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。     

基于人工免疫网络的短期负荷预测模型

为了克服传统神经网络预测方法在网络结构设计、学习算法和收敛效果等方面存在的缺陷，通过借鉴免疫网络调节与免疫规划，该文提出了一种基于人工免疫网络的短期负荷预测模型。在人工免疫网络的设计中，创造性地融入了免疫调节原理，利用免疫规划来进化网络结构，采用了新的个体编码方式，神经元适应度函数和自适应混沌变异算子，通过免疫规划进行网络结构的设计，并结合免疫网络调节的进化算法进行网络的学习。电力系统短期负荷预测的计算实例表明，基于人工免疫网络的负荷预测方法与传统神经网络预测方法相比，具有较强的自适应能力和较好的效果。     

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.     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测

基于电网蓄电池充放电试验数据,建立基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测系统。针对神经网络算法缺陷,选择飞蛾扑火算法与其结合;引入立方混沌映射种群初始化策略,增加全局搜索多样性;引入Lévy飞行策略,增加种群的多样性;引入变尺度混沌变异策略,增加局部搜索性能;借助差分进化算法思想,提高算法求解大规模问题的能力。将基于改进飞蛾扑火算法的BP神经网络模型应用到蓄电池寿命预测中,仿真试验对比表明,该方法具有更高的准确率。     

遗传神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络中存在的一些缺陷,实现准确、快速预测电力系统负荷的目的,作者通过将遗传算法与神经网络结合,构造了一种遗传神经网络来进行电力系统短期负荷预测,方法的思路是：首先,利用遗传算法有指导地计算神经隐层节点数,从而确定一个较合理的神经网络结构;其次,由遗传算法从初始权值的解群中选取出一个优秀的初始权值,克服初始权值选取的盲目性;最后,将得到的神经网络结构和优秀的初始权值结合起来,利用改进的BP算法进行电力系统短期负荷预测,仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。     

基于进化神经网络的短期电力负荷预测研究

短期负荷预测对于工业、商业、住宅智能电网应用是必不可少的。在分析电力系统负荷预测特点和研究现状的基础上,研究了一种进化神经网络用于电力负荷短期预测。进化神经网络采用遗传算法来优化神经网络的权重,能有效避开BP网络算法中的局部极值问题。采用 MATLAB仿真软件构建基于进化神经网络的电力系统负荷预测模型,并利用实际电力负荷数据进行网络训练和模型仿真。为了评估进化神经网络的性能,采用小波神经网络进行比较,通过观察预测结果进行评估。试验结果表明,进化神经网络精度性能优于小波神经网络,适用于电力系统负荷预测。     

基于IGA-BP综合算法的人工神经网络在线损计算中的应用

针对配电网线损计算,文章根据文献[13]提出了一种综合免疫遗传算法(IGA)与BP算法优点的IGA-BP混合算法,进行了改进并应用到实际配电网线损计算中.先用IGA训练多层前向神经网络,保持解群多样性,然后用BP算法快速搜索到最优解.此算法克服了常规遗传算法收敛方向不确定,BP算法容易陷入极小点的缺点,而且具有了记忆功能,能够促进快速求解.文中以68条配电线路数据为例,验证了该算法有很好的鲁棒性和适应性,且计算精度高.     

IGA优化的神经网络计算配电网理论线损

针对BP神经网络学习速度慢、容易陷入局部极小的缺点,提出了一种基于免疫遗传算法(IGA)的人工神经网络(artificial neural network,ANN)计算配电网的理论线损.该算法在遗传算法(genetic algorithm,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, 扩大了神经网络的权值搜索空间,提高了网络系统的学习效率和精度.实例计算结果表明,同混合遗传算法相比,该算法具有较快的收敛速度和较强的全局收敛性能,比现有其他计算配网线损的方法更为准确.     

柔性机械臂运动控制策略的研究

讨论一种双映射神经网络,并采用递阶进化规划学习算法对该网络拓扑结构和参数进行优化,实现了柔性机械臂的轨迹跟踪控制。计算机仿真表明该控制策略可以实现柔性机械臂的运动控制,且具有较高的控制精度。     

基于进化策略算法的人工神经网络变压器故障诊断法

提出一种基于进化策略算法的人工神经网络法对电力变压器故障进行诊断。该方法通过综合进化算法的全局搜索能力和神经网络输入和输出的高度非线性映射关系，可准确诊断变压器故障。它可自动调整神经网络的连接权和节点偏置值，以获得最佳网络模型。相对于普通人工神经网络而言，该法具有更快的学习速率和优良的诊断精度；并且相对于基于进化规划算法的人工神经网络法，本方法也具有更优良的性能。     

Modeling resonant frequency of microstrip antenna based on neural network ensemble

Resonant frequency is an important parameter in designing microstrip antenna (MSA). Selective neural network ensemble (NNE) methods based on decimal particle swarm optimization (PSO) algorithm and binary PSO algorithm are proposed in this study. The basic idea of the methods is to optimally select neural networks (NNs) to construct NNE with the aid of PSO algorithm. This may maintain the diversity of NNs and decrease the effects of collinearity and noise of sample. Simultaneously, chaos mutation is adopted to increase the diversity of particles of PSO. Experimental results show that the chaos PSO algorithm can improve the generalization ability of NNE. Moreover, by using this algorithm, model of resonant frequency of MSA is established. Computing results indicate that the model is better than the available ones. Copyright © 2010 John Wiley & Sons, Ltd.     

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。     

基于蚁群算法的神经网络配电网故障选线方法

为了克服基于神经网络的故障选线方法收敛速度慢、易于陷入局部极小点的缺点,提出了蚁群算法和神经网络相结合的故障选线方法。利用ATP-EMTP做单相接地仿真试验,得到各线路的零序电流信号,通过小波变换和傅里叶变换提取其中的故障特征作为神经网络的输入。利用蚁群算法对神经网络进行训练,完成训练的神经网络模型即可实现故障选线。仿真结果表明,该方法训练速度快、误判率低。