混沌模拟退火算法在无功优化中的应用

为了更有效地改进处理无功优化问题的方法,提出了混沌模拟退火(CSA)算法,该算法是一种基于混沌变量的改进模拟退火算法,结合了混沌算法的全局遍历性和模拟退火算法的启发式规则,在模拟退火算法的搜索过程中加入了混沌算法的优点。利用混沌算法确定算法的初始温度,有效地减小了搜索空间,同时利用混沌算法确定模拟退火算法中的扰动准则,使算法有效跳出局部最优解。最后将混沌模拟退火算法应用于电力系统无功优化中,通过对IEEE 6和IEEE 30节点以及实际129节点系统的仿真验证了该算法应用的有效性。     

电力系统经济负荷分配的混沌粒子群优化算法

提出一种新的混沌粒子群优化(CPSO)算法,将其用于求解复杂的电力系统经济负荷分配(ELD)问题。该算法保持了粒子群优化(PSO)的简单结构,先利用PSO算法的全局收敛能力进行搜索,以获得近似解(即粒子经过的最佳位置),然后利用混沌优化的混沌运动特性在近似解的邻域内进行局部搜索,从而获得精确的全局最优解。多个算例的仿真结果表明,该算法能快速有效求取电力系统ELD问题更精确的最优解。     

自适应Hopfield神经网络及其在经济负荷分配中的应用

在传统Hopfield神经网络的基础上,提出了自适应坡度调整法和自适应偏移量调整法的Hopfield神经网络模型(AHNN)。结合传统Hopfeild网络优点,将Sigmoid函数(S型函数)中的恒定参数变为随动,自动调整随动参数运动方向,减小了能量函数的振荡和迭代步数,从而可有效的解决高维、非凸、非线性约束条件的优化问题。将该方法应用于电力系统经济负荷分配(ELD),通过多个算例仿真表明,AHNN有效可行。     

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。     

混沌神经网络负荷建模的理论研究

负荷建模在电力系统稳定分析中起着十分重要的作用。在现代大电力系统条件下，系统稳定性对负荷建模提出了新的要求。该文介绍了电压稳定分析领域的静态负荷模型和动态负荷模型；在基于对电力系统中混沌现象的研究基础上，分析了传统建模方法的不足之处；阐述了将混沌理论引入神经网络算法后算法的特点并将其应用到负荷建模的研究中，建立了利用混沌神经网络理论进行负荷建模的研究中，建立了利用混沌神经网络理论进行负荷模型参数辨识的数学模型和算法，给出了利用该算法进行参数辨识的步骤。分析表明，混沌神经网络逄法可以大幅提高负荷建模的准确度。     

经济负荷分配的神经网络优化计算

本文介绍电力系统现状及经济负荷分配优化的必要性，结合现代神经网络控制算法，将Hopficld神经网络（Hopfield Neural Network,IINN)应用于机组经济负荷分配（Economic Load Dispatelt,ELD)问题中，其计算结果与其他方法进行比较，可快速得出最优解，有效的解决经济负荷分配问题，且易于在计算机上实现，有实际应用价值。     

基于量子行为粒子群优化算法-混沌神经网络的电力系统负荷预测

提出了一种基于量子行为粒子群优化算法和混沌神经网络相结合的电力系统负荷预测方法。根据粒子群的量子行为特征,采用全同粒子系更新粒子的位置,改善传统的粒子群算法精度低、易发散、收敛速度慢等缺点。利用粒子群优化算法优化出混沌神经网络的权值和阈值,克服混沌神经网络参数确定难度大、速度慢的缺点。然后利用得到的权值和阈值,通过改进粒子群优化算法-混沌神经网络模型,得到预测日的相应时刻负荷值。最后通过实际应用,证明该方法有较高的预测精度和较好的准确性,具备一定的实际应用价值。     

混沌神经网络在转子碰摩故障诊断中的应用

大量研究表明，转子碰摩故障现象具有丰富的非线性特征。提出了一种新的基于模拟退火策略的混沌神经网络模型，并结合变尺度混沌优化方法，将其应用于转子碰摩故障的诊断。仿真试验表明：该模型具有较高的预测精度，可有效地识别这些相似故障模式，对于旋转机械重大事故的预防具有积极作用。     

改进遗传模拟退火神经网络的双相机标定算法

针对双目相机标定算法中BP神经网络精度低、收敛性差的问题，提出了一种基于改进遗传模拟退火算法的BP神经网络优化方法(improved genetic simulated annealing algorithm-BP,IGSAA-BP)。该方法通过改进遗传模拟退火算法的适应度扩展，交叉、变异概率和退火准则来改善BP神经网络的性能，为BP神经网络提供了最优权值和阈值。将IGSAA-BP神经网络与BP神经网络和TGSAA-BP神经网络两种相机标定算法进行对比，利用其标定的真实值与预测值相差结果得出结论，3种标定方法进行相机标定的平均标定精度分别为0.02、0.71和0.28 mm。结果表明，IGSAA-BP神经网络可以提高双目相机的标定精度，提高全局寻优能力，加快收敛速度。     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

永磁同步电机的模糊混沌神经网络建模

采用模糊混沌神经网络建立了具有混沌特性的永磁同步电机(PMSM)模型。永磁同步电机在一定工作情况下呈现混沌运动，根据PMSM的数学模型得出其混沌特性曲线。将混沌神经网络与模糊理论相结合设计出协作型模糊混沌神经网络，并据此网络建立了永磁同步电机的模糊混沌神经网络结构模型，该模型在结构上为神经网络，具有混沌特性，在功能上是模糊系统；确定了模型的输出函数，并推导了模型的学习算法，仿真结果表明永磁同步电机的模糊混沌神经网络模型与原系统是等价的。     

基于快速模拟退火算法的T—S模糊神经网络学习算法

给出一种Ｔ－Ｓ模糊模型的模糊神经网络的一种实现方法。将快速模拟退火算法用于网络参数的优化,实现Ｔ－Ｓ模型的辨识。将快速模拟退火、模糊逻辑和神经网络融合在一个系统中,并用仿真实例验证了用本文算法的有效性。     

Ramp rate constrained unit commitment by improved priority list and augmented Lagrange Hopfield network

This paper proposes an improved priority list (IPL) and augmented Hopfield Lagrange neural network (ALH) for solving ramp rate constrained unit commitment (RUC) problem. The proposed IPL-ALH minimizes the total production cost subject to the power balance, 15 min spinning reserve response time constraint, generation ramp limit constraints, and minimum up and down time constraints. The IPL is a priority list enhanced by a heuristic search algorithm based on the average production cost of units, and the ALH is a continuous Hopfield network whose energy function is based on augmented Lagrangian relaxation. The IPL is used to solve unit scheduling problem satisfying spinning reserve, minimum up and down time constraints, and the ALH is used to solve ramp rate constrained economic dispatch (RED) problem by minimizing the operation cost subject to the power balance and new generator operating frame limits. For hours with insufficient power due to ramp rate or 15 min spinning reserve response time constraints, repairing strategy based on heuristic search is used to satisfy the constraints. The proposed IPL-ALH is tested on the 26-unit IEEE reliability test system, 38-unit and 45-unit practical systems and compared to combined artificial neural network with heuristics and dynamic programming (ANN-DP), improved adaptive Lagrangian relaxation (ILR), constraint logic programming (CLP), fuzzy optimization (FO), matrix real coded genetic algorithm (MRCGA), absolutely stochastic simulated annealing (ASSA), and hybrid parallel repair genetic algorithm (HPRGA). The test results indicate that the IPL-ALH obtain less total costs and faster computational times than some other methods.     

基于混沌优化的交流调速系统控制研究

针对交流调速系统高精度、快响应的要求,提出了基于模拟退火策略的混沌优化算法的模糊神经网络控制方案。采用混沌粗搜索与细搜索相结合的优化策略,对模糊神经网络控制器中的参数进行搜索和优化,给出了具体设计方法和优化步骤。仿真与实验结果表明,该控制方法用于交流调速系统具有无振荡、无超调以及较高的精度和较强的鲁棒性、抗干扰能力等优点。     

使用改进混沌神经网络的母线负荷预测

针对母线负荷非线性、冲击性波动、有较多“毛刺”、含有较多坏数据等特点,提出一种基于小波变换和混沌神经网络的母线负荷预测方法。该方法通过消除坏数据和噪声对负荷混沌特性分析的影响,能有效提高母线负荷预测的精度。首先对历史数据进行改进的小波阈值去噪,然后对其进行混沌特性分析,重构相空间形成训练样本．最后采用改进的混沌学习算法对网络进行训练,通过对某省某地220kV母线负荷算例分析,显示该方法能显著提高母线负荷预测的精度。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

Modified meta heuristics and improved backpropagation neural network‐based electrical load demand prediction technique for smart grid

For the assessment of 1‐h‐ahead electrical energy demand, this paper presents an improved backpropagation neural network that has been integrated with a simulated annealing algorithm and a chaos search genetic algorithm. A self‐adaptive learning rate and modified momentum factor are suggested to enhance the performance of the traditionally used backpropagation algorithm. For the combination scheme, the initial parameters of the improved backpropagation neural network have been modified through the utilization of the global search capability of the genetic algorithm. This has been enhanced by cat chaotic mapping to increase the genetic algorithm's optimization ability. The strong local search feature of the simulated annealing algorithm has been used to further enhance the solution set that was created by the optimized genetic algorithm. The model is tested for small and large‐sized grid data, integrated with renewable sources. The performance of the model is also verified for fluctuating load demand conditions. Furthermore, the proposed model performance is tested for all the four seasons of the year to validate its efficacy during seasonal variations. The results of the proposed technique in all these scenarios show higher prediction accuracy and fast convergence than the existing methods. The acceptable precision of 1‐h‐ahead load forecast and its adaptation in different load demand conditions determine the usefulness of the proposed model in the modern deregulated power industry. In particular, the model can be effectively implemented for the enhancement of demand response and other dynamic features of the smart grid. © 2017 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于改进型遗传算法的混沌神经网络在电力负荷预测的应用

通过对陕西省省网历史负荷数据进行混沌特性分析,重构系统相空间,并计算最大Lyapunov指数,指出该时间序列具有混沌特性,从而采用混沌神经网络对该时间序列进行短期负荷预测。神经网络模型采用改进型遗传算法对权值和阈值进行学习和训练,优化神经网络权重,充分发挥遗传算法的全局寻优能力和神经网络的局部搜索性能。然后采用该网络进行预测,预测结果表明:该模型预测算法优于纯BP网络方法的预测结果,较大地提高了预测精度。     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。     

再热汽温神经网络预测模型的构建及仿真

在火电机组运行过程中,提高再热汽温预测精度对于提高机组运行经济性、可靠性具有重要意义。影响再热汽温的因素错综复杂,采用传统方法难以建立精确的数学模型,或模型预测精度不高。混沌理论的发展为这一问题的研究提供了新的思路。本文在揭示再热汽温混沌特性的基础上,利用混沌特性处理输入样本及确定神经网络结构,将神经网络与改进型遗传算法结合,构建了基于改进型遗传算法的再热汽温神经网络预测模型。仿真结果表明,该模型相对误差的最大绝对值仅为0.068 12%,收敛速度快。