基于正交小波神经网络的广域紧急直流功率支援在线预测

鉴于BP神经网络较易陷入局部极小点且收敛速度慢、RBF神经网络因其激励函数是冗余的非正交基故其逼近函数的表达式并不唯一等缺点,构造以Harr正交小波尺度函数为激励函数的神经网络并提出其相应的权值训练新方法,将该正交小波神经网络应用于实现对云广特高压直流和贵广Ⅱ直流的在线紧急直流功率支援在线协调预测控制.仿真结果表明:正交小波神经网络采用正交尺度函数作为激励函数,能保证网络逼近的唯一性,且训练算法简单、收敛迅速;正交小波神经网络能映射聚合成的特征输入数据,准确给出紧急直流功率支援控制量,具有较高的可靠性和准确性.     

基于小波网络的短期负荷预测方法

提出一种基于小波网络的短期负荷预测模型，小波网络结合了小波变换良好的时频局域性质和神经网络的自学习能力，因此具有比神经网络更灵活的函数逼近能力，同时有效地改善了神经网络难于合理确定网络结构、存在局部最优等缺陷，算例表明，这种模型是快速准确的。     

两种小波网络的函数逼近能力比较与应用

基于小波分析中小波变换的两个不同角度,分别介绍了两种不同的小波网络,并对这两种小波网络的构成、模型和函数逼近能力进行了讨论,给出了这两种小波网络对一阶梯函数逼近的仿真结果,得出第二种小波网络具有更好的函数逼近能力,最后介绍了这两种小波网络在信号分类器方面的应用,给出了各自学习模型和仿真结果。     

两种小波网络的函数逼近能力比较与应用

基于小波分析中小波变换的两个不同角度,分别介绍了两种不同的小波网络,并对这两种小波网络的构成、模型和函数逼近能力进行了讨论,给出了这两种小波网络对一阶梯函数逼近的仿真结果,得出第二种小波网络具有更好的函数逼近能力,最后介绍了这两种小波网络在信号分类器方面的应用,给出了各自学习模型和仿真结果.     

基于模糊小波网络的电力系统短期负荷预测方法

提出一种基于模糊小波网络的短期负荷预测模型。模糊小波网络结合了小波变换良好的时频局域化性质、模糊推理和神经网络的学习能力,因此函数逼近能力大大提高。模糊小波网络由一组模糊推理规则和若干小波子网络组成,其中模糊规则的结论部分与某一特定尺度的小波子网络相对应。在学习过程中通过同时调整小波基函数的平移因子和隶属度函数的形状,使得模糊小波网络的精度和泛化能力大大提高。实例计算表明,这种模型是切实可行的。     

基于模糊小波网络的电力系统短期负荷预测方法

提出一种基于模糊小波网络的短期负荷预测模型.模糊小波网络结合了小波变换良好的时频局域化性质、模糊推理和神经网络的学习能力,因此函数逼近能力大大提高.模糊小波网络由一组模糊推理规则和若干小波子网络组成,其中模糊规则的结论部分与某一特定尺度的小波子网络相对应.在学习过程中通过同时调整小波基函数的平移因子和隶属度函数的形状,使得模糊小波网络的精度和泛化能力大大提高.实例计算表明,这种模型是切实可行的.     

基于小波神经网络的在线警报处理系统

利用小波变换在信号处理方面的时频分析能力和神经网络对任意非线性函数的普通的逼近能力，提出了一个基于小波神经网络的电力系统故障段辨别方法。故障诊断系统依据保护继电器和断路器的采样信息估计电力系统中故障段的位置。仿真结果显示，小波神经网络故障诊断系统能正确估计电力系统单一故障和多重故障的位置，即使在电力系统中存在保护继电器和断路器误动或拒动的情况下，小波神经网络也能给出合理的结果。测试结果表明，小波神经网络在电力系统警报处理系统中有良好的应用前景。     

小波网络的研究进展与应用

首先从小波分析和神经网络各自存在的问题出发，对小波网络的产生原因和产生形式进行了研究；接着分别从连续小波变换，正交小波变换，小波框架和小波基拟合几方面，详细地介绍了小波网络的构造理论；然后从小波函数的选择，网络参数初始化，隐层节点数确定和参数调节算法几方面对小波网络的学习过程进行了讨论；最后介绍了小波网络的应用，并提出了当前存在的问题和今后的研究方向。     

基于多分辨正交多小波的神经网络研究

根据多小波空间中函数的多分辨率分解思想,构造了一种基于正交多小波的神经网络.该网络和小波网络结构相似,只是用同时具有紧支撑集、对称性、正交性和高阶消失矩的多尺度函数和多小波函数代替单尺度和单小波函数作为网络的激励函数.从理论上分析可得,多小波网络比单小波网络的收敛速度要快.为了比较这两种网络,对两种网络进行了对比仿真.仿真表明,实验结果和理论相吻合,另外多小波网络比单小波网络有更好的测试能力.     

基于小波神经网络的PWM整流器电流检测算法

针对三相PWM整流器的d-q控制算法对网侧电流瞬时值进行高精度采样的要求,提出一种基于小波神经网络的网侧电流数字化检测算法.该算法结合了神经网络的函数逼近能力和小波变换的良好局部特性及多分辨率特性,使网络能根据数据的分布情况以不同的分辨率进行学习,从而使网络具有更灵活有效的函数逼近能力.仿真和实验结果表明,采用该方案进...     

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。     

基于小波变换和ANN的最佳重合闸时刻的研究

目前对于线路瞬时性故障的最佳重合闸时刻以离线计算为主,如利用能量函数法,但其计算困难,计算时间较长,在电力系统中不能满足实际运行条件变化的要求。文中提出了一种基于小波变换和人工神经网络（ANN）方法的在线寻求瞬时性故障最佳重合闸时刻的方法,只需较短时间就能计算出最佳重合闸时刻。首先利用MATLAB对电力系统故障进行仿真,把故障信号通过小波变换分解成不同尺度下的“近似”分量（approximation）和“详细”分量（detail）,并把提取的特征值作为人工神经网络的输入量,进行训练,从而找到最佳重合闸时刻。算例验证了所提出方法的有效性和准确性。     

小波模糊神经网络应用于配电网输电线的故障测距

在小电流接地系统单相接地故障特征分析的基础上，提出了一种基于故障后稳态及暂态电气量的小波模糊神经网络的故障测距方法。单相接地故障时的暂态分量故障特征非常明显，且故障暂态高频分量受故障前负荷的影响较少，故可以采用故障暂态分量描述故障模式特征并进行故障定位，鉴于已有的小波神经网络模型不适合于故障测距，作者从广义的小波神经网络概念出发，结合模糊控制理论，提出了适合于电力系统故障暂态和稳态信号分析的小波模糊神经网络方法，并将该方法应用于小电流接地系统直配输电线路的故障测距。理论分析及大量的EMTP仿真结果表明：本文所提出的小波模糊神经网络理论，模型及算法具有较好的故障测距性能，并可应用于电力系统的故障分析。     

小波网络在电力系统故障信号处理中的应用研究

从小波分析中对函数逼近表示的不同角度，分别介绍了3种主要的小波网络，并对这3种小波网络的构成、网络模型和学习算法等进行了详细介绍和比较，给出了它们之间的本质区别。在此基础之上，对小波网络在电力系统故障信号分类和故障数据压缩方面的应用进行了讨论，给出的相应数字仿真结果表明，小波网络在电力系统故障信号处理方面的应用是完全可行的。     

采用小波分析与神经网络技术的局部放电统计识别方法

小波变换技术适合于局部放电（PD）的检测与识别，但所用小波或提取的特取的特征量不合适时，识别效果不理想。因此，测量了6种典型绝缘缺陷模型产生的144组PD脉冲数据，用基数B样条导数小波成功地从这些实测数据的极强电磁干扰中检测出了PDs，得到了相应的三维统计分布图与各种二维统计分布图，提出了一种新的小波分解方法处理这些PDs对应的统计分布图，并在小波变换域定义了一组与传统方法完全不同的新特征量来识别这些PDs。以新定义的特征量组成输入矢量，用基于BP算法的前馈型神经网络，对6种典型PDs及加上4种混合PDs组成的共10种PDs进行了识别测试，识别效果远远优于现有方法水平。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

利用小波神经网络对单相三电平逆变器谐波检测

采用小波神经网络（Wavelet Neural Network,WNN）算法对时变谐波信号进行检测。利用Harr小波对时变幅值和相角进行逼近;将小波对信号的自适应时频分割特性引入神经网络,提高神经网络的逼近和收敛性能;给出网络参数的选定方案;确定网络的训练算法;在matlab／Simulink环境下进行仿真,验证该方法的可行性和精确性。