一种改进的遗传优化策略在电机故障诊断中的应用

依据神经网络和遗传算法的特点,本文提出了利用遗传算法(GA)优化神经网络,将二者有机的结合起来,建立故障诊断的优化模型(GA—BP)网络,在遗传算法中放弃传统的轮盘赌,采用一种叫锦标赛的选择策略并改变迁移策略来进行遗传算法,优化BP网络的初始权值和阈值。以各种原始资料和现场实录资料作为训练样本,首先进行遗传算法的运行,得到了优化的权值和阈值,作为BP网络的的初始权值和阈值,接下来通过BP网络训练样本,实现BP网络学习的目的,建立样本(作为输入变量)与实际故障类型(作为目标变量)之间的潜在联系。最后用测试样本对GA—BP网络进行测试,检验表明用改变选择策略并改变迁移策略的遗传算法来优化BP网络的诊断正确率明显得高于未进行优化BP网络,不仅能发挥神经网络的泛化映射能力而且诊断速度也有提高,有较强的学习能力。     

基于GANN的SRM无位置传感器位置预估方法研究

神经网络具有强大的非线性映射能力,非常适用于对磁链特性高度非线性的开关磁阻电机(SRM)转子位置的预估。然而,由于其网络结构、初始连接权值和阈值的不确定性,很难一次获得理想的训练结果。提出了一种基于遗传优化神经网络(GANN)的SRM无位置传感器位置预估方法,利用遗传算法对神经网络的初始权值和阈值进行优化,在此基础之上,以磁链和电流为输入、转子位置为输出,建立了预估模型。仿真结果表明,该方法可以在不同转速下对转子位置进行准确的预估,其预估误差不大于2°。     

一种新型短期负荷预测模型的研究及应用

提出基于量子神经网络进行短期负荷预测的方法.建立起由量子比特神经元改进而来的三层量子神经网络模型,应用量子门进行计算,输出层的权值和阈值进行非线性变换,实现神经网络非线性映射功能,并利用遗传算法优化了量子神经网络的初始参数.仿真结果表明,此算法在收敛速度,泛化能力和预测精度方面明显优于普通三层BP网络.     

改进的基于遗传优化BP神经网络的电网故障诊断

BP神经网络具有良好的自学习、自适应和泛化能力,但运算过程中容易陷入局部极小值,同时隐含层节点数的选择也影响着诊断的效果。文中根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数。根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值,可以避免BP神经网络陷入局部极小值的问题。结合两种方法对电网进行故障诊断,实例分析表明该方法可以准确有效地诊断出电网故障位置,提高电网故障诊断的容错性。     

基于粒子群优化BP神经网络的速度观测器

利用BP神经网络可以逼近任意的非线性关系的特点,构建一个神经网络速度观测器.由于BP神经网络的初始权值和阈值的选择存在随机性,对网络的性能影响很大,但又无法准确获得,提出将PSO算法与BP算法结合的方法,通过粒子群算法优化BP神经网络,得到最佳初始权值和阈值,提高了速度观测器的精度.通过实验采集的数据来训练这个神经网络,实验结果证明了该方法的有效性.     

遗传算法与BP神经网络在低氮燃烧优化中的应用

针对某发电公司330 MW机组锅炉,采用BP神经网络构建用于预测锅炉效率和NO_x质量浓度的锅炉燃烧仿真模型,通过遗传算法对该网络的初始权重与阈值进行优化,以锅炉低氮燃烧优化试验数据为样本进行模型训练,得到泛化能力强、精度高的仿真模型。通过选取合适的适应度函数,将遗传算法用于锅炉燃烧仿真模型进行燃烧优化,最终获取可兼顾锅炉效率与NO_x质量浓度的运行优化策略,为现场运行提供指导。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

一种新型光伏阵列最大功率点预测模型的研究

光伏阵列最大功率点预测在光伏发电控制系统具有重要地位,由于光伏阵列受到温度、光强、阴影等非线性因素的影响,传统的解析方法难以获得理想的预测结果。研究了一种基于遗传算法改进的BP网络光伏阵列最大功率点预测模型,利用遗传算法的全局搜索能力,对BP神经网络的权值和阈值进行优化,有效克服了BP网络容易陷入局部最小的问题。仿真表明,基于遗传算法优化的光伏阵列最大功率点预测BP网络具有良好的泛化能力和一定的有效性。     

静电放电电磁脉冲耦合的非线性优化建模

针对现有机理建模算法普遍存在计算电磁脉冲响应过程过于复杂的问题,为能够给电子设备静电放电电磁脉冲响应计算提供一种简便有效的能量耦合建模方法,设计了脉冲场强测试仪的静电放电辐射实验。用NARX神经网络代替传统NARX网络,依靠遗传算法对网络的初始权值、阈值进行优化,以3.5 kV静电放电实验数据作为建模数据对系统进行非线性辨识,并对4.5 kV静电放电电磁脉冲响应进行预测。建模结果表明,两种模型均能准确预测响应波形,但优化后的NARX神经网络模型精度更高。该建模方法计算过程简单。该方法同样适用于其他电磁脉冲响应建模。     

BP神经网络的分层优化研究及其在风电功率预测中的应用北大核心CSCD

为改善BP神经网络算法需要大量训练数据和预测精度有限等问题,提出了以输入层、隐含层和输出层为目标的分层优化思路。首先,利用灰色模型良好的小数据趋势辨别能力对输入层数据进行处理,以更好地提炼数据内部蕴含的数学规律,压缩神经网络所需训练数据样本数量;然后,利用遗传算法优越的全局寻优能力确定隐含层的初始权值和阈值,抑制神经网络隐含层参数无法准确获取所导致的误差较大和泛化能力弱的问题;最后,采用蚁群优化算法对输出层数据进行优化,以进一步改善神经网络模型的计算精度。以波动性较强的风电功率进行算例验证,结果表明,所提基于分层优化思想的神经网络算法,能在减小预测误差的同时,降低神经网络所需样本量并增强其泛化能力。     

基于遗传优化BP网络的振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,采用遗传算法对BP神经网络的初值空间进行多点遗传优化,得到最佳初始权值矩阵,在此基础上按误差前向反馈算法沿负梯度搜索进行网络学习;同时提出了一种用于BP神经网络遗传优化的染色体浮点编码方法,并描述了作用于染色体上的遗传操作算法。仿真研究表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到汽轮发电机组振动故障诊断中。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表。针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法。该方法充分利用了Elman神经网络的动态特性和AdaBoost算法提高弱预测器精度的特性,使组合后的强预测器具有较强的泛化能力、估计精度和动态特性。与BP神经网络和Elman神经网络的估计精度进行比较,AdaBoost-Elman神经网络的估计精度高、动态特性好,为锂离子电池SOC估计提供了一种新的途径。     

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型。利用500组变压器试验数据进行仿真,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。     

基于IPSO-BPNN算法的开关磁阻发电机实验建模

文章实现了一种利用改进的粒子群算法优化BP神经网络(IPSO-BPNN)的建模方法,建立了SRG的非线性模型.该方法利用了BP神经网络较强的非线性处理能力和逼近能力,改进粒子群算法的引入克服了BP神经网络容易陷入局部最优及初值敏感的缺点.建模的实验数据采用间接测量法采集,分为训练样本与测试样本两个集合.建模效果表明IPSO-BP神经网络的泛化能力很强,可以近乎完美地表达SRG的磁链和转矩特性.     

基于MEA-BP神经网络的开关磁阻电机静态电磁特性建模

建立精确的开关磁阻电机（SRM）模型对于改善SRM的性能和控制效果有着重要的影响。针对SRM运行时磁路的高度饱和和严重非线性问题,提出了基于思维进化算法（MEA）优化的反向传播(BP)神经网络算法的SRM非线性模型。利用ANSYS Maxwell软件建立了四相8/6极SRM模型并进行有限元计算,通过仿真和试验值的对比验证了该模型的精度比未经MEA优化的BP神经网络模型更高,可以更好地反映SRM运行时的磁链特性和转矩特性,且具有较好的泛化能力。     

基于遗传算法优化神经网络的建筑物电力负荷预测

建立BP神经网络模型,解决了建筑物电力负荷预测由于强耦合性、滞后性和非线性而难于建立模型的问题。利用遗传算法的全局搜索能力对网络模型进行权值优化,解决了传统BP神经网络易陷入局部最优的困扰,使预测更为精准。通过MATLAB软件进行仿真试验,验证了此方法的可行性。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

SiC MOSFET功率器件特性参数的提取与拟合

为了对碳化硅(SiC) MOSFET功率器件的特性参数进行全面的研究,提出了一种碳化硅(SiC) MOSFET变温度参数模型,该模型考虑了功率器件中封装引脚寄生电感、内部寄生电容、体二极管等特性参数,并根据器件的开关过程中的不同阶段,将功率器件中的导电沟道等效为不同电路模型。为获取该模型中的涉及的特性参数,搭建了基于Agilent B1505A功率半导体分析仪和矢量网络分析仪(VNA)的测试平台对SiC MOSFET功率器件的静态特性参数进行了全面测量,然后使用基于贝叶斯正则化LM算法的改进BP人工神经网络对所测的数据进行非线性拟合。结果表明,相较于传统拟合方法,该方法具有更高的精确度与泛化能力,为SiC MOSFET功率器件建模与参数分析提供了重要依据。     

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。