遗传算法搜索优化及其在环境经济负荷调度中的应用

建立了环境经济负荷调度(EELD)问题的优化调度模型,提出一种利用MTALAB中的遗传算法与直接搜索工具箱求解这一问题的方法,并与人工神经网络法进行了比较分析.仿真计算表明,该方法将遗传算法较方便地应用到了EELD问题中,在环境经济合理配置的前提下优化分配各单元机组的发电量,且收敛速度快、应用范围广.     

神经网络模型动态特性的研究

本文从神经网络应用于动态系统建模的过程出发，指出了研究神经网络模型一般特性的重要性，分析了传统模型回响测试中存在的问题，给出了正确的回响测试方法，继而讨论了神经网络模型作为一类非线性动态模型所存在的多平衡点、极限环等问题，给出了模型稳定性判定的基本方法。最后是上述理论应用的一个示例。     

可编程逻辑控制器变频调速系统神经网络逆控制

神经网络逆系统方法是近年来提出的一种新型的控制算法，它结合了神经网络与逆系统的优点，使其具有很强的应用价值。可编程逻辑控制器（PLC）以其优异的性能在变频器加异步电机构成的变频调速系统中得到了广泛的应用，但对于异步电机这一复杂控制对象，需要进一步提高其控制性能。使用神经网络逆系统方法完成了PLC变频调速系统速度环的线性化，并进行闭环控制。实验结果表明，与传统线性控制方法相比，采用神经网络逆控制的PLC变频调速系统的运行性能得到了显著提升，体现了神经网络逆控制的工程实用性。     

电力系统中信号模拟的神经网络方法

本文介绍了一种利用神经网络识别系统问题的方法。传统的系统识别方法需要了解模型的结构，然后才利用参数估计方法。     

基于径向基函数神经网络和模糊控制系统的电网故障诊断新方法

该文针对RBF神经网络的知识存储和诊断过程是一个黑箱，对运行人员不透明，且当电网拓扑结构发生变化或扩展时，神经网络只能重新训练等问题，推导并建立了RBF神经网络和模糊控制系统之间的等值关系，使得蕴含在RBF神经网络权重中的知识转变为等值模糊控制系统中用语言表述的规则。在此基础上，针对电网结构发生变化或扩展情况，提出了RBF神经网络的局部重新训练新算法。提出的基于RBF神经网络和等值模糊控制系统的故障诊断方法在IEEEll8母线系统中进行了仿真试验，结果表明：基于RBF网络与等值模糊系统的故障诊断方法诊断知识易于理解，诊断过程透明，并能适应电网拓扑结构发生变化或扩展的情况，效果理想。     

中频电源智能控制系统研究

在分析目前中频感应加热过程温度控制中存在的问题之后，提出了一种新的适用于非线性、惯性系统的动态控制方法，即基于模糊神经网络的智能控制方法。详细介绍了智能控制系统组成及智能控制的实现方法。     

基于RBF神经网络的铁水硅含量预报模型

文章利用RBF神经网络的全局搜索能力，结合梯度学习算法和专家系统，建立了高炉铁水硅含量预报RBF神经网络模型。该系统解决了BP神经网络局部的收敛，学习时间过长的问题。实际应用表明，该系统可以提高硅含量预报命中率，为高炉操作提供指导。     

机组组合问题的扩展Hopfield神经网络算法

从Hopfield神经网络的原理和机组组合问题的特点出发，提出了一种适合解决机组组合问题的扩展Hopfield神经网络算法。该算法结合了Hopfield神经网络和模拟退火算法（SA）的优点，对整数变量取值范围进行了可行的扩展，有效地避免了陷入局部最优。同时，该算法无须进行额外的负荷经济分配，故能迅速，高效地搜索到系统的高质量优化解，对于实际系统的仿真计算结果证明了该算法的有效性，并且，方法本身具有良好的并行性，易于在并行计算机上实现，因此具有实际应用的可能性。     

基于神经网络多模型自适应切换控制研究

针对传统自适应控制和现有多模型自适应切换控制理论和方法中存在的问题，提出面向复杂系统的神经网络多模型自适应切换控制方法。采用最近邻聚类学习算法对样本分类，并利用RBF神经网络的学习能力和非线性逼近能力进行离线建模。同时，引入动态模型库技术来动态建立多模型。系统运行时在线实时检测系统当前状态，若超出现有各子模型所构成的状态空间，则利用在线神经网络学习新状态并建立新模型加入动态模型库中，从而改善动态系统的暂态响应和增强系统的鲁棒性。计算机仿真结果，表明了该算法的有效性。     

基于神经网络的指令驾驶系统设计

针对某型飞机的高度保持工作方式，依据BP神经网络良好的函数逼近功能，提出了一种基于神经网络的指令驾驶系统控制律设计方法。对控制律采用神经网络建模，并借助于自动驾驶仪系统在各种工作状态下的数据对神经网络进行训练，在不同飞行状态点建立了一个指令驾驶系统控制律的神经网络模型。人机闭环系统仿真结果表明，基于神经网络的指令驾驶系统控制律可以实现预定的高度保持飞行控制任务。     

An Integrated Approach to Economic Emission Load Dispatching Using Neural Network and Goal-Attainment Methods

This paper presents an integrated approach comprising artificial neural network (ANN) and goal-attainment (GA) methods to economic emission load dispatching (EELD) in power system operation and scheduling phases. The GA method, which is one of the most powerful tools for multiobjective optimization problems, is quantitatively performed to grasp trade-off relations between the two conflicting objectives (economy and emission impact) in the training set creation phase. Finally, a radial basis function ANN is trained by the orthogonal least squares learning algorithm to reach the optimal generations. The ANN models so developed have been tested to solve EELD problem on 6-bus and 71-bus power systems. The test results demonstrate that the proposed approach is capable of obtaining well-coordinated optimal solutions suitable both in accuracy and speed while allowing flexibility in the operation of the generators.     

An -dominance-based multiobjective genetic algorithm for economic emission load dispatch optimization problem

In this paper, a novel multiobjective genetic algorithm approach for economic emission load dispatch (EELD) optimization problem is presented. The EELD problem is formulated as a non-linear constrained multiobjective optimization problem with both equality and inequality constraints. A new optimization algorithm which is based on concept of co-evolution and repair algorithm for handling non-linear constraints is presented. The algorithm maintains a finite-sized archive of non-dominated solutions which gets iteratively updated in the presence of new solutions based on the concept of -dominance. The use of -dominance also makes the algorithms practical by allowing a decision maker to control the resolution of the Pareto-set approximation by choosing an appropriate value.The proposed approach is carried out on the standard IEEE 30-bus 6-genrator test system. The results demonstrate the capabilities of the proposed approach to generate true and well-distributed Pareto-optimal non-dominated solutions of the multiobjective EELD problem in one single run. Simulation results with the proposed approach have been compared to those reported in the literature. The comparison demonstrates the superiority of the proposed approach and confirms its potential to solve the multiobjective EELD problem.     

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。     

基于多输出衰减径向基函数神经网络的电网故障诊断

为提高电网故障诊断神经网络模型的构建速度,提出了一种基于多输出衰减径向基函数（Multi-output Decay Radial Basis Function, MDRBF）神经网络的故障诊断方法。DRBF神经网络不需训练即能以任意精度一致逼近任意连续多变量函数。介绍了单输出DRBF（Single-output DRBF, SDRBF）神经网络,分析了其存在的不足,即只能处理单输出变量问题,不能直接应用于电网故障诊断。在此基础上,根据电网元件的故障特点,提出了将SDRBF神经网络演变为多输出DRBF（Mu     

A Simulated Annealing-Based Goal-Attainment Method for Economic Emission Load Dispatch with Nonsmooth Fuel Cost and Emission Level Functions

A novel multiobjective optimization method for economic emission load dispatch (EELD) with nonsmooth fuel cost and emission level functions in power system operation andscheduling phases is presented. In this paper, the problem treats economy, emission, and transmission line security as competing objectives. The load constraints and operating constraints are taken into account. Assuming that the decision maker (DM) has goals for each of the objective functions, the multiobjective problem is converted into a single-objective optimization by the goal-attainment method, which is then handled by the simulated annealing (SA) technique. The solution methodology can offer a global or near-global noninferior (best compromising) solution in a sense close to the DM's requirements. Results for a sample test system have been presented to demonstrate the applicability and validity of the proposed method.     

栈式降噪自编码网络在变压器故障诊断中的应用

为提高变压器故障诊断的准确率,提出了一种新型的变压器故障诊断网络,该网络以基于栈式降噪自编码网络为基础,把深度学习用在诊断变压器设备故障方面,建立深层网络模型,采取逐层贪婪编码的方式进行自适应的非监督式预训练,实现高维深层故障特征的自适应提取和挖掘,进而使用反向传播算法对模型进行监督式微调。最后利用Softmax分类器,对故障进行分类输出。最后通过实例验证表明,提出的栈式降噪自编码网络能准确、有效地对变压器进行故障诊断,与传统方法相比,该方法提高了变压器故障诊断的准确率。     

Reference Model with an Adaptive Hermite Fuzzy Neural Network Controller for Tracking a Synchronous Reluctance Motor

This article presents a reference adaptive Hermite fuzzy neural network controller for a synchronous reluctance motor. Although synchronous reluctance motors are mathematically and structurally simple, they perform poorly under dynamic modes of operation because certain parameters, such as the external load and non-linear friction, are difficult to control. The proposed adaptive Hermite fuzzy neural network controller overcomes this problem, as using the Hermite function instead of the conventional Gaussian function shortens the training time. Furthermore, the proposed adaptive Hermite fuzzy neural network controller uses an online self-tuning fuzzy neural network to estimate the system's lumped uncertainty. The estimation method involves a fuzzy controller with expert knowledge of the initial weight of the neural network. Finally, the Lyapunov stability theory and adaptive update law were applied to guarantee system convergence. In this article, the responsiveness of the adaptive Hermite fuzzy neural network controller and an adaptive reference sliding-mode controller is compared. The experimental results show that the adaptive Hermite fuzzy neural network controller markedly improved the system's lumped uncertainty and external load response.     

A solution method of unit commitment by artificial neural networks

The authors explore the possibility of applying the Hopfield neural network to combinatorial optimization problems in power systems, in particular to unit commitment. A large number of inequality constraints included in unit commitment can be handled by dedicated neural networks. As an exact mapping of the problem onto the neural network is impossible with the state of the art, a two-step solution method was developed. First, generators to be stored up at each period are determined by the network, and then their outputs are adjusted by a conventional algorithm. The proposed neural network could solve a large-scale unit commitment problem with 30 generators over 24 periods, and results obtained were very encouraging     

基于混合神经网络和遗传算法的故障诊断系统

故障诊断对于事故后快速恢复具有重要意义。多种人工智能技术在其中得以应用, 然而快速、准确的故障诊断仍是一个悬而未决的难题, 尤其在保护和断路器不正常动作或多重故障的情况下, 故障诊断更为困难。提出了一种基于神经网络 (ANN) 和遗传算法 (GA) 的故障诊断方法, 它采用三层前向神经网络执行诊断功能, 双重 GA循环优化该神经网络的结构和连接权重。第一重 GA循环用于优化神经网络结构, 第二重 GA循环进一步优化神经网络的连接权重。两重 GA循环可以搜索确定用于故障诊断的最优神经网络。有关的数学模型和算法流程在文中作了详细介绍。以4-母线简单电力系统为例, 进行了计算机仿真计算。结果表明, 基于混合神经网络和遗传算法的故障诊断系统优于传统的BP神经网络, 可以较好地解决故障诊断问题。     

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.