基于泄漏积分型回声状态网络的在线学习光伏功率短期预测

为提高光伏功率预测结果的准确性与普适性,提出基于泄漏积分型回声状态网络(LIESN)的具有在线学习功能的预测方法。在回声状态网络(ESN)中引入泄漏积分型神经元,增强储备池的短期记忆能力;分析了LIESN的参数对光伏功率预测性能的影响,得到优化后的预测模型;利用最小二乘在线学习算法对模型实施训练,得到最终的在线学习LIESN预测模型。实例证明,该算法可完成复杂的建模且适用于多种天气情况,预测精度优于BP神经网络、经典ESN及LIESN模型。     

基于LIESN的光伏功率预测研究

为了光伏功率预测结果有更好的准确性与普适性,提出基于泄漏积分型回声状态网络(LIESN)的具有在线学习功能的预测方法。在回声状态网络(ESN)中引入泄漏积分型神经元,增强储备池的短期记忆能力;分析了LIESN的参数对其光伏功率预测性能的影响,得到优化后的预测模型;利用最小二乘在线学习算法对模型实施训练,得到最终的在线学习LIESN预测模型。实例证明,该算法可完成复杂的建模且适用于多种天气情况,预测精度优于BP神经网络、经典ESN及LIESN模型,验证了方法的有效性。     

基于免疫小波网络的短期负荷预测模型

为了克服传统BP神经网络在结构设计和学习算法中存在的缺陷,提出了一种免疫小波网络(IWN)来预测电力系统短期负荷.在IWN的设计中,根据共生进化和免疫规划原理,提出共生进化免疫规划算法,可以自动确定小波网络隐层神经元的数量和参数.电力系统短期负荷预测的算例计算表明,与传统的BP神经网络预测方法相比,该方法具有更高的预测精度.     

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进：首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。     

基于泄漏积分型回声状态网络的在线学习光伏功率预测

为提高光伏功率预测结果的准确性,提出了基于泄漏积分型回声状态网络LIESN(leaky-integrator echostate network)的具有在线学习功能的预测方法。预测模型中采用泄漏积分神经元增强储备池的短期记忆能力,通过最小二乘在线学习算法增加临近时间样本对权值的影响;综合考虑预测精度与运行时间,分析了LIESN关键参数对预测性能的影响,并提出了LIESN关键参数的设定方法。实例证明,在线学习LIESN的预测精度优于BP神经网络、经典ESN及离线学习LIESN模型,测试结果的归一化均方根误差达到0.098 6,验证了方法的有效性。     

BP网络和Elman网络在凝汽器故障诊断中的比较与应用

凝汽器工作状况好坏直接影响凝汽式汽轮发电机组运行的安全性和经济性.分别采用自适应梯度递减学习算法的BP网络和Elman网络用于凝汽器的故障诊断.将测试样本输入已经学习好的BP网络和El-man网络中,测试结果表明这两种网络正确诊断故障的概率高达90%以上,但采用Elman网络的学习速度要比BP网络快,适合实时操作的场合...     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于小波神经网络的SVPWM算法研究

分析了SVPWM的基本原理,提出一种小波神经网络空间矢量脉宽调制(WNN-SVPWM)算法,并与BP神经网络空间矢量脉宽调制(BP-SVPWM)做了对比研究.仿真结果表明,网络隐层神经元个数相同时,小波网络比BP神经网络具有更快的收敛速度和更高的误差精度,使用WNN-SVPWM算法控制的永磁同步电动机具有更小的定子电流谐波畸变率和脉动转矩.     

基于SCG改进标准BP算法的负荷预测分析

负荷预测是电力系统安全稳定运行的非常重要的环节,其预测精度将会直接影响网络规划、投资,以及电力系统的安全性、可靠性和经济性。介绍了标准BP网络算法的原理,并针对标准BP网络算法的缺陷,提出了一种基于SCG算法改进标准BP网络,达到了收敛速度快、计算精度高的目的。并用算例验证了结论的正确性。     

基于小波网络及油中溶解气体分析的电力变压器故障诊断方法

小波网络是近年来发展起来的一种高效非线性信号处理新模型。该文将适于电力变压器故障诊断的小波网络分为第一、第二类小波网络,提出了基于自适应算法小波网络的变压器故障诊断方法,该方法继承了人工神经网络的学习能力和小波变换的局部化特征,具有良好的收敛性和鲁棒性。选择经模糊预处理的250组油中溶解气体作为采用不同小波基的2类小波网络训练与识别样本,对训练过程和仿真结果进行对比分析。大量诊断实例表明,文中提出的2类小波网络均适于变压器故障诊断,其性能优于单独使用传统BP神经网络的方法。     

基于GA-BPNN的多频超声波变压器油密度检测研究

变压器油是电力变压器中的主要绝缘物质之一,油的密度指标与变压器的安全运行息息相关。文中基于多频超声波、遗传算法-反向传播神经网络(GA-BPNN)的原理,对变压器油密度进行了预测研究。以电网公司110组变压器油为例,其中100组为训练集,10组为预测集。建立了基于BPNN的变压器油密度预测模型,并将242维多频超声数据作为输入,密度作为输出。通过试验法确定了BPNN的隐层神经元个数,由此建立非线性映射关系,并用遗传算法优化BPNN的各层连接权值及阈值。结果表明,与传统的标准BPNN模型相比,GA-BPNN模型的变压器油密度值与实际值拟合度更高,误差更小。研究结果为检测变压器油的其他参数提供了可靠的依据。     

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。     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

基于分段PCA的BP神经网络语音识别

本文提出采用分段PCA的方法提取信号的特征,再通过BP网络完成信号的训练及识别。仿真实验探究了识别网络的输入维数以及隐含层数目对识别率的影响,通过恰当的选择网络的输入维数及隐含层数,实验结果验证了使用分段PCA方法后,语音识别率会有所提高。     

BP网络在电力变压器故障诊断中的应用

以单隐层的BP组合神经网络在基于DGA的电力变压器故障诊断中的应用为例,在BP网络训练流程图的基础上,分别举例阐述了隐层节点个数、初始权值、训练误差、最大训练次数以及训练样本次序对网络训练效果和泛化能力的影响。指出这些因素的影响程度各不相同,具体应用时,可按照更改训练样本次序、调节隐层节点个数、初始权值、训练误差、训练次数的顺序依次更改网络的结构和相应的参数,以达到最佳的训练效果。     

基于极限学习机的居民用电行为分类分析方法

针对大数据背景下智能用户用电行为分类问题,提出一种基于极限学习机(ELM)算法的用户用电行为分类方法。首先,在前期用户行为的特征优选策略的基础上,采用特征优选策略提取负荷曲线的最佳特征集对用户用电数据进行分类分析。然后,将特征优选集作为输入,通过比较不同隐含层激活函数和隐含层节点个数下训练集和测试集的正确率,优选出适用于用户用电行为分析的ELM算法的输入参数。最后,以国内和国外用户用电数据为数据源,进行算例仿真实验,通过与反向传播(BP)神经网络的对比分析表明,所提出的基于ELM算法的用户用电行为分析方法提高了检测的正确率并且降低了算法运行时间,能够更好地掌握用户用电负荷状态,实现配电网的削峰填谷。     

基于残差卷积神经网络的开关柜局部放电模式识别

传统的开关柜局部放电模式识别方法缺乏一定的泛化性能且识别准确率低,难以在实际工程中应用.提出了一种基于残差卷积神经网络的开关柜局部放电模式识别方法,通过在网络中加入残差模块以解决随着网络层数加深导致准确度饱和后出现退化的问题,并综合利用开关柜局部放电数据的浅层与深层特征融合学习,实现模式识别.通过开关柜不同绝缘缺陷类别...     

短期电力负荷预测的自适应混合遗传优化BP算法

基于遗传算法具有很强的全局搜索能力和BP神经网络具有精确的局部搜索能力的特点,提出对电力短期负荷预测的自适应的混合算法。将训练样本随机地分为训练集和测试集。应用该算法对澳大利亚悉尼的短期电力负荷进行了预测。仿真计算表明,该算法达到了提高预测精度和改善网络性能的要求。     

电磁声发射的实验与信号识别研究(英文)

电磁声发射技术是一种新型的无损检测技术,通过对金属部件进行电磁加载会在裂纹处激发出声发射信号,并利用这一现象实现对金属材料的无损检测。本文分析了电磁声发射技术的基本原理与实现过程,采用一种基于波形分析的神经网络模式识别方法,利用小波包变换提取出电磁声发射信号波形的识别特征参数,建立了由10个输入单元、18个隐含单元和单输出组成的人工神经网络识别系统。为了克服BP神经网络收敛速度慢的缺点,提出了一种输入单元数目可变的神经网络改进方法,实验表明该系统能够对有无裂纹板进行快速、准确的识别。