基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

基于粒子群优化神经网络的变压器故障诊断

为克服电气分析应用中误差反向传播(BP)神经网络存在的不足,提出了一种利用改进粒子群算法优化神经网络的变压器故障诊断新方法。该法的惯性权重自适应调整,以平衡局部和全局搜索能力;收缩因子加快算法的收敛速度,有利于更快地收敛于全局最优解。利用改进的粒子群算法优化神经网络参数,并结合BP算法训练网络可有效地克服常规BP算法训练网络权值和阈值收敛速度慢、易陷入局部极小和遗传算法独立训练神经网络速度缓慢等缺点。最后,进行变压器故障实例分析的仿真结果表明,该算法具有较快的收敛速度和较高的诊断准确度,证实了该方法的正确性和有效性。     

基于粒子群优化算法的Elman神经网络凝汽器真空模型

将一种动态递归网络——Elman神经网络应用到凝汽器真空预测。通过实例计算,表明该方法能够较准确地预测凝汽器真空,并具有训练速度快、结构简单、精度高的特点,是一种行之有效的预测方法。同时,对反向传播(BP)神经网络算法会出现局部极小值,提出了利用粒子群优化算法的全局寻优能力优化Elman神经网络连接权值系数的方法。仿真结果表明,利用粒子群优化算法的Elman神经网络可以建立精度更高的凝汽器真空预测模型。     

基于改进PSO—BP算法的变压器故障诊断

提出一种利用改进粒子群算法和反向传播算法相结合的混合算法训练神经网络进行电力变压器故障诊断的方法.在改进的粒子群算法中考虑了邻居粒子中最优粒子信息,修正个体行动策略,增强粒子群的社会学习功能,保证全局搜索的有效性;引入随机粒子群机制,利用粒子群进化过程中的种群变异机制提高算法的寻优性能.变压器故障实例仿真和分析表明,该算法在收敛速度、计算精度和平均收敛性能方面都有较大改进,可有效诊断电力变压器故障.     

基于混合算法优化神经网络的风电预测模型

针对粒子群算法陷入局部最优以及Elman神经网络泛化能力不足等缺点,提出一种混合小波包分解(wavelet packet decomposition,WPD)和催化粒子群算法(catytic particle swarm optimization,CPSO)优化Elman神经网络(elman neural network,ENN)的短期风电预测方法。通过小波包变换对风电功率样本进行多层序列分解,对单支重构所得的风电功率子序列采用催化粒子群算法优化的神经网络(CPSO-ENN)进行预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证,结果表明新模型具有较高的预测精度。     

基于多重局部回归Elman神经网络的短期负荷预测

针对传统静态前馈神经网络动态性能较差的缺点,提出了多重局部回归的Elman神经网络,建立了网络的基本结构,并设计了相应的学习算法和学习过程。通过对负荷原始数据的归一化处理,提出将训练数据分段的思想,并利用分段数据对多重局部回归的Elman网络进行训练,通过对收敛曲线和训练误差的分析,确定合适的网络神经元个数和网络训练步数,最后利用实际负荷数据对网络进行了检验。结果表明,改进多重局部回归Elman神经网络比传统Elman神经网络具有更高的预测精度。     

基于神经网络的凝汽器污垢热阻预测模型

针对凝汽器污垢热阻难以预测的问题,采用改进粒子群算法优化的Elman神经网络建立凝汽器污垢热阻预测模型。根据粒子个体与全局的认知能力动态调整惯性权重,改进粒子群算法,提高算法收敛精度和速率,利用改进的粒子群算法优化神经网络的权值和阀值,提升模型的预测能力。以某电厂300 MW机组凝汽器清洗后的运行状况搭建模型,将预测值与实际值进行对比,验证模型准确性。结果表明,改进后的预测模型具有更好的精度和适应能力,为凝汽器污垢热阻预测和清洗时间间隔提供了理论依据。     

基于IPSO-BPNN算法的开关磁阻发电机实验建模

文章实现了一种利用改进的粒子群算法优化BP神经网络(IPSO-BPNN)的建模方法,建立了SRG的非线性模型.该方法利用了BP神经网络较强的非线性处理能力和逼近能力,改进粒子群算法的引入克服了BP神经网络容易陷入局部最优及初值敏感的缺点.建模的实验数据采用间接测量法采集,分为训练样本与测试样本两个集合.建模效果表明IPSO-BP神经网络的泛化能力很强,可以近乎完美地表达SRG的磁链和转矩特性.     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

基于改进粒子群混合算法的电机故障诊断研究

对基本粒子群优化PSO算法进行改进,并将改进粒子群优化算法与误差反向传播BP算法结合起来构成的混合算法用于训练人工神经网络,对电机转子进行故障诊断.提取电机转子振动频谱分量作为神经网络的训练样本,将代表故障信息的数据作为输入量代入已训练好的神经网络,通过输出结果即可诊断故障类型.仿真结果表明,改进PSO-BP粒子群混合算法可以有效地识别电机常见故障,具有较快的收敛速度和较高的诊断精度.     

分时电价下考虑储能调度因素的短期负荷预测模型

影响电力系统短期负荷预测的因素有多种,因此在进行短期负荷预测时,考虑的因素种类越多,预测的精度越高。在考虑环境因素的基础上,构建分时电价下考虑储能调度因素的改进鲸鱼算法优化Elman神经网络模型。在智能电网下,由于储能调度能够使传统的负荷曲线发生改变,首先在基于分时电价的基础上构建储能调度模型,对储能用户在各时段的充放电行为进行具体分析。然后由于Elman神经网络具有收敛速度慢、容易陷入局部最优等缺点,提出了一种改进的鲸鱼算法(MWOA)用于优化神经网络的权值和阈值,进一步提高了神经网络的收敛速度和全局寻优能力。最后构建考虑储能调度因素的短期负荷预测模型,通过对某地电网2018年7月至8月的数据为例进行仿真分析,并与所提到的其他预测模型进行比较。通过误差结果分析可知所提方法的预测精度更高,收敛速度更快。     

基于改进PSO-BP混合算法的电力变压器故障诊断

将改进的粒子群优化(PSO)算法与误差反向传播(BP)算法相结合构成混合算法训练人工神经网络。改进的PSO算法中,惯性权重从最大到最小线性减小,以平衡局部和全局搜索能力,并将类似“选择”的概念引入PSO算法,使该算法更好地协调全局和局部搜索能力,有利于更快寻找到全局最优点。该算法有效地解决了常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点。将该算法应用于变压器故障诊断,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

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VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

基于布谷鸟-Elman算法的光伏发电预测

提高光伏发电功率预测的精度对于保证电网的安全稳定运行、提高光伏资源的开发和利用率具有重要的意义。文中提出了一种基于天气相似度以及改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型。首先在选取相似日上,提出一种基于距离和角度趋势的相似度计算方法,选出与待预测日相似度更高的相似日。其次,利用改进后的布谷鸟算法对Elman神经网络的权值和阈值进行优化并构建光伏发电短期功率预测模型。最后将文中提出的光伏发电预测模型与传统Elman神经网络模型的预测结果及实际输出值进行比较,结果表明改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型预测精度更高。     

基于PSO-Elman神经网络的燃煤机组受热面清洁状态预测

随着节能减排政策力度的加大,国家十分重视火电厂节能降耗技术的开发研究。针对目前锅炉受热面吹灰方式不合理的情况,以污染率（FF）表征受热面清洁状态对锅炉受热面传热的影响,建立了基于PSO-Elman神经网络的受热面清洁状态预测模型,实现对受热面清洁状态的预测。采用粒子群算法（PSO）和Elman动态神经网络相结合的预测方法,首先根据输入、输出参数个数确定Elman神经网络结构,然后利用PSO优化网络的权值和阈值,将优化后的最优权值、阈值赋给Elman神经网络作为初始值进行网络训练,建立基于PSO-Elman神经网络的受热面清洁状态预测模型。通过具体实例仿真证实了所提方法的有效性,获得了较满意的预测精度,验证了该方法的有效性。     

基于提升小波和改进PSO-Elman神经网络的短期负荷预测

为了提高电力负荷预测的精度,提出基于提升小波和改进PSO-Elman神经网络的短期负荷预测模型。首先,针对负荷的波动性和趋势性,将提升小波算法用于分解原始负荷数据并提取其主要特征,然后,在蚁群算法改进粒子群算法(GPSO)中,采用混沌理论,对部分适应度值较差的粒子进行混沌扰动,提出CGPSO算法,改善细致搜索的准确性,并提高全局搜索能力,将CGPSO算法用于Elman神经网络初始参数优化,最后建立负荷预测模型。本文采用我国北方某地区的实际数据进行仿真,实验结果表明,该方法的预测精度相比于传统ENN方法提高了2.3626%。