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.     

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。     

用HCM聚类算法RBF网络诊断输电线路故障

在分析高压输电线路故障诊断方法的基础上,利用径向基函数(RBF)网络适于求解模式识别问题的优势,建造了基于RBF网络的高压输电线路故障诊断模型结构,来实现高压输电线路的故障诊断。同时采用基于优化原理的HCM算法实现聚类过程,来确定RBF网络的隐含层节点数,使网络的利用效率较高。仿真分析及容错性测试结果表明,该法能有效地实现高压输电线路系统的故障诊断,且在网络的训练速度及对畸变输入信息的容错能力方面都优于传统的BP神经网络(BPNN),对实时信息处理系统有一定适用性。     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

基于粗糙集和RBF神经网络的变压器故障诊断方法研究

针对变压器故障诊断神经网络模型存在网络结构复杂、训练时间长等问题,提出基于粗糙集及RBF神经网络的变压器故障诊断方法。运用粗糙集理论中无决策分析,建立基于可分辨矩阵和信息熵的知识约简算法,进行数据挖掘,寻找最小约简;以处理后的数据集合作为训练样本,采用高斯函数作为径向基函数,分别求解方差及各层权值,建立变压器故障诊断模型。通过测试对比,此算法虽然略微降低诊断正确率,但网络结构简单、训练速度快、泛化能力强,对提高神经网络在变压器故障诊断中的应用性能有较好的指导意义。     

基于新型神经网络的电网故障诊断方法

故障诊断对于事故后系统快速恢复正常运行具有重要的意义。该文提出应用新型径向基函数 (RadialBasisFunc tion ,RBF)神经网络解决故障诊断问题 ,文中将正交最小二乘 (Orthogonalleastsquare)算法扩展用于优化RBF神经网络参数。并应用传统的BP神经网络解决同样的问题以进行比较。在 4母线测试系统中的计算机仿真结果证明 ,在解决故障诊断这一类问题时 ,RBF神经网络优于BP神经网络模型 ,能够更有效地解决问题     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于免疫聚类径向基函数网络模型的短期负荷预测

提出了一种免疫聚类径向基函数神经网络（ICRBFNN）模型来预测电力系统短期负荷。在ICRBFNN的设计中，根据共生进化和免疫规划原理，提出了共生进化免疫规划聚类算法，该算法可以自动确定RBF网络隐层中心的数量和位置，并采用递推最小二乘法确定网络输出层的权值。对华东某市进行的电力系统短期负荷预测表明，与传统的径向基函数神经网络（RBFNN）预测方法相比，ICRBFNN方法具有更高的预测精度和更短的训练时间。     

新型RBF神经网络及在热工过程建模中的应用

文中提出了一种基于免疫原理的新型径向基函数（RBF－Radial Basis Function)神经网络模型。该模型利用人工免疫系统的记忆、学习和自组织调节原理，进行RBF神经网络隐层中心数量和位置的选择，并采用递推最小二乘算法确定网络输出层的权值。将这种新型的RBF神经网络应用于建立热工过程的非线性模型。仿真研究表明，这种建模方法不仅计算量较小，而且精度高，并有较好的泛化能力。     

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。     

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...     

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。     

基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。     

基于LabVIEW FPGA的音圈电机神经网络控制方法

音圈电机是一种常用的高动态性能驱动器。为了优化、简化不同音圈电机的控制算法调试过程,提出了一种基于LabVIEW FPGA的改进RBF神经网络控制算法。该网络采用3-输入的3层网络结构,通过梯度下降法对隐含层权值系数更新,实现对音圈电机的电流环控制。仿真结果表明,随着隐含层节点数增加,RBF神经网络控制算法性能将优于单神经元自适应控制算法。当隐含层节点数为6时,系统电流上升时间为14μs,相对于单神经元自适应控制缩短了26.3%。将该算法用于激光精密指向系统,实验结果表明,隐含层4节点时,电流上升时间为25μs。实验结果与仿真结果较吻合,验证了RBF神经网络算法的有效性。     

发电机进相能力的RBF神经网络模型

发电机进相运行是调节电网电压、改善电能质量的一种经济性、技术性皆优的先进手段。由于发电机是一个多变量、强耦合的非线性系统,基于传统分析方法难以精确建立其进相能力分析模型,本文提出基于径向基函数(RBF)神经网络的发电机进相能力模型,以发电机有功功率和无功功率为输入,以发电机功角、电网电压为输出,采用江苏电网某600MW发电机进相试验数据训练和测试RBF网络,并探讨了基宽、神经元数的选择对RBF网络收敛精度的影响。研究表明本文所建立的发电机进相RBF模型具有速度快、精度高的优点,具有良好的泛化能力,其性能优于BP神经网络模型。本文提出的方法能有效克服传统进相分析方法的局限性,适用于发电机进相运行实时控制,有推广应用价值。     

Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network,an OLS algorithm and AGA

A method to accurately estimate the State-of-Charge (SOC) for LiFePO₄ (LFB) batteries is urgently required, to address the issues associated with the increased use of LFP batteries for portable devices. This paper proposes a hybrid method that combines a radial basis function (RBF) neural network, an orthogonal least-squares (OLS) algorithm and an adaptive genetic algorithm (AGA) to estimate the SOC in discharging condition. The OLS algorithm determines the optimal number of nodes in the hidden layer of the RBF neural network. With an optimal RBF neural network structure, the AGA is then used to tune the parameters of the RBF neural network, including the centers and widths of RBF and the connection weights. The trained RBF neural network is then used to estimate the SOC of a LFP battery. In order to demonstrate the effectiveness of the proposed estimation method, the method is tested using LFP batteries under several different discharging conditions. The effectiveness of the proposed method is compared with the Coulomb integration method and a back propagation (BP) neural network. The results show that the proposed method outperforms the other methods.     

An RBF Network With OLS and EPSO Algorithms for Real-Time Power Dispatch

This paper proposes a novel technique that combines orthogonal least-squares (OLS) and enhanced particle swarm optimization (EPSO) algorithms to construct the radial basis function (RBF) network for real-time power dispatch (RTPD). The goals considered are fuel cost, power wheeling cost, and NO_x/CO₂ emissions. The RBF network is composed of three-layer structures, which contain the input, hidden, and output layer. To simplify the network, the OLS algorithm is used first to determine the number of centers in the hidden layer. With an appropriate network structure, the EPSO algorithm is then used to tune the parameters in the network, including the dilation and translation of RBF centers and the weights between the hidden and output layer. The proposed approach has been tested on the IEEE 30-bus six-generator and practical Taiwan Power Company (Taipower) systems. Testing results indicate that the proposed approach can make a quick response and yield accurate RTPD solutions as soon as the inputs are given. Comparisons of learning performance are made to the existing artificial neural network (ANN), conventional RBF network, and basic particle swarm optimization (PSO) methods