基于免疫聚类径向基函数网络模型的短期负荷预测

提出了一种免疫聚类径向基函数神经网络（ICRBFNN）模型来预测电力系统短期负荷。在ICRBFNN的设计中，根据共生进化和免疫规划原理，提出了共生进化免疫规划聚类算法，该算法可以自动确定RBF网络隐层中心的数量和位置，并采用递推最小二乘法确定网络输出层的权值。对华东某市进行的电力系统短期负荷预测表明，与传统的径向基函数神经网络（RBFNN）预测方法相比，ICRBFNN方法具有更高的预测精度和更短的训练时间。     

径向基函数神经网络在电力变压器故障诊断中的应用

基于油中溶解气体分析法,采用径向基函数（radicalbasisfunction,RBF）神经网络模型对电力变压器进行故障诊断。为了提高诊断模型的辨识精度,分两步对RBF神经网络的模型参数进行辨识：首先采用减聚类算法确定RBF神经网络隐含层基函数的中心点,然后采用量子粒子群优化（quantum-behavedparticleswarmopti-mization,QPs0）算法求解基函数的宽度以及隐含层与输出层的连接权重。仿真实验结果表明,该方法的故障诊断正确率较高,达90．67％。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断。经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断.经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高.     

基于改进小波分析小电流接地选线方法

针对小波分析在对故障线路与非故障线路暂态量差别不大而产生误判的缺陷,提出基于径向基函数RBF（Radia basis function）神经网络。通过免疫机制改善RBF网络隐含层的聚类形态,对不同故障类型的故障线路与非故障线路的暂态零序电流小波模极大值进行聚类。而RBF网络的训练由遗传算法去执行从而得到最优连接权值。将训练后的RBF网络用于的小电流接地故障选线,仿真结果表明,利用该算法选线具有较高的精确度     

一种基于径向基神经网络的短期风电功率直接预测方法

提出了一种基于RBF神经网络的未来24 h风电功率直接预测方法。为克服传统聚类算法局部寻优的缺陷,基于模糊C-均值聚类算法,提出了一种将遗传算法、模拟退火算法和模式识别技术相结合的模糊聚类算法。基于某风电场的实测数据,采用所提出的模糊聚类算法和几种常用方法分别确定径向基函数的中心,并采用最小二乘法解决权值学习问题。预测结果表明了基于RBF神经网络的风电功率预测方法能够有效提高预测精度,且证明了所提出的模糊聚类算法的优越性。     

神经网络数字模式识别

在介绍径向基函数神经网络基本原理的基础上,提出了基于RBF的数字模式识别的设计及其原则,包括识别数字网络模型结构、最近聚类学习算法等问题.     

新型RBF神经网络及在热工过程建模中的应用

文中提出了一种基于免疫原理的新型径向基函数（RBF－Radial Basis Function)神经网络模型。该模型利用人工免疫系统的记忆、学习和自组织调节原理，进行RBF神经网络隐层中心数量和位置的选择，并采用递推最小二乘算法确定网络输出层的权值。将这种新型的RBF神经网络应用于建立热工过程的非线性模型。仿真研究表明，这种建模方法不仅计算量较小，而且精度高，并有较好的泛化能力。     

基于RBF改进模型的电力系统短期负荷预测

提出了一种改进的径向基函数神经网络预测模型。模型中,应用改进K-均值聚类算法确定该神经网络的聚类中心,运用最小均值方差算法确定了神经网络的权值,同时考虑了温度、天气状况、日期类型对负荷的影响。经初步测试表明,该方法具有良好的预测精度。     

新型的RBF神经网络在水轮发电机组故障诊断中的应用

本文应用免疫遗传系统的调节原理对RBF神经网络隐层中心数量和位置的进行选择,同时采用递推最小二乘法来确定网络输出层的权值,从而建立了一种新型的RBF神经网络模型,并将该模型应用于水轮机发电机组的故障诊断.诊断结果表明,该模型收敛速度快,精度高并有较好的泛化能力,为水轮发电机组状态监测及故障诊断提供了一种新途径.     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

RBF神经网络在中长期负荷预测中的应用

根据电力系统中长期负荷的特点和径向基函数(RBF)神经网络的非线性辨识功能,将RBF神经网络应用于中长期负荷预测的数据预处理,具体讨论了空缺数据的补全以及失真数据的查找和修正,并提出了一种改进的基于RBF神经网络的中长期负荷预测模型。实际算例的分析表明,所提出的基于RBF神经网络的缺损数据处理方法和改进的中长期负荷预测模型是可行和有效的。     

基于免疫小波网络的短期负荷预测模型

为了克服传统BP神经网络在结构设计和学习算法中存在的缺陷,提出了一种免疫小波网络(IWN)来预测电力系统短期负荷.在IWN的设计中,根据共生进化和免疫规划原理,提出共生进化免疫规划算法,可以自动确定小波网络隐层神经元的数量和参数.电力系统短期负荷预测的算例计算表明,与传统的BP神经网络预测方法相比,该方法具有更高的预测精度.     

基于多变量相空间重构和 RBF 神经网络的光伏功率预测方法

针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。 首先,基于相关性分析, 选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用 C-C 法和虚假邻近点( false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数( radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和 RBF 神经网络的光伏功率预测模型。 算例分 析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

发电机进相能力的RBF神经网络模型

发电机进相运行是调节电网电压、改善电能质量的一种经济性、技术性皆优的先进手段。由于发电机是一个多变量、强耦合的非线性系统,基于传统分析方法难以精确建立其进相能力分析模型,本文提出基于径向基函数(RBF)神经网络的发电机进相能力模型,以发电机有功功率和无功功率为输入,以发电机功角、电网电压为输出,采用江苏电网某600MW发电机进相试验数据训练和测试RBF网络,并探讨了基宽、神经元数的选择对RBF网络收敛精度的影响。研究表明本文所建立的发电机进相RBF模型具有速度快、精度高的优点,具有良好的泛化能力,其性能优于BP神经网络模型。本文提出的方法能有效克服传统进相分析方法的局限性,适用于发电机进相运行实时控制,有推广应用价值。     

基于RBF神经网络的源-目标话音转换

源-目标说话人声音转换是一种变换说话人声音特征的技术,它将源说话人的声音转换成目标说话人的声音。本文选择声道共振峰参数作为待转换的特征参数,为了克服线性多变量回归转换方法(LMR)中分类不准带来的误差,采用基于径向基函数神经网络的非线性转换方法(RBFNN)获取转换规则。以5个普通话元音为实验,验证了分类数目和训练集对2种转换方法的影响。实验结果表明,RBFNN方法的转换效果优于LMR方法;并在只有较少训练集数据时也能得到较好的转换效果。