自适应小波神经网络的BLDCM转子位置检测

在分析反电动势过零检测原理的基础上,推导出线反电动势过零点与电机换相点及线电压与线反电动势间的关系,从而在线电压与转子位置间建立了联系。但由于无刷直流电机(BLDCM)是一个复杂的非线性系统,并且电机的一些参数在运行过程中也是变化的,因此直接通过线电压获得准确的转子位置比较困难。为此提出利用自适应小波神经网络将3个线电压作为输入信号来辨识电机转子位置的方法,并采用差分进化(DE)算法优化小波神经网络结构,从而提高了转子位置辨识的精度和收敛速度。最后通过仿真和实验证明所提出的方法辨识转子位置精度很高,且具有很强的自适应能力,可准确获得BLDCM换相信号。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

量子遗传算法优化RBF神经网络及其在热工辨识中的应用

量子遗传算法是基于量子计算原理的概率优化方法,在量子门更新过程中,旋转角的大小直接影响优化的结果和进化的速度。文中针对模糊量子遗传算法(FQGA)容易导致系统陷入局部最优的缺点,将量子衍生交叉算法的思想引入FQGA,提出了一种新的量子遗传算法。同时利用该方法构造径向基函数神经网络进行非线性系统辨识。其特点是通过这种新的量子遗传算法,实现对RBF神经网络权值、宽度和中心位置等有关参数的估计。其速度快、精度高。通过RBF神经网络有效地完成了对非线性系统的辨识。对典型非线性函数辨识的测试表明：该方法有效地提高了量子遗传算法的计算精度和收敛速度。同时利用该方法设计了一种通用的热工对象模型辨识神经网络算法,编制了专用的模型识别软件,对某电厂循环流化床锅炉一次风对床温的动态特性进行辨识,结果表明该方法是一种精度比较高的辨识算法。     

改进小生境差分进化算法在配网无功优化中的应用

配网无功优化是一类非线性的整数规划问题,通过调整变压器的变比,改变发电机的端电压和连接补偿电容来改变电力网络中的无功,减小系统网损。差分进化算法是一种收敛速度快,收敛精度高的智能进化算法,针对无功优化模型对差分进化算法做出改进,引入小生境思想。通过实例验证了小生境粒子群算法(NPSO)和改进小生境差分进化算法(FERDE)对无功补偿装置布点优化规划的有效性。结果表明,增强算法的局部搜索能力和扩宽搜索范围,在收敛速度和精度上都有不同程度的提高。     

基于差分进化粒子群神经网络的用户侧储能容量优化配置

为提高用户侧储能系统的经济性及使用寿命,提出一种基于差分进化-粒子群BP神经网络的储能优化配置算法.以提高系统可靠性和降低系统投资成本为目标,以储能电池充放电功率限制以及系统最大装机容量等为约束条件,搭建了用户侧储能容量优化配置模型.提出的差分进化和粒子群的混合算法,保留粒子群算法早期收敛速度快的优点,加入差分进化算法以此保障种群的多样性,避免算法过早陷入局部最优,并相应减少粒子群控制参数数量,提高算法的性能,加快算法收敛速度,优化BP神经网络初始权重和阈值.算例结果表明,相比单一的差分进化法和粒子群算法,采用混合算法能够更快更好地得到优化结果.仿真结果表明了算法的有效性,在保证系统运行可靠性的同时,有效降低了系统的投资成本,使系统的经济性得以提升.     

基于AEPSO-BPNN的光伏阵列多场景参数辨识

针对光伏阵列内部机理较为复杂、参数难以快速准确辨识的问题,提出了一种自适应进化粒子群算法优化BP神经网络（AEPSO-BPNN）的模型建立和参数辨识方法。通过引入自适应、进化和重构等改进策略,可以提高粒子群算法的收敛性能,并将其对BP神经网络的初始权值和阈值进行优化,使神经网络算法在迭代后期不易陷入局部最优解,以提高参数辨识的精确度和速度。根据光伏阵列的实测输出电流和理论计算电流的差值,并考虑环境变化对内部参数的影响,构造均方根误差函数作为算法的适应度函数,从而将复杂的多参数辨识问题转化为带约束条件的非线性多变量最优化问题。最后采用多场景法,验证算法在不同光照强度和温度下的适用性和效果,并与其他算法进行对比,仿真结果表明该算法在误差、收敛速度和运行时间上有较大优势。     

基于差分进化的波浪能转换装置阵列优化

针对如何有效利用波浪辐射和散射以提升波浪发电系统效率的问题,提出采用差分进化算法对波浪能转换装置阵列进行优化排布。差分进化算法全局搜索能力强并且计算时间少;同时,差分进化算法在精度和收敛速度上没法两全且可能会陷入局部解,为了使优化结果更准确,引入了自适应变异算子的概念对差分进化算法进行改进,改进后的算法收敛速度相对较快而且结果准确度高。结合改进算法,分别针对不同浮子数目的阵列进行优化与对比分析。仿真结果表明,阵列规模越大,浮子之间的互补作用越大,波浪能转换装置的效率越高,这验证了所提阵列优化方案的有效性。     

基于混合粒子群算法的短期负荷预测模型

由于电力负荷内在的非线性特性,传统基于梯度搜索的参数辨识技术可能陷入局部最优,影响了预测精度,故提出了混合进化和粒子群优化算法。将进化算法的基本思想引入粒子群优化算法,不但保持了粒子群算法结构简单、易于实现的特点,而且充分发挥了进化算法的全局搜索能力,可有效提高算法的精度和收敛速度。对上海地区电网进行短期负荷预测,与实际值相比较,结果表明,该算法具有较高的预测精度,是一种有效的短期预测方法。     

自适应差分进化算法在光伏组件模型参数辨识中的应用

针对光伏组件模型参数辨识精度低和传统优化算法参数辨识过早收敛的问题,提出了基于自适应缩放因子和自适应交叉变异概率的差分进化算法对两种常用太阳能电池单元模型进行参数辨识,把辨识参数代入模型与实测数据进行拟合,用拟合效果好的一种太阳能电池单元模型作为光伏组件模型的基础,并用自适应差分进化算法对光伏组件模型的参数进行辨识,辨识结果的均方根误差为1.402e-2,辨识精度更高,全局收敛能力更强,并对辨识后的模型与实际测量数据进行拟合,其拟合相对误差是5.73e-4。计算电流平均绝对误差为2.11e-3,结果明显优于粒子群算法(POS),遗传算法(GA),模式搜索算法(PS),并在不同环境下验证了所提方法的有效性。这对光伏发电系统最大功率点跟踪控制和功率预测具有实际意义。     

考虑逆变器非线性因素的表贴式永磁同步电机参数辨识

在表贴式永磁同步电机参数辨识中,逆变器的非线性因素会影响电机参数的辨识精度。该文通过方程变换去除定子电压方程中逆变器非线性因素产生的误差电压,构建不受逆变器非线性因素影响的参数辨识模型。为了提高辨识结果的收敛速度并降低稳态误差,采用加入动量项的自适应线性元件(Adaline)神经网络算法辨识电机参数。实验结果表明,所提方法能提高电感、定子电阻和转子磁链的辨识精度,并加快辨识结果的收敛速度。     

最小二乘小波支持向量机在非线性控制中的应用

结合小波技术和支持向量机,提出了一种基于多维允许小波核的最小二乘小波支持向量机,其小波核函数具有近似正交和适用于信号局部分析的特点。同时,给出了一种有效求解最小二乘小波支持向量机的Cholesky分解算法。将最小二乘小波支持向量机应用在非线性系统的自适应控制上,仿真结果表明,与最小二乘支持向量机、多层前向神经网络或模糊逻辑系统相比,最小二乘小波支持向量机均能给出较好的性能,显示出快速而稳定的学习速度,而且在相同条件下,最小二乘小波支持向量机比最小二乘支持向量机的逼近精确度提高了一个数量级。所提出的用于非线性动态系统自适应控制的最小二乘小波支持向量机方法具有效性和实用性。     

Self‐recurrent wavelet neural network–based identification and adaptive predictive control of nonlinear dynamical systems

In this paper, the problem of simultaneous identification and predictive control of nonlinear dynamical systems using self‐recurrent wavelet neural network (SRWNN) is addressed. The structure of the SRWNN is a modification of the wavelet neural network (WNN). Unlike WNN, the neurons present in the hidden layer of SRWNN contain the weighted self‐feedback loops. Dynamic back‐propagation algorithm is employed to derive the necessary parameter update equations. To further improve the convergence speed of the parameters, a time‐varying (adaptive) learning rate is used. Four simulation examples are considered for testing the effectiveness of the proposed method. Furthermore, some disturbance rejection tests are also performed on the proposed method. The results obtained through the simulation study confirm the effectiveness of the proposed method.     

短期电力负荷预测的小波神经元网络模型的研究

根据短期电力负荷预测的特点,提出一种负荷预测新算法－小波神经元网络负荷预测模型,它以非线性小波基为神经元函数,通过伸缩因子和平移因子计算小波基函数合成的小波网络,从而达到全局最优的逼近效果,同时有效地克服了人工神经元网络学习速度慢,难以合理确定网络结构,存在局部极小点的固有缺陷。经实例验证,该方法能有效地提高预测精度,可用于短期电力负荷预测。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型。提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电线路的故障距离。在标准粒子群算法中引入遗传算法变异因子,利用改进后的粒子群算法作为小波神经网络的训练算法,优化小波神经网络的权值与阈值参数,加快了小波神经网络故障测距模型的收敛速度,并提高了输出结果的精度。仿真结果证明,该方法有效且可行。     

电压崩溃临近指标的小波神经元网络拟合算法

电压崩溃临近指标能够有效、快速地对电力系统电压安全进行评估。为此, 提出了一种电压崩溃临近指标的小波神经元网络模型。这个模型以非线性小波基为神经元函数, 通过优化伸缩因子和平移因子确定对应各神经元的小波基函数, 从而合成小波神经元网络, 达到全局最优拟和效果。经过训练的小波神经元网络能在线计算电压崩溃临近指标, 并且具有快速、准确等优点。文中对该模型与人工神经元网络模型进行了比较, 结果证明, 利用小波神经元网络模型进行电压崩溃临近指标预测比利用人工神经元网络模型具有更高的拟合精度, 计算速度更快。仿真结果表明, 该方法能有效地对电力系统电压崩溃做出早期预测, 是一种对系统电压安全进行快速、实时评估的有效工具。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

基于GIS的小波神经网络库区径流预报模型研究

提出了一种基于GIS与小波神经网络方法相结合构建而成的水库日径流预测模型(GWNNR),通过模糊C均值聚类分析将水库历史径流数据分成4类,并分别建立相应的小波神经网络预测模型,应用遗传算法(Genetic algorithm)和误差反传递(Back-propagation)算法对模型的参数进行优化,对某水库2005年日平均来流进行分类预测,结果表明,该方法具有较好的训练速度和较高的预测精度.     

基于小波神经网络的电容层析成像图像重建算法

电容层析成像(electrical capacitance tomography,ECT)技术是一个复杂的非线性问题,针对图像重建问题的病态性,提出了基于小波神经网络的图像重建算法。利用主成分分析法对输入变量(电容测量值)进行降维处理,利用小波神经网络建立电容测量值与成像区域介电常数分布的非线性映射。小波神经网络的神经元激励函数由伸缩和平移因子决定的小波基函数,采用BP算法对网络进行训练,并引入学习率与动量因子的自适应调整方法以加快网络训练的收敛速度。实验结果表明,与典型的反投影及Landweber迭代算法相比,该算法所构图像质量有明显改善。