基于改进聚类和RBF神经网络的台区电网线损计算研究

电网线损是反映低压台区配电网输配电性能好坏的重要技术指标,针对低压台区线损计算不精确和效率不高的问题提出了一种有效的计算方法,即基于改进K-Means聚类和正交最小二乘法（OLS）优化的径向基（RBF）神经网络计算模型。首先通过层次分析法（AHP）对线损的电气指标进行提取,根据得到的线损指标用改进的K-Means聚类算法进行分类处理,然后用OLS改进的RBF网络和标准的RBF网络分别对得到的分类样本进行训练,再用训练好的模型计算台区电网线损。最后利用某地区低压台区的68组样本验证了所提方法的有效性。     

基于改进PSO优化RBF神经网络线损计算与分析

为了准确计算配电网线路损耗,进行窃电位置的判断,提出改进粒子群算法优化RBF神经网络的计算和分析模型。以机器学习为切入点,通过数据驱动的方式,利用改进粒子群算法优化RBF神经网络重要参数,分别构建了相关线损计算和分析模型,基于IEEE13节点配电网络参数,实现理论线损计算和窃电位置判断。通过Matlab仿真验证上述模型的准确性和可靠性。     

自适应变系数粒子群和径向基神经网络在短期电价预测中的应用(英文)

分析了传统的粒子群优化(particle swarm optimization,PSO)算法和径向基(radial basis function,RBF)神经网络的优缺点,提出一种自适应变系数粒子群优化算法(adaptive variable coefficients particle swarm optimizer,AVCPSO)。该算法与RBF神经网络结合形成自适应变系数粒子群-径向基(AVCPSO-RBF)神经网络混合优化算法。基于此优化算法,建立了短期电价预测模型,并利用贵州电网历史数据进行短期电价预测。仿真计算结果表明,AVCPSO-RBF混合优化算法在短期电价预测中优于传统RBF神经网络法和PSO-RBF神经网络方法,克服了上述2种方法的缺点,改善了RBF神经网络的泛化能力,具有输出稳定性好、预测精度高、收敛速度快等特点,使用该方法得到的各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.652RMB/MW·h。     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数（RBF）神经网络在负荷预测中存在的问题,提出一种新的预测模型：粒子群优化的RBF神经网络模型。粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测。仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性。     

一种基于RBF神经网络线损计算方法研究

根据中压配电网的特性,利用容易收集的原始数据,研究了一种中压配电网准确、快速而简便的线损计算方法,即径向基函数神经网络算法,并且将该算法与分群算法相结合,获得了很好的计算精度.通过matlab仿真研究验证了RBF算法的有效性,并且通过比较未分类的RBF算法,分类的RBF算法,线性回归算法和BP算法,凸显了分类后的RBF神经网络的精确性与实用性.     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法。利用模糊逻辑和RBF神经网络的等价性将模糊逻辑和神经网络有机的结合来构成模糊神经网络,并对BP神经网络、RBF神经网络和模糊神经网络三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,模糊神经网络算法具有良好的收敛性能,除收敛速度快于BP神经网络算法和RBF神经网络算法以及稳定性强外,而且具有更高的起始收敛速率,更小的权噪声,更大的抑噪能力。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

基于支持向量机RBF神经网络的TDOA定位算法

为了克服最小二乘法在无线定位算法中的缺点,提出了基于RBF神经网络的TDOA定位算法。利用SVM优化RBF网络权值、阈值及结点数,获得优化稳定的RBF网络结构,将训练后的RBF网络用于TDOA定位。仿真结果表明,该算法有很强的抗NLOS能力,与Chan算法和基于k-均值聚类法RBF神经网络的定位算法比较,具有更高的定位精度和可靠性。     

复合型BP神经网络算法在线损计算应用中的研究

电能在输送、转换和分配过程中,各级电力设备不可避免会产生电能损耗,更精确地计算该电能损耗及其变化规律,对于供电企业更好地实施降损措施,提高能源利用率具有重大意义.本文利用神经网络对复杂、非线性函数,甚至是没有准确规则的信息优越的处理能力,提出了一种基于RBF径向基神经网络算法的BP复合型神经网络算法对配电网线损进行计算.通过MATLAB进行仿真计算分析,验证了该算法的有效性.     

计算配电网线损的GA与BP结合的新方法

为了克服常规BP算法而陷入局部极小及基本遗传算法GA过早收敛的缺点，该文提出一种将神经网络BP算法与GA算法结合的新算法，用于计算配电网线损。对于有代表性的配电线路的线损与特征参数（如线路某时段内通过的有功功率和无功功率供电量）的样本数据，先作标准化处理，再进行分群，然后用GA与BP结合的新算法映射（拟合）线损与特征参数之间的复杂关系。以68条配电线路数据为例，计算结果证实了该算法明显地提高了收敛速度及准确度。     

基于改进RBFNN的1000kV特高压线损预测

针对特高压输电线线损与特征参数间关系复杂的特点,提出一种联合聚类优化算法(Canopy-K-means)和自适应二次变异差分进化(adaptive second mutation differential evolution,ASMDE)算法改进的径向基神经网络(radial basis function neural...     

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。     

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。