基于小波神经网络的航空蓄电池容量预测

为有效预测航空蓄电池的剩余容量,引入小波神经网络,建立了蓄电池内阻和SOC的小波网络模型,通过实验数据对小波网络模型进行训练,得到了用于内阻和SOC预测的小波网络,最后将小波网络的预测结果和BP网络的预测结果进行对比,结果表明小波网络比BP的预测精度要高,更适合用于航空蓄电池容量的预测.     

航空用蓄电池容量预则的新方法

研究了预测蓄电池容量的一种新方法.为有效预测航空用蓄电池的剩余容量,引入小波神经网络,建立了蓄电池内阻和荷电状态(SOC)的小波网络模型,通过实验数据对小波网络模型进行训练,得到了用于内阻和SOC预测的小波网络,最后将小波网络的预测结果和BP网络的预测结果进行对比,结果表明小波网络比BP的预测精度高,更适合用于航空用蓄...     

基于小波神经网络的负载类型识别

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的负载模式识别的方法。其中小波函数代替非时变一般神经元隐层函数,用于提高网络对系统输入输出之间复杂关系的映射能力,相对于传统的模式识别方法,用小波变换对采集信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间。对实例电路识别结果表明,该方法能正确识别各种负载类型,准确率高。     

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。     

基于一种NW-FLNN神经网络的短期电价预测

针对传统神经网络收敛速度慢、容易陷入局部极值的问题,文中提出一种改进型小波神经网络以实现网络全局最优化。首先,将小波神经网络与随机矢量函数连接型网络相融合构建一种新型小波链神经网络(NW-FLNN);其次,以小波基函数作为NW-FLNN的隐含层的传递函数,并利用梯度修正法训练该模型各参数;最后,选用澳大利亚新南威尔士州电价数据作为实验数据集,分别对NW-FLNN神经网络、逆传播BP神经网络与小波神经网络进行预测性能比较。实验结果表明:该新型网络预测模型较BP神经网络与小波神经网络性能更优,可明显减少网络迭代次数与隐层神经元数目,且平均百分比误差最大降低至0. 0317,满足实时性要求。     

小波变换、神经网络和小波网络的函数逼近能力分析与比较

基于对小波变换和神经网络之间内在联系的分析，利用神经网络不同激励函数的线性组合构造出了相应的小波函数，得出小波函数作为神经网络的激励函数与普通神经网络的激励函数在本质上是一致的结论，并引入了小波网络。通过对小波变换，神经网络和小波网络函数逼近能力的理论分析与比较，认为小波网络在函数逼近方面具有明显的优势，并且分别利用这3种方式对一典型函数进行了仿真逼近的验证。     

基于遗传小波神经网络的机器人腕力传感器动态补偿研究

提出一种基于改进遗传算法进化小波神经网络用于机器人腕力传感器动态补偿的新方法,介绍算法原理。该方法利用腕力传感器的动态标定数据,用改进的遗传算法来优化小波神经网络结构和参数,建立腕力传感器的动态补偿模型。结果表明,采用遗传小波神经网络进行腕力传感器动态补偿,能克服BP算法存在易陷入局部极小点的缺点,网络的复杂度、收敛性和泛化能力得到了好的综合,补偿模型建立的速度和精度得到提高。     

改进小波网络在油浸式变压器故障诊断中的应用

小波网络是近年来神经网络研究中的一个新分支,是结合小波变换理论与神经网络的思想构造的一种新的神经网络模型.笔者构造的前馈小波神经网络是将小波分析与BP神经网络融合,以Gauss小波及其伸缩平移系作为隐含层小波基函数并且对小波神经网络做了一些改进.选择了300组油中溶解气体含量作为前馈小波神经网络训练及故障识别的样本,并...     

基于小波神经网络的毫米波频率步进雷达目标识别

本文将小波和神经网络理论结合,研究小波神经网络的构造及其算法。将所提出的小波神经网络用于毫米波频率步进雷达目标一维距离像识别,实验结果表明小波神经网络分类效果良好。     

小波神经网络及其在电力负荷预测中应用概述

小波神经网络是建立在小波理论基础上的一种新型前馈神经网络,具有许多优良特性。本文介绍小波神经网络的构成原理、设计方法和优点,分析小波神经网络在电力负荷预测领域的研究和应用现状。文中所指小波神经网络的优点,例如所需网络节点少和预测精度高,已经在电力负荷预测研究中得到验证。将小波神经网络应用于电力负荷预测的成果是令人鼓舞的。但是小波神经网络也存在收敛性差等缺点,还需要进一步研究适合小波神经网络的算法,以提高其性能。     

基于非线性主分量分析-多层感知器网络的变压器油中溶解气体数据分析

采用人工神经网络进行变压器DGA数据的分析与诊断。为全面评价变压器的实际运行状况，综合利用了各特征气体含量及其比值信息，并借鉴模糊数据处理思想构造初始输入特征集合。借助一个特殊的复合神经网络进行数据分析与故障诊断。其中，非线性主分量分析网络执行多元输入特征信息的融合及主特征选择，形成待识别故障类的敏感特征量；随后的多层感知器执行故障模式识别。试验结果表明，在DGA分析的基础上，应用非线性主分量分析－多层感知器复合神经网络可有效实现变压器不同故障模式的智能化识别，获得较好的诊断结果。     

基于RPROP神经网络算法的主变DGA故障诊断模型

故障诊断模型是开展输变电设备状态检修的核心环节之一,文中采用弹性反馈(RPROP)神经网络算法建立主变压器油中溶解气体的神经网络故障诊断模型,通过与带动量因子的标准反向传播(BP)算法、Bold Driver算法、SuperSAB算法相比较,表明了RPROP算法在故障模式识别中具有更好的学习效率与泛化能力,故障诊断的准确度高于传统分析方法,在变电设备状态诊断中具有良好的应用前景.     

基于 Super SAB神经网络算法的主变压器故障诊断模型

人工神经网络(ANN)由于其高度的非线性映射能力在电力系统模式识别及非线性优化领域有着广泛深入的应用研究.本文将Super SAB神经网络算法应用于主变压器溶解气体故障诊断(DGA),通过与带动量因子的标准BP算法、Bo1d Driver算法比较,验证SuperSAB算法在故障模式识别中具有更好的学习效率与泛化能力,故障诊断的准确度高于传统分析方法,表明其在变电设备状态诊断中具有良好的应用前景.     

多神经网络与证据理论融合的变压器故障综合诊断方法研究

电力变压器发生故障的部位多，故障原因、现象复杂，在故障诊断中，可以通过变压器不同方面的特征信号从不同侧面来反映变压器的故障。因而需要对变压器的多种特征信号进行综合处理和协同分析。该文结合色谱数据和电气试验数据，利用数据融合原理，将神经网络和证据理论进行有机结合，使两者优势互补，提出了多神经网络与证据理论融合的变压器故障综合诊断方法。诊断结果表明，运用提出的融合诊断算法，能充分利用色谱数据和电气试验数据的冗余、互补信息，使基于多种特征信号综合诊断结果的准确性和可靠性比基于单一故障特征的诊断得到有效的提高。     

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。     

将具有可信度的BP神经网络应用于变压器故障诊断

BP神经网络具有自学习和自适应能力,比较适合于基于油中溶解气体分析的变压器故障诊断。分析了常规BP算法的不足,指出了加动量项BP算法的原理和优点。该方法减轻了网络训练过程中的振荡,加速了网络的收敛。针对常规的BP神经网络不能给出诊断结果的可信度问题,利用多个网络共同诊断,根据多个诊断结果的标准差获得诊断结果的可信度,多个结果的均值作为最终诊断结果,从而提高了准确性。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,并将训练所得的多个神经网络用于变压器故障诊断。结果表明了该方法的有效性。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

Nguyen-Widrow法用于变压器油气分析故障诊断

为解决神经网络在油中溶解气体分析变压器故障诊断的应用中存在收敛速度慢的问题,将Nguyen-Wid-row方法用于神经网络可变参数的初始化。该法通过调整隐层神经元的权值和阈值使隐层各个神经元输入的线性区间相等,从而减少网络训练时权值和阈值的调整量,加快网络收敛速度,增强网络学习能力,提高故障诊断的精度。对393个样本用5-80-6的结构网络分别不使用和使用该法训练,其样本误差平方和分别为37·10和15·21,训练所得网络对155个变压器的诊断结果准确率分别为80·97%和84·19%。表明该法的确能提高神经网络的学习能力和对变压器的故障诊断能力。     

基于RPROP算法的变压器油中溶解气体分析故障诊断

在分析BP算法和RPROP(振荡传播)算法原理的基础上，指出了RPROP算法具有收敛速度快、不容易陷入局部极小点、自适应能力强等优点，并分析了原因。将RPROP算法训练的多层前馈神经网络用于变压器油中溶解气体分析故障诊断，给出了网络模型，分析了隐层神经元数目对网络训练和诊断的影响。变压器油中溶解气体数据的训练和诊断表明，RPROP算法的收敛速度快于BP算法、加动量项BP算法，并且具有较高的诊断准确率，是一种有效的方法。     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。