结果表明,修正后的BP神经网络模型可以更好地适应发电厂报价的复杂环境。     

上网电价预测中运用修正神经元输出函数对BP模型动态修正的探索

阐述了人工神经网络模型的基本原理,研究分析了BP神经网络模型非线性特性差和对实际情况反应"迟钝"等缺陷,提出了通过修正神经元输出函数对BP神经网络模型进行动态修正的优化方案,从而提高了BP神经网络模型的收敛速度.在此基础上,将修正后的BP神经网络模型引入到上网电价的预测中.模拟运行结果表明,修正后的BP神经网络模型可以更好地适应发电厂报价的复杂环境.     

双重BP神经网络组合模型在实时数据预测中的应用

在回归和延时神经网络的基础上，利用非线性组合预测方法的优点，提出一种新的预测模型--双重BP神经网络组合模型模型，选用某660MW机组的主蒸汽流量数据进行学习训练，实例计算结果表明双重BP神经网络组合模型可提高单项预测模型的精度，校核样本的平均相对误差为1.5%，而单独采用回归神经网络和延时神经网络进行预测的平均相对误差分别为2.7%和1.9%，证明双重BP神经网络组合模型具有很高的预测精度，可应用于火电厂实时数据的有效性验证。     

反向传播算法运用于电力系统神经网络的分析研究

着重研究了神经网络模型中的反向传播算法即BP算法，并对电力系统中两个 一次结线特殊的厂站的检修批答神经网络建立了BP模型，分析了BP算法中 初始权值、学习因子、冲量因子、隐含层数和隐含层节点数对该神经网络学习 过程的影响，实验结果证明，适当地选择初始权值、学习因子、隐含层节点数 等可以大大提高神经网络的学习速度,减少迭代时间，满足电力系统神经网络在线 学习的要求。     

基于网络动态重构的配电系统优化调度方法研究

为解决配电系统中网络资源利用率低、网络损耗大的问题，设计了一套配电系统对配电网进行动态重构，构建出改进型混沌进化算法模型以优化网络配置。改进型混沌进化算法模型融合反向传播(back propagation, BP)神经网络算法模型，通过混沌进化算法模型对重构后的配电系统进行优化，通过BP神经网络算法模型提高优化的精度，结果提高了配电系统优化调度能力。试验结果表明，提高了优化能力和网络资源利用率，降低了网络能耗。     

基于神经网络的水轮发电机组的建模分析

水轮发电机组是一个具有非线性的复杂受控对象。本文分别采用BP和RBF神经网络模型对水轮发电机组进行动态建模，经MATIAB仿真实验，结果表明用神经网络可方便的建立非线性系统的模型。通过分析比较两种网络动态建模方法，可知采用RBF网络进行建模相对采用BP网络具有明显的优点，RBF所用的学习时间和所用到的神经元个数大大减少，在某种程度上克服了BP网络的训练时间长、训练不完全和容易到达局部极小的缺陷。