基于遗传和模拟退火算法优化的短期负荷预测

负荷短期预测是电力系统运行和调度每年的重要工作,尤其在市场环境下负荷短期预测更显重要.对于电力系统短期负荷的随机性和突变性的特点,提出了应用遗传算法(GA)和模拟退火(SA)优化的Elman神经网络的短期负荷预测模型.其特点是模型简单、运算效率高,并具有较好的全局最优性能,从而很好地克服了传统BP算法容易陷入局部极小点的缺陷.利用改进Elman 网络的良好学习能力,同时利用遗传和模拟退火优化算法对Elman动态递归网络的前馈和反馈值进行优化,实现全局最优的拟合结果.比较了Elman网络和BP网络结构的建模效果,仿真实验证明了利用遗传和模拟退火算法优化的Elman神经网络具有动态特性好、逼近速度快、精度高等特点,说明Elman网络是一种新颖、可靠的负荷预测方法.     

基于模拟退火算法的Elman网络及其应用

采用了模拟退火算法(SA)对Elman网络的前馈和反馈权值进行优化,并将其应用于建立热工过程的非线性模型.仿真研究表明,无需复杂的网络结构,采用SA算法的Elman网络模型能够很好地适配热工过程对象,并有较好的泛化能力.     

基于人工神经网络的综合负荷模型

指出了BP神经网络应用于动态综合负荷建模时存在的缺陷。提出了一种适合描述综合负荷动态特性的具有内反馈功能的动态Elman神经网络负荷模型,并采用改进遗传算法作为优化算法对某220 kV变电站综合负荷采集样本进行建模。大量建模实践表明,文章所提出的动态Elman神经网络综合负荷模型具有结构简单、参数少、应用简便、对综合负荷动态特性描述能力强等优点;Elman神经网络不仅对动态负荷建模具有良好的实用价值,也是一种很适合于电力系统其他动态非线性辨识的神经网络模型结构。     

基于粒子群算法的BP神经网络光伏电池建模

针对光伏电池复杂难以建模的非线性特性,本文提出一种基于粒子群算法(PSO)的反向传播(BP)神经网络建模方法.神经网络具有很强的非线性拟合能力,但同时也存在收敛速度慢、容易陷入局部极值、建模精度不高等缺点.本文采用粒子群算法来优化神经网络的内部连接权值,以改善神经网络的性能,并基于这种改进的神经网络构建光伏电池动态模型...     

基于粒子群优化算法的Elman神经网络凝汽器真空模型

将一种动态递归网络——Elman神经网络应用到凝汽器真空预测。通过实例计算,表明该方法能够较准确地预测凝汽器真空,并具有训练速度快、结构简单、精度高的特点,是一种行之有效的预测方法。同时,对反向传播(BP)神经网络算法会出现局部极小值,提出了利用粒子群优化算法的全局寻优能力优化Elman神经网络连接权值系数的方法。仿真结果表明,利用粒子群优化算法的Elman神经网络可以建立精度更高的凝汽器真空预测模型。     

进化Elman神经网络在实时数据预测中的应用

为了提高电站实时数据的准确性,提出了一种利用改进粒子群算法进化Elman神经网络的动态系统实时数据预测方法.改进粒子群算法中,根据群体早熟收敛程度和当前最优解的大小对部分不活跃粒子进行变异,增强了算法跳出局部最优解的能力.利用改进的粒子群算法训练Elman神经网络权值和自反馈增益因子,有效地解决了梯度下降法训练网络权值...     

基于HGA-BP算法的调速系统辨识研究

针对BP网络学习算法的不足,提出了一种基于递阶遗传算法（HGA）的BP网络建模方法。文中对递阶遗传算法在优化神经网络过程中的一些参数,如适应度函数、编码方案和交叉变异概率等提出具体的设计方法。该算法可以同时对神经网络进行拓扑结构优化和参数求解。最后采用该方法,实现了具有复杂非线性特征的某调速系统的精确建模。实验结果及其与改进BP算法建模方法的比较,验证了该算法的有效性。     

基于纵横交叉优化BP神经网络的变压器故障诊断研究

为提高电力变压器故障诊断的准确率,提出一种基于纵横交叉算法改进BP神经网络的故障诊断方法。该方法在BP神经网络结构的基础上,利用纵横交叉CSO算法对BP神经网络的权值和阈值进行优化,得到最优的权值和阚值向量,并将优化值代入BP神经网络训练模型中,然后利用BP神经网络的自学习功能进行训练,最终得到基于CSO-BPNN的变压器故障诊断模型。将提出的基于CSO-BPNN算法的故障诊断结果与标准BP神经网络算法故障诊断结果进行对比。测试结果表明,CSO-BPNN算法融合了CSO算法和BPNN算法的优点,能更有效地提高变压器故障诊断的识别精度,具有良好的工程实用价值。     

一种基于遗传算法和神经网络的故障诊断方法

针对人工神经网络中常用的反向传播算法存在易陷入局部极小点和对初值要求较高的缺点,提出一种基于遗传神经网络的电力电子电路故障诊断方法.该方法在BP神经网络拓扑结构确定的情况下,先用遗传算法来训练网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值;再将它们赋值给BP神经网络作为初始值,重新训练.实例表明优化后的...     

基于改进的VPSO-ELman神经网络的短期负荷预测

提出一种基于改进的VPSO-Elman神经网络的短期负荷预测方法,在经典的Elman动态网络中引入VPSO算法对网络的训练过程做进一步的优化,提高Elman网络的泛化能力和适应能力,使预测模型的精度提高、鲁棒性变强。利用辽宁某地区的历史负荷数据作为训练样本,通过与经典的Elman预测模型进行对比,对预测结果与实际数据进行比较,得出该方法辨识能力优于经典网络,泛化误差明显小于经典网络。