基于径向基函数网络的短期负荷预测

提出了一种基于径向基函数网络的短期负荷预测方法,采用快速混合算 法有效地解决了径向基函数网络的学习问题,学习样本选择时综合考虑了日期类型、温度、 天气等因素的影响,在实际应用中证明了此方法的有效性。     

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RBF改进模型的电力系统短期负荷预测

提出了一种改进的径向基函数神经网络预测模型。模型中,应用改进K-均值聚类算法确定该神经网络的聚类中心,运用最小均值方差算法确定了神经网络的权值,同时考虑了温度、天气状况、日期类型对负荷的影响。经初步测试表明,该方法具有良好的预测精度。     

径向基函数网络在冰箱制冷性能检测中的应用

将一种基于最近邻聚类学习算法的动态自适应径向基函数(RBF)网络应用于非线性时间序列的模式识别。这种方法解决了BP网络难以解决的局部极小值问题，并且在冰箱的制冷性能识别中得到了令人满意的效果。     

基于径向基函数神经网络的SR电动机定子径向力建模

探讨了采用径向基神经网络对开关磁阻电动机定子径向力进行建模的方法。考虑到定子径向力模型中的两个输入量,即绕组电流和转子位置,取值范围较大,本文提出了先对输入量进行归一化处理,使得基函数的中心映射在[0,1]的闭区间内,再使用最近邻聚类和最速梯度下降法对网络进行训练的方法。文中给出了径向基神经网络和误差反传神经网络在建模精度和收敛速度上的比较,结果证实径向基函数神经网络除了具有很强的非线性逼近精度和泛化能力外,在给定同样的隐层神经元结构、网络学习率和目标误差,径向基神经网络在定子径向力非线性模型的训练过程中收敛速度更快,网络学习效率更高。     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。     

基于动态自适应径向基函数网络的概率性短期负荷预测

针对径向基函数(radial basis function,RBF)网络在电力系统短期负荷预测中的应用,提出了一种基于动态自适应RBF网络的概率性短期负荷预测方法。采用动态自适应最近邻聚类学习算法训练网络实现负荷预测。在此基础上,通过对历史负荷预测误差特性的统计分析,对各负荷分区内预测误差的概率密度函数建模,并结合确定性预测结果获得概率性负荷预测结果。通过分析实际电网数据,验证了该方法的实用性与有效性。     

神经网络数字模式识别

在介绍径向基函数神经网络基本原理的基础上,提出了基于RBF的数字模式识别的设计及其原则,包括识别数字网络模型结构、最近聚类学习算法等问题.     

一种基于径向基神经网络的短期风电功率直接预测方法

提出了一种基于RBF神经网络的未来24 h风电功率直接预测方法。为克服传统聚类算法局部寻优的缺陷,基于模糊C-均值聚类算法,提出了一种将遗传算法、模拟退火算法和模式识别技术相结合的模糊聚类算法。基于某风电场的实测数据,采用所提出的模糊聚类算法和几种常用方法分别确定径向基函数的中心,并采用最小二乘法解决权值学习问题。预测结果表明了基于RBF神经网络的风电功率预测方法能够有效提高预测精度,且证明了所提出的模糊聚类算法的优越性。     

基于ACC-RBF的水布垭面板堆石坝参数反演分析

蚁群聚类径向基函数（ACC-RBF）神经网络是将蚁群聚类算法和径向基函数神经网络组合运用的一种新型神经网络模型,把该网络用于水布垭高面板坝堆石体的多参数反演问题,在室内试验参数的基础上用有限元计算获得学习样本,采用该网络对坝体堆石料的邓肯E-B模型参数进行反演分析,用反演所得参数结合三维非线性有限元计算坝体应力变形,并与实测资料比较,得出很接近的结论。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

动态RBF神经网络在非线性系统建模中的应用

在分析传统RBF神经网络算法的基础上,提出了改进的最临近聚类算法和隐含层节点的增加与修剪策略,从而增强了RBF神经网络的非线性系统建模能力。以锅炉燃烧过程为实例,通过从现场采集的数据建立神经网络模型,使用改进的算法建立系统的初始神经网络模型,再经过改进算法不断修正模型,取得了比较满意的效果。     

基于在线学习RBF神经网络的汽门开度自适应补偿控制方法

汽门控制对于提高电力系统暂态稳定具有重要作用。为了提高汽门系统的控制性能,提出了基于在线学习RBF神经网络的汽门开度自适应补偿控制方法。首先,根据逆系统方法分析了被控汽门系统的可逆性、推导了被控汽门系统输出的α阶导数和伪控制量之间的误差,并设计了用于补偿此误差的在线学习RBF神经网络。然后,基于Lyapunov稳定性理论设计了RBF神经网络的在线学习算法,证明了闭环系统跟踪误差和RBF神经网络权值估计误差的一致最终有界性。所提出的控制方法仅需被控汽门系统很少的先验知识,而无需其精确数学模型,并且用于自适应补偿控制的RBF神经网络无需离线训练过程。最后,针对典型的单机无穷大汽门控制系统进行了数值仿真。仿真结果表明,所提出的控制方法较传统的非线性最优控制方法能明显提升电力系统的暂态控制性能。     

基于改进LBG算法RBF网络的高压输电线路故障诊断

利用径向基函数RBF网络适合于求解模式识别问题的优势,提出采用RBF网络来实现高压输电线路的故障诊断,建造了基于RBF网络的高压输电线路故障诊断模型结构,并且对RBF网络的聚类过程给出了改进的LBG算法.仿真分析及容错性测试结果表明,本文所提方法能快速、正确地实现高压输电线路的故障诊断,而且对因干扰而畸变的输入信息情况具有容错能力,适合应用于实时信息处理系统.     

基于自适应径向基函数神经网络的无刷直流电机直接电流控制

提出了基于自适应径向基函数（Radial Basis Function)神经网络的无刷直流电机直接电流控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断地按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的RBF网络来实现电机电压、电流与功率开关导通信号之间的非线性映射，直接控制功率开关的通断，实现无位置传感器的直接电流控制。网络训练采用离线训练和在线训练相结合的方法。首先利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；再按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权：最后，用数字处理器(DSP)实现在线控制算法。实验结果表明，该控制方法具有较高的鲁棒性和控制精度。     

基于RBF神经网络的凝汽器故障诊断研究

针对BP网络的训练收敛速度慢,网络初值对学习性能影响比较大的缺陷,提出了一种基于RBF神经网络的故障诊断方法。介绍了RBF的网络结构和训练方法,并应用于凝汽器故障诊断中。通过对现有凝汽器运行中常见的典型故障及征兆集的分析,建立了完备的学习样本。通过实例证明,RBF网络训练速度快,分类性能良好,在故障诊断领域具有很好的实用性。     

永磁直线电机神经滑模控制器设计

提出了一种用于永磁直线电机伺服控制的神经滑模控制方法,通过神经网络的在线学习,削弱了滑模控制的抖振.该方法由推力,磁链的积分函数建市滑模面,然后将滑模向量作为RBF神经网络的输入量,RBF神经网络的输出量即为d-q轴控制电压u<,d>、u<,q>,自适应算法根据可达性条件实时在线调整RBF神经网络的连接权值,从而使得系...     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法,仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。     

基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。