基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

激励函数可调的混沌神经网络短路负荷预测

为提高BP神经网络的收敛速度并避免陷入局部极小,提出了一种多参数可调激活函数的人工神经网络,推导出相应的BP学习算法并将改进的BP算法和混沌优化算法相结合,使混合算法的学习向全局最优方向进行以不至于陷入局部极小。在非线性函数仿真和短期负荷预测的研究中,该算法和传统BP算法的对比试验显示,改进算法的收敛速度更快、预测精度更高。     

蝗虫优化神经网络在变压器故障诊断中的应用

针对变压器故障诊断中传统BP神经网络算法准确率低、收敛速度慢、易陷入局部极小值及对初始参数较为敏感等的不足,提出一种基于蝗虫优化（GOA）算法的BP神经网络故障诊断方法。建立以变压器故障特征气体为输入、故障类别为输出的故障诊断模型,利用GOA高效的计算性能和优良的全局搜索能力对BP神经网络的权值和阈值进行参数优化。仿真结果表明,GOA优化后的BP神经网络模型相比于传统BP神经网络和基于遗传算法优化的BP神经网络,能够在保留广泛映射能力的前提下,提升网络的学习速度和全局搜索能力,进而缩短训练所需时间,提高故障诊断精度。     

基于神经网络的短期电力负荷预测仿真研究

为了提高短期电力负荷预测精度,分别建立了基于BP神经网络和Elman神经网络的短期负荷预测模型。采用附加动量法优化BP神经网络以提高其收敛速度;针对Elman神经网络易陷入局部极值的缺点,改进其激励函数并采用LM算法优化学习算法。Matlab仿真结果表明,改进后的Elman神经网络模型比BP神经网络模型的预测精度高,收敛速度快,更适合处理动态问题。     

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。     

改进重置粒子群算法在MPC调速系统中的应用

提出一种改进重置粒子群优化算法,用于模型预测控制器多参数的整定优化。改进算法分为三个搜索阶段:"全局搜索"阶段采用Neumann邻域粒子群优化算法,实现全局搜索能力和收敛速度间的均衡;"局部搜索"阶段采用无导数拟牛顿BFGS算法,提高收敛速度和收敛精度;"动态重置"阶段对满足重置条件的子群进行重置,解决收敛早熟问题。利用标准测试函数对4种粒子群优化算法进行比较分析,结果表明改进重置粒子群优化算法在收敛效率、收敛精度与通用性方面占据优势。将改进重置粒子群优化算法应用于模型预测控制永磁同步电动机调速系统,仿真结果表明最优参数能够保证计算得到优化控制律,从而实现系统性能的改善。     

基于IAFSA-BPNN的短期风电功率预测

为提高短期风电功率预测精度,提出一种基于IAFSA-BPNN的短期风电功率预测方法。该方法通过改进的人工鱼群算法来优化BP神经网络的权值和阈值,从而提高BP神经网络的收敛速度和泛化能力。利用2014年上海某风场实测数据对新算法进行检验。试验结果表明,改进的人工鱼群算法一定程度上克服了原算法后期搜索的盲目性较大,收敛速度减慢,搜索精度变低的缺陷。IAFSA-BPNN混合算法在预测的稳定性和精度、收敛速度等方面优于BPNN、AFSA-BPNN算法。IAFSA-BPNN算法不仅能提高短期风电功率预测的精度,而且改善了预测结果稳定性。     

人工神经网络在电力系统短期负荷预测中的应用

为准确预测电力系统短期负荷，针对BP神经网络的固有缺陷，改进了基本BP算法，并采用遗传算法设计和优化神经网络结构参数，在此基础上建立了工作日负荷预报模型和假日负荷预报模型。负荷预测仿真表明，本文所提出的算法在预测精度和收敛速度方面均得到了改进。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

基于粒子群优化算法的神经网络在配电网线损计算中的应用

提出了一种将粒子群优化算法(PSO)训练神经网络用于配电网线损计算的方法。该方法使用由PSO训练的BP模型来拟合影响线损的特征参数与线损之间的复杂关系。实例计算表明,与BP算法及BP与GA结合算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度。     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

在电力通信预警中优化的BP神经网络模型研究

阐述了当前电力通信预警中存在的问题和常用算法,针对在电力通信预警中,BP神经网络模型存在易陷入最小值、收敛速度慢的问题,提出了一种应用遗传算法对BP神经网络模型的初始权值和阈值进行优化的方法。选取52节点典型电力通信预警模型,分别对传统BP神经网络模型和遗传算法优化网络模型进行仿真试验。经过遗传算法优化的BP神经网络模型收敛速度快、拟合精度高,能够有效提高电力通信预警的反应速度和响应准确度。     

RBF神经网络在凝汽器故障诊断中的应用

针对BP神经网络计算过程存在收敛速度慢的缺点,提出了RBF神经网络应用于凝汽器故障诊断的基本方法。介绍了RBF神经网络的结构、凝汽器的故障类型和征兆集的建立方法。对比了RBF神经网络与BP神经网络的诊断结果,证明RBF神经网络的在线诊断速度、诊断精度均优于BP神经网络,对凝汽器的故障诊断准确可靠。     

基于BP神经网络的无刷直流电机控制器优化设计

无刷直流电机是一个多变量、强耦合的非线性系统,用常规的线性控制方法很难达到理想的控制效果。为了克服常规PID控制方法的不足,应用了BP神经网络对速度控制器的PID参数进行了优化设计。使用MATLAB仿真结果表明,采用BP神经网络这种控制方式的无刷直流电机调速系统具有良好的动态性能和稳态精度,能达到进一步优化控制系统性能的目的。     

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。     

基于RS和GA的动态模糊神经网络在短期电力负荷预测中应用

分析和探讨了粗糙集（RS）理论、遗传算法（GA）、模糊神经网络相结合的短期负荷预测方法。首先,对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息．最后用得到的属性作为模糊神经网络的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络DFNN（Dynamic Fuzzy Neural Network）,并采用具有全局寻优能力的遗传算法训练网络,克服了单纯BP算法易陷入局部最优解的缺点。用该方法与常用BP神经网络及Fuzzy法分别对某电网进行一周的日负荷预测．实例的对比分析表明了该方法收敛速度、预测精度和网络规模等方面都有较大改善。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。     

基于BP神经网络的变压器故障诊断

针对变压器故障诊断的特点,提出了一种基于BP神经网络的电力变压器故障诊断方法。采用稳定、快速的Levenberg-Marquardt算法训练多层前向人工神经网络,克服了标准BP算法收敛速度慢、易陷入局部极小的缺陷;在隐含层节点数的选取上,采用简单实用的黄金分割优选法,可以节省成本,提高搜索效率。仿真结果表明,该方法具有运算速度快和拟合精度高等优点,满足电力变压器故障诊断的要求。     

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。