改进的自适应遗传算法与BP算法结合的混合训练方法在神经网络式 …

针对ＢＰ算法存在的训练速度慢、易收敛于局部极小点和全局搜索能力弱等缺陷,本文利用遗传算法能够进行全局最成化搜索一特点,在改进的自适应遗传算法的基础上,提出了一种新的用于ＢＰ网络训练的混合算法,即改进的自适应遗传算法与ＢＰ算法相结合的混合训练方法。针对遗传算法中的实数编码方式,本文引入进化规划的思路,提出了一种基于个体适应度值的实现方法,该方法能够有效地实数编码方式下的遗传算法的变异操作。在文章的后     

神经网络式距离保护的混合训练算法

针对ＢＰ算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用中伤虎法能够进行全局最优化搜索这一特点,在改进的自适应遗传算法的基础上,提出了一种新的用于ＢＰ网络训练的混合算法,即改进的自适应遗传算法与ＢＰ算法相结合的混合训练方法,将所的混合训练方法应用于神经网络式距离保护中,利用ＡＴＰ仿真的结果进行训练及检验,结果表明,所提出的算法与单一的ＢＰ算法相比,不仅可避免陷入局部极小点,     

神经网络递推预测模型及其应用

本提出一种反向传播神经网络（ＢＰ网络）的改进算法，该算法可以克服常规ＢＰ网络的两个主要缺陷，明显提高学习速度。其主要特点是首先拟合ＢＰ网络各权系数的变化过程，然后根据拟合曲线来调整权系数，并在学习过程中动态调整学习速率和动量因子，此外，还采用了随机搜索法优选初始权重以克服局部极值问题。基于ＢＰ网络和上述改进算法，本提出一种递推预测模型，它包括绝对量值模型和相对量值模型两种，它以让神经网络用人们     

基于共轭梯度方向的CP—BP算法在变压器油中溶解气体诊断法？…

针对ＢＰ算法存在的缺点,提出了在共轭梯度方向修正权值,使用概率接受原则确定目标函数值变化取舍的ＣＰ－ＢＰ算法。实例证明：ＣＰ－ＢＰ算法在不同网络模型和初值下,均有快速和全局收敛性能。将此网络运用于变压器故障诊断,能有效地改善ＤＧＡ分析方法的适用性和判断性能。     

基于共轭梯度方向的CP-BP算法在变压器油中溶解气体诊断法中的应用

针对ＢＰ算法存在的缺点,提出了在共轭梯度方向修正权值、使用概率接受原则确定目标函数值变化取舍的ＣＰ－ＢＰ算法。实例证明：ＣＰ－ＢＰ算法在不同网络模型和初值下,均有快速和全局收敛性能。将此网络运用于变压器故障诊断,能有效地改善ＤＧＡ分析方法的适用性和判断性能。     

一种改进型的BP算法

本文根据ＢＰ算法的基本理论，以函数曲线仿真为例，针对ＢＰ算法收敛速度慢，提出了一种加快ＢＰ算法收敛速度的变步长ＢＰ算法     

BP网络在水电机组故障诊断中的应用研究

介绍了人工神经网络的基本性能和ＢＰ网络模型及算法,并将神经网络中的ＢＰ模型应用于水轮发电机组振动故障诊断中,比较了选择不同的网络参数对诊断系统性能的影响。实验证明,基于ＢＰ网络的水轮发电机组振动故障诊断方法具有较高的实用价值。     

用GA结合BP算法预测发电机组的维修时间

论述了ＧＡ（遗传算法）和ＢＰ（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）算法相结合的基本原理，操作及算式，并以长春热电二厂２台２００ＭＷ发电机组１９９２～１９９５年故障及检修停机时间序列数据为例进行了验证，结果表明了这一方法的有效性。     

基于遗传算法与BP神经网的风力发电机齿轮箱故障诊断研究

为研究风力发电机组齿轮箱故障的诊断方法,提高其工作的可靠性,将BP算法寻优具有精确性与遗传算法全局寻优的优点相结合,提出一种新的BP神经网训练算法。通过算法比较和实例分析表明,该算法在风力发电机组齿轮箱故障诊断领域具有良好的实用性。     

前向神经网络学习算法进展

针对前向神经网络ＢＰ学习算法收敛速度慢、容易陷入局部极小等缺点,已提出了众多的改进算法和新的学习算法以克服传统ＢＰ学习算法的不足。本文系统地总结了近十多年来前向网络学习算法新的研究成果并给出发展展望 。     

现代启发式算法在电网规划中应用的比较

分析了以遗传算法、模拟退火算法和禁忌搜索算法为代表的现代启发式算法应用于电网规划这类非线性组合优化问题时存在的缺陷。在传统遗传算法的基础上,结合模拟退火算法概率性的突跳搜索机制和禁忌搜索算法能避免迂回的邻域搜索机制提出了一种混合算法,并以地理信息系统为平台来求解电网规划问题。实际应用结果表明,采用文中的混合算法可提高计算速度、收敛性能和计算效率。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

基于禁忌搜索与蚁群最优结合算法的配电网规划

禁忌搜索(TS)算法具有强大的全局优化性能,但其局部搜索性能易受分散性的影响;蚁群最优(ACO)算法的正反馈机制使其具有强大的局部搜索性能,但其全局优化性能的优劣在很大程度上与蒸发系数的选择有关,如选择得不合适易使算法陷于局部最优.文章将TS算法与ACO算法组合起来,提出了TS-ACO混合算法,用于求解配电网规划问题,在同时考虑扩展配电网所需的固定费用和与电能损失相关的变化费用的基础上,设计了非线性混合整数配电网规划数学模型,在一具有6个变电所、102条馈线段的配电网上进行的测试结果表明了TS-ACO混合算法的有效性.     

基于遗传算法-BP神经网络优化的PID控制

利用遗传算法全局随机搜索能力,设计一种基于遗传算法的神经网络学习算法。对于非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为一种有效的控制策略。该文提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化。仿真结果证明了该算法的有效性。     

基于模拟退火改进粒子群混合算法的变压器故障诊断

针对传统的变压器故障诊断方法在实际应用中存在的一些不完善性和局限性,笔者将基于模拟退火思想的改进粒子群优化(SAPSO)算法和误差反向传播(BP)算法相结合构成的SAPSO-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和PSO算法独立训练神经网络的缺陷,并应用于变压器溶解气体分析的智能故障诊断。实验诊断结果表明,SAPSO-BP混合算法的收敛速度快于BP及PSO-BP算法,并且具有较高的诊断准确率。     

EWA算法在电力市场仿真中的应用

基于代理的计算经济学已成为电力市场研究的一种重要方法,构建智能代理的学习模型是其中的重要研究内容之一.常用的强化学习和信念学习算法各有弊端,为此引进了一种综合了强化学习和信念学习的经验权重魅力值(EWA)算法,将其应用于电力市场仿真研究中,模拟发电商决策行为.基于混合代理和单一代理系统的仿真结果表明,EWA学习算法对市场参与者的行为有更好的描述,在参与者众多的大系统中较Roth-Erev算法更为先进、智能,具备更好的学习性能;EWA算法具备更高的捕捉博弈均衡的能力.     

基于近端策略优化算法的电化学/氢混合储能系统双层配置及运行优化

针对电化学储能和氢储能的互补特性,提出了一种包含电化学和氢储能的混合储能系统配置和运行的综合优化模型,并提出了智能算法进行求解。该模型基于双层决策优化问题,将混合储能系统配置及运行2个不同时间维度的问题分上下层进行综合求解,并考虑了两者间的相互影响,采用强化学习近端策略优化(proximal policy optimization,PPO)算法求解该双层优化模型。以甘肃省某地区的风光数据,通过对比应用多种传统算法求解结果,验证了所用算法在复杂环境下适应度最高且收敛速度最快。研究结果表明,应用该模型最大可降低24%的弃风、弃光率,有效提升系统综合效益。氢储能作为容量型储能配置不受地形因素限制,适用于多样的应用场景,从而为氢储能这一新型储能形态在全国的广泛配置提供了应用示范。     

基于新型日期映射法和ISGU混合模型的短期电力负荷预测

针对电力负荷非线性、预测条件多样性、预测模型参数设置主观性等问题,提出一种基于强适应性的日均负荷日期映射法、高非线性拟合性能的门控循环单元(Gate Recurrent Unit, GRU)和强搜索性能的改进麻雀搜索算法(Improved Sparrow Search Algorithm, ISSA)相结合的ISSA-GRU(ISGU)混合模型进行短期电力负荷预测(Short-term LoadForecasting,STLF)。首先,利用日均负荷日期映射法对星期-节假日因素进行映射,解决该因素因非数字化导致不易输入预测网络的问题。随后,从诸多相关因素中筛选出高度相关特征值,以此解决预测条件多样性问题。最后,构建GRU网络进行负荷预测,并引入ISSA算法对GRU网络参数进行客观配置。为验证ISGU混合模型的有效性,采用新加坡电力负荷数据进行实验,并将实验结果与现有算法进行比较。实验结果表明,所提方法对STLF具有良好性能,有效提高了STLF统计标准的精度指标。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、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,并对其应用于电力变压器故障诊断进行了仿真,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,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

混合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准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。