一种基于改进网格搜索和广义回归神经网络的锂离子电池健康状态估计方法

为了准确估计锂离子电池的健康状态,本文提出一种新的基于改进网格搜索(GS)和广义回归神经网络(GRNN)的估计方法.首先,对集中的数据进行处理,并通过相关性分析方法,提取有效的特征数据,包括电压、电流等.其次,提出一种基于改进网格搜索和广义回归神经网络的回归模型来估计电池的健康状态.最后,使用两个锂离子电池公共数据集验证提出的估计方法.实验结果证明,与其他估计方法相比,所提方法在准确性、泛化性和可靠性方面具有优势.     

电动车电池SOC估计的径向基函数神经网络方法

结合电池容量估计问题,将广义生长剪枝径向基函数神经网络方法用于判断电动车蓄电池的荷电状态.通过神经网络输入参数的选择,文章设计标准模型、递推模型和安时模型三种不同的估计模型.实验结果表明:估计模型经过训练后,可以通过,蓄电池的工作电压、工作电流和表面温度参数估计蓄电池的荷电状态实时值,其中安时模型的训练时间、估计精度、网络的规模较其他两种模型更为出色.同时,本文引入解耦卡尔曼滤波器算法,有效提高了广义生长剪枝径向基神经网络的训练速度,在保证精度的前提下,将模型的训练时间缩短了1/2.     

基于广义回归神经网络的谐波源建模

提出了一种基于广义回归神经网络采用实测数据的谐波源建模方法。引入电压运行度和功率负荷度概念,通过广义回归神经网络将它们与各次谐波电流幅值之间的非线性映射关系建立谐波源模型。在该模型中,对网络平滑系数进行了优化设计,将最小检测误差对应的平滑系数用于网络训练;对谐波源在不同运行条件下的负荷度-电流特性进行了研究,根据电压运行度和功率负荷度估计各次谐波电流幅值。以某中频炉实测数据为例,结果表明该模型计算值与实测值的误差很小,具有人为确定参数少、训练时间短、精度高等优点,是一种有效的谐波源建模方法。     

一种参数优化旋转广义回归神经网络模型

针对传统广义回归神经网络的模型结构与数据分布失配问题和模型参数难以确定问题,提出了一种参数优化旋转广义回归神经网络模型的设计方法.在传统广义回归神经网络模型的基础上,通过坐标旋转,增加了一个模型结构参数,并采用粒子群算法对旋转广义回归神经网络的模型参数寻找最优值,从而改进了广义回归神经网络模型精确度.两个工业实例的实验结果表明该方法的有效性.     

基于气象累积和ACA-GRNN的短期电力负荷预测

针对气象条件具有累积效应以及不同气象条件对负荷影响的程度不同的特点,采用一加权的几何距离公式来选取神经网络的训练样本,不仅加快了神经网络的训练速度,而且加强了神经网络的逼近能力.同传统的神经网络相比,广义回归神经网络的训练过程实际上是不断地调整平滑参数σ的过程,因此,σ的不同取值对网络的输出具有重要的影响.在优化广义回归神经网络的平滑参数σ时,采用基于蚁群种群的新型优化算法——蚁群算法来优化,在很大程度上减少了人为选择参数的主观影响.最后通过实例验证了该模型的有效性.     

基于自适应神经网络的电压快速估计

随着电网规模扩大、复杂度加深,对在线潮流计算确定节点电压提出严峻挑战。同时由于传统潮流计算依赖于模型建立的精度,其负荷模型建立存在较大难度,因此通过电压对无功的响应数据来快速精确估计电压发展趋势具有重要意义。本文提出一种基于自适应神经网络的节点电压快速估计方法,以系统负荷水平、无功激励为输入,节点电压为输出,离线训练神经网络,并在训练中加入遗传算法以提高网络收敛性和参数寻优能力,最终得到用于在线估计节点电压的隐性模型。通过IEEE 24节点系统标准算例验证表明,该方法具有较强的电压拟合能力和外推能力,计算结果相较于传统神经网络更加精确,不易出现过拟合。     

神经网络的同伦算法与电力系统状态估计

本文将同伦算法引入到神经网络的学习训练中,提高了神经网络的学习效率,该方法具有稳定性强,收敛性好的优点,用这种神经网络进行了电力系统的状态估计,算例表明了该方法的有效性。     

发动机输出转矩的改进BP神经网络估计

针对混合动力汽车控制系统的开发过程,提出一种应用改进BP神经网络对发动机输出转矩进行估计的方法.根据在发动机实验台中所测得的部分样本数据,将传统的BP网络误差函数进行改进,建立了发动机输出转矩估计模型,并利用最优停止法对网络进行训练,避免了过拟合现象.实验结果表明,利用改进的BP网络对发动机输出转矩进行估计,减轻了网络训练负担,降低了网络训练的误差,提高了发动机输出转矩估计的精确度.     

基于神经元状态的伺服系统自适应广义极点配置控制

提出了一类基于神经元状态估计器的自适应广义极点配置控制，研究了该控制系统的网络结构和权值学习方法。系统仿真实验表明，该控制策略具有结构简单、训练方便，有强壮的鲁棒性和快速性，对于系统不确定、参数时变或含非线性因素等伺服系统是一种有效的控制策略。     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

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。     

基于神经网络的电力系统状态估计

本文以Tank和Hopfield神经网络为基础，建立了一种由主从网络构成的电力系统状态估计神经网络模型。理论分析和实例模拟结果表明：该网络是稳定的，该方法是可行有效的。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

基于模糊神经网络的感应电动机转速估计方法

根据感应电动机的数学模型,提出一种基于模糊神经网络的感应电动机转速估计的方法,并给出了速度估计器的模糊神经网络结构和学习算法。仿真结果表明,该方法能准确跟踪电动机实际转速的变化,具有良好的性能。     

Fault section estimation in power systems by discrimination analysis

Once a fault occurs in a power system, the fault section must be estimated from inadequate information on protective relays and circuit breakers. There have been several studies to develop an automatic estimation method, e.g., knowledge engineering, neural network, etc. However, it was very difficult to obtain a method which is powerful enough and easy to maintain. In this paper, the discrimination analysis theory is applied to the fault section estimation. Using the theory, it is expected that the inference speed can be improved. It is expected also that the knowledge about the fault section estimation can be collected. First, using the small model system, the fault section estimation method with the discrimination analysis theory is described and compared to the method with neural network. Next, it is illustrated that the method can be applied to a large system.     

考虑双侧量测误差的配电网拓扑识别及参数联合估计方法

配电网参数估计和拓扑识别是配电网规划、运行分析和安全控制的基础,传统线性回归方法对量测数据误差或噪声数据具有较高要求,只有在无噪声情况下,估计才是准确的。然而实际输入测量值(如电压幅值和相位角)和输出测量值(如有功和无功功率)均存在噪声数据,对于拓扑估计,即使量测误差很小,回归方法也无法得到准确拓扑。针对上述问题,首先构建了配电网参数估计的基本模型,并定量分析了量测误差对线路参数估计和拓扑识别的影响。在此基础上,建立了考虑双侧量测误差的线路参数估计模型。针对其非凸导致的难以求解的问题,基于拉格朗日函数进行等价转化,得到易于求解的最小化瑞利熵问题。最后,基于IEEE 8节点系统进行仿真分析,并与传统线性回归、最小二乘法进行对比,证明所提方法在量测误差达到10%时,依然具有良好的估计精度。     

Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network,an OLS algorithm and AGA

A method to accurately estimate the State-of-Charge (SOC) for LiFePO₄ (LFB) batteries is urgently required, to address the issues associated with the increased use of LFP batteries for portable devices. This paper proposes a hybrid method that combines a radial basis function (RBF) neural network, an orthogonal least-squares (OLS) algorithm and an adaptive genetic algorithm (AGA) to estimate the SOC in discharging condition. The OLS algorithm determines the optimal number of nodes in the hidden layer of the RBF neural network. With an optimal RBF neural network structure, the AGA is then used to tune the parameters of the RBF neural network, including the centers and widths of RBF and the connection weights. The trained RBF neural network is then used to estimate the SOC of a LFP battery. In order to demonstrate the effectiveness of the proposed estimation method, the method is tested using LFP batteries under several different discharging conditions. The effectiveness of the proposed method is compared with the Coulomb integration method and a back propagation (BP) neural network. The results show that the proposed method outperforms the other methods.     

多数据驱动人工神经网络的 IGBT 结温在线估计方法

传统结温估计方法因其无法根据 IGBT 模块健康状态实时调校,从而导致当模块发生封装退化后无法准确估计结温。 因此,为解决在实际工况中模块封装退化造成的结温估计误差问题,建立了一个基于多数据驱动的以人工神经网络为主体的 IGBT 结温在线估计模型。 首先,确定饱和压降作为温敏电参数并研究其构成,分析其与集电极电流,芯片结温和封装退化之间 的耦合关系。 随后,为解决封装退化造成的饱和压降温度特性变化问题,提出结合米勒电压温度特性的优势,配合饱和压降与 集电极电流驱动人工神经网络算法构建结温估计模型,并通过搭建实验平台提取数据,完成模型的训练。 最终,通过与传统结 温估计方法对比估计误差,新模型将结温估计误差从 20%降低到了 5%以下。