基于QPSO-WNN和模糊理论的电力系统短期负荷预测方法

电力系统的短期负荷预测是电力系统管理的一项重要方法,准确的负荷预测可以保证用户得到安全、经济的供电.针对负荷预测方法的多样性,在小波神经网络用于负荷预测的基础上,提出基于量子粒子群优化算法( QPSO)优化神经网络权值,并运用模糊理论进行修正.某电网负荷的拟合数据表明QPSO优化算法训练的神经网络不仅收敛速度明显加快,...     

变参数QPSO算法优化神经网络的短期电力负荷预测

为了提高电力负荷预测精度,提出了一种变参数量子粒子群(VPQPSO)算法优化RBF神经网络的短期负荷预测模型(VPQPSO-RBFNN)。首先利用电力负荷的混沌性,对短期负荷时间序列进行相空间重构;然后采用变参数QPSO算法优化RBF神经网络参数对重构后的短期负荷时间序列进行学习,建立短期电力负荷最优预测模型;最后采用对某地区短期电力负荷进行预测。VPQPSO-RBFNN可以准确描述复杂多变的电力负荷变化趋势,提高了电力负荷的预测精度,仿真结果验证了VPQPSO-RBFNN可以用于电力系统负荷预测。     

基于联想神经网络算法的电力系统负荷预测

基于神经网络可以模仿人脑进行智能化信息处理,对大量非结构性、非确定性规律具有自适应功能,将人工神经网络的预测原理应用于电力系统负荷预测中。分析了负荷预测的基本概念,以及基于神经网络的预测原理中正向和逆向建模的基本结构,研究了联想神经网络优化算法。设计了电力系统负荷预测模型,并对系统进行仿真测试,试验结果表明,基于联想神经网络优化算法的电力系统负荷预测具有提高预测精度的效果。     

基于MRA+LMBP模型对电力系统短期负荷预测的研究

电力系统负荷预测是实现电力系统安全、经济运行的基础,有着重要的意义。以某地区购网有功功率的负荷数据为背景,给出了小波神经网络——MRA(小波多分辨率分析) LMBP(L-M优化算法的BP模型)组合负荷预测模型对电力系统短期负荷进行预测。仿真结果证明组合模型比单纯使用神经网络负荷预测模型提高了预测精度,尤其是在一定程度上提高了每日峰值负荷的预测精度,具有良好的应用前景。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于量子免疫优化算法的BP神经网络短期负荷预测方法研究

电能作为常见的能源类型,易与其他类型的能源进行转换,被广泛用于日常生活以及社会发展等方面。随着电力系统的不断发展,用户的不断突破,短期内的负荷用电预测成为国家电网稳定运行不可或缺的一部分。本文提出一种基于量子免疫优化算法改进的BP神经网络算法短期负荷预测方法,旨在提高BP神经网络算法存在的收敛速度慢、初始值敏感等问题,经某电力公司提供数据,对电力短期负荷进行预测,结果证明了本文提出方法的有效性与快速性。     

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN（广义回归网络）的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。     

基于QPSO-ANN的发酵过程建模与优化

针对BP神经网络训练时间长、易陷入局部极小点问题,将量子微粒群算法QPSO与BP算法结合起来分两次训练神经网络,建立青霉素浓度预估模型。用青霉素发酵数据集对模型进行训练与检验。基于该模型,用QPSO算法对温度与pH控制轨线进行优化。实验表明,该发酵过程模型训练误差小、学习速度快、泛化能力强、预测精度高、可以实现多步预估。采用优化后的温度、pH控制轨线,青霉素浓度有所提高。     

基于神经网络的电力系统负荷预报

电力系统实现经济运行的前提必须是迎合电力负荷的需要、这对电力系统的安全稳定运行有重要意义。BP神经网络是一种具有强大的非线性映射能力的人工神经网络,在解决复杂的非线性问题中普遍得到应用。比如将BP神经网络应用于电力系统负荷预算将有效提高电力公司的发电效率,但BP神经网络极易陷入局部极小值以及收敛速度慢等问题。因此对BP神经网络改进算法进行研究,得出了用于电力符合预算的模型训练速度及预测误差,结果表明,改进的算法对负荷预测是行之有效的。     

基于改进RBF神经网络的电力负荷预测

为了提高电力系统负荷预测的精度与速度的需求,提出使用交替梯度算法改进径向基函数(RBF)神经网络,对天津市电网进行负荷预测。改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度。仿真结果表明该算法具有可行性。     

多传感器多目标联合概率数据关联研究

联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器密集多目标跟踪,则计算量剧增,数据关联成功率下降。因此,改进联合概率数据关联(AJPDA)算法对多传感器多目标量测进行同源划分及单一传感器测量数据转换,然后采用JPDA算法求解空间目标轨迹交叉时的数据关联。仿真结果表明,AJPDA算法提高了成功关联概率,降低了求解数据关联概率的难度,可以解决密集目标的正确跟踪问题。     

基于QPSO算法的信道分配方法

由于传统的信道分配方法存在频率利用率低下和处理速度慢的缺点,为此,提出基于量子计算的PSO算法（QPSO）来快速实现信道最优化分配方法。这种优化方法利用了量子计算的并行计算能力强、全局收敛、运算速度极快等特点,主要包括初始化代表每个信道的粒子的速度和位置,根据信道分配的教学模型计算保证信道各种约束条件的适应度函数,根据量子粒子群的规律进行粒子位置更新,直至找到最佳信道分配方案等步骤。仿真结果表明其方法是行之有效的,优化效果优于基于遗传算法和PSO算法的信道分配方法。     

基于GPU的后向投影SAR成像算法

后向投影(BP)是一种精确的时域合成孔径雷达(SAR)成像算法,但是其巨大的运算量很难满足实时成像的要求,图形处理器(GPU)具有强大的浮点运算和高度的并行处理能力,为BP算法的实时成像提供了一个很好的平台。提出基于GPU的并行化BP算法,利用了四种优化方法对并行化BP算法进行加速,并且针对共享存储器的bank冲突问题提出了相应的解决方法,减少了共享存储器访问时间。最后给出仿真数据的成像结果,结果表明,与传统的基于CPU单线程的BP算法相比,成像速度可达到70倍以上的提升。     

一种改进的EKPF算法在固定单站无源定位中的应用

本文针对EKPF算法在固定单站无源定位目标跟踪的应用中运算量大、实时性差的问题,通过对部分粒子进行EKF采样,将EKPF算法进行改进,改进的EKPF算法不仅有效降低了运算量,同时增加了粒子的多样性,使粒子集更能体现概率密度函数的真实分布。Matlab仿真表明,与传统的EKPF算法相比,改进算法在保证滤波性能基本不变的前提下,算法运算量大幅下降。     

分布式OFDMA系统下行资源分配算法

针对正交频分复用（OFDM）分布式天线系统（DAS）的下行链路,在发送端采用最大比发送（MRT）并且单天线功率受限、所有发射天线的总功率受限,考虑用户最低速率要求时,丈中提出一种最大化和速率容量的次优资源分配策略。仿真结果表明,动态天线选择策略下DAS比集中式天线系统（CAS）获得更大的和速率容量,并且更容易达到最低速率的要求。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

基于VMPSO-RBF神经网络的话务量预测

为了更快速、准确地预测话务量,提出了速度变异的粒子群算法（VMPSO）,并与RBF算法相结合,形成速度变异的粒子群—RBF（VMPSO-RBF）神经网络算法,并且来训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与RBF神经网络方法和PSO-RBF神经网络方法相比较,该文提出的方法预测精度更高,收敛速...     

小波神经网络用于双模噪声的消噪

小波神经网络利用了小波变换的良好的时域和频域的分析能力以及神经网络的自学习能力,具有良好的容错能力和逼近能力。针对双模斯噪声,提出基于小波神经网络的双模噪声背景下信号的消噪算法,介绍了双模噪声的3种简化模型,阐述了小波神经网络的基本概念以及基于此方法的消噪算法。将小波神经网络用于此3种双模噪声背景下信号的消噪。实验结果表明,该方法能有效地消除已知信号中的双模噪声。     

基于SIFT和Affinity Propagation的遥感图像配准算法

随着传感器和光学影像测量等各种技术的快速发展,航空遥感技术已经在电力巡检、森林防火、地理测绘等领域中发挥着越来越重要的作用,而图像配准作为遥感图像的预处理步骤为图像融合等后续处理提供了参考和依据,目前已经成为遥感图像处理领域的研究热点。文中提出了一种基于尺度不变特征变换（Scale-invariant Feature Transform,SIFT）和仿射传播聚类（Affinity Propagation,AP）的图像配准算法。该算法与原有算法相比优势在于无需预先设定参数,并且实验仿真表明该算法能有效地对多源图像进行高精度的配准,与随机抽样一致算法（Random Sample Consensus,RANSAC）相比提高了正确匹配点的数目。     

一种基于多普勒频率变化率单站无源定位的改进跟踪滤波算法

IMM-PF算法巨大的计算量影响跟踪的实时性,IMM-UKF由于线性化误差使得精度不高.针对这些问题,本文在基于多普勒频率变化率的单站无源定位问题的基础上提出了一种改进的交互式多模型滤波算法（IMMEK-UKFPF）,利用不同的模型匹配不同类型的滤波器,充分发挥了卡尔曼滤波和无迹卡尔曼滤波以及粒子滤波各自的优点.仿真结果表明该算法减少了跟踪定位所用时间,提高了计算效率,同时具有良好的跟踪性能和较强的鲁棒性.