基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

基于AG-BP算法的锂电池模型参数在线估计

对现有锂电池DP(dual-polarized)模型及其参数辨识方法进行研究,提出基于AG-BP算法的双极化锂电池模型参数在线辨识方法。结合混合动力脉冲测试和MATLAB CF曲线拟合工具箱得到神经网络的训练及测试数据库。结合正弦脉冲电流注入法,将注入电池的电流幅值、频率、电池电压响应幅值、温度、SOC(state of charge)作为BP神经网络的输入参数,实现了基于BP (back propagation)神经网络的锂电池DP(double polarization)模型的参数估计。将BP神经网络的权值矩阵、阈值向量作为基因编码,运用遗传算法实现了对神经网络的初始权值和阈值进行优化,提高了参数估计精度,并通过仿真实验对系统的参数估计精度进行了验证。     

基于遗传算法的神经网络在发电机定子超高频局部放电模式识别中的应用

应用BP(误差反向传播算法)、AGA(自适应遗传算法)和AGA-BP神经网络对发电机定子超高频局部放电的三种类型进行了模式识别。结合AGA和BP算法各自的优点,构造了AGA-BP混合算法作为神经网络的学习算法。实验结果表明,AGA-BP神经网络既解决了BP神经网络对初始权值敏感和容易局部收敛的问题,又提高了AGA神经网络的收敛速度、稳定性和求解质量。     

基于遗传算法的神经网络在发电机定子超高频局部放电模式识别中的应用

介绍了发电机定子局部放电高频在线监测系统的结构特点及对局部放电特征的提取,应用BP算法、自适应遗传算法AGA和AGA—BP神经网络对发电机定子超高频局部放电的三种放电类型进行了模式识别。结合AGA和BP算法各自的优点,构造了AGA—BP混合算法作为神经网络的学习算法。实验结果表明,AGA—BP神经网络解决了BP神经网络对初始权值敏感和容易局部收敛的问题,提高了AGA神经网络的收敛速度、稳定性和求解质量。     

基于改进BP神经网络的接地故障定位研究

考虑到经典的小波包频带能力特征提取方法不将频率时变特性进行考虑而统计全部的频带,而且经典的小波能量谱算法没有将每个分解频带的能量随着时间轴分布特性进行充分考虑,提出使用卷积小波包能量矩对单相接地故障信息的特征向量进行提取,从而为单相接地故障定位的判断提供依据。使用BP神经网络建立配电网单相接地故障的定位算法;由于常规BP神经网络容易陷入局部最小值,并且有算法收敛慢、训练时间长等问题,提出使用遗传算法对BP神经网络进行优化,同时为提高遗传算法优化效率,使用混合编码方式对遗传算法进行改进。最后通过实验验证所提出的改进型BP神经网络的接地故障定位算法的性能,结果表明,故障定位的精度有了较大的改善,验证了所提出方法的可行性。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

基于免疫遗传算法优化的神经网络配电网网损计算

提出了一种基于免疫遗传算法(IGA)的BP神经网络方法计算配电网的理论线损。该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能。为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤。仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能, 比现有其它计算配电网理论线损的方法更为     

基于免疫遗传算法优化的神经网络配电网网损计算

提出了一种基于免疫遗传算法(IGA)的BP神经网络方法计算配电网的理论线损.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能, 比现有其它计算配电网理论线损的方法更为准确.     

基于ACS-SA文化基因算法的BP神经网络变压器故障诊断

针对BP神经网络在变压器故障诊断上存在的不足,提出基于ACS-SA文化基因算法的BP神经网络变压器故障诊断方法。在实际系统中,针对缺乏准确的变量参数估计,将边界变异策略和自适应步长策略引入标准布谷鸟算法中;提出一种在改进的布谷鸟算法中结合局部搜索策略的文化基因算法;建立BP神经网络变压器故障诊断模型,并用文化基因布谷鸟算法优化BP神经网络的权值和阈值。仿真实验及对比研究结果表明,该算法能准确有效地识别变压器的故障类型,较其他算法(CS-BP神经网络算法和POS-BP神经网络算法)有更高的准确率,为变压器故障诊断提供一种新思路。     

基于混合神经网络和遗传算法的故障诊断系统

故障诊断对于事故后快速恢复具有重要意义。多种人工智能技术在其中得以应用, 然而快速、准确的故障诊断仍是一个悬而未决的难题, 尤其在保护和断路器不正常动作或多重故障的情况下, 故障诊断更为困难。提出了一种基于神经网络 (ANN) 和遗传算法 (GA) 的故障诊断方法, 它采用三层前向神经网络执行诊断功能, 双重 GA循环优化该神经网络的结构和连接权重。第一重 GA循环用于优化神经网络结构, 第二重 GA循环进一步优化神经网络的连接权重。两重 GA循环可以搜索确定用于故障诊断的最优神经网络。有关的数学模型和算法流程在文中作了详细介绍。以4-母线简单电力系统为例, 进行了计算机仿真计算。结果表明, 基于混合神经网络和遗传算法的故障诊断系统优于传统的BP神经网络, 可以较好地解决故障诊断问题。     

BP算法改进及其在股票价格预测中的应用

介绍了神经网络的基本概念,BP算法是前馈神经网络中最终要的算法模型,但由于BP算法收敛速度慢,为了加速算法收敛,增加神经网络的稳定性,提出了L-M对股票指数预测模型。借助神经网络对非线性函数的逼近能力,对上证综合指数股价进行单步预测。用L-M和BP对预测结果进行比较,证明L-MBP算法用于指标预测准确性更高。     

燃煤烟气中汞形态分布的神经网络预测研究

目前对燃煤电站烟气中汞形态浓度的预测模型尚不完善。将BP神经网络和GA遗传算法相结合组成GA-BP神经网络算法,用于燃煤烟气中汞形态浓度分布的预测。使用遗传算法对BP网络的初始权值进行优化,可以在解空间中定位出较好的搜索空间,然后采用BP算法在这个小的解空间中搜索出最优解。对75组燃煤电厂烟气中的汞浓度实测数据进行神经网络算法的训练和预测,结果表明GA-BP神经网络模型不仅可以预测燃煤烟气中汞形态浓度的分布,而且具有较高的预测精度。     

负荷持续曲线的神经网络模型

鉴于前馈人工神经网络的诸多优点，本文提出了一种新的基于ＡＮＮ的负荷持续曲线模型，从而不用给定某个特定的显式数学表达式。该模型以实际的小时负荷数据及统计性的特征参数对ＡＮＮ的输入数据；对实际作了抽样处理，以免输入数据量太多；针对常规的误差反向传播算法的缺点，并考虑到遗传算法是一种鲁棒性好的优化方法，本文采用遗传算法来进行ＡＮＮ的学习可以方便地直接采用相对误差作目标函数，同时可以搜索到全局最优解。     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态(State of Charge, SOC)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播(Back Propagation, BP)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,论文提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络初始权值及阈值(优化后的BP网络简称SAMEA-BP神经网络)。结合充放电实验数据,将提出的SAMEA-BP神经网络与BP、思维进化算法优化的BP (MEA-BP)神经网络用于锂离子电池的SOC估计,并对三种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。     

基于粒子群优化算法的神经网络在配电网线损计算中的应用

提出了一种将粒子群优化算法(PSO)训练神经网络用于配电网线损计算的方法。该方法使用由PSO训练的BP模型来拟合影响线损的特征参数与线损之间的复杂关系。实例计算表明,与BP算法及BP与GA结合算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度。     

改进的遗传BP交叉训练算法及其在河流冰情预报中的应用

本文在对传统的遗传算法(GA)及BP网络进行一系列改进的基础上,将遗传算法与BP网络进行了有机的结合,提出了一种交叉训练算法.该算法的核心在于将BP网络训练过程划分为若干子步,使遗传进化机制和BP网络训练机制步进交叉进行,来保证网络训练的成功率和快速向全局最优区域逼近的目的.把该算法应用到松花江依兰、佳木斯江段封河、开河日期预报中,取得了良好的效果.