基于改进粒子群神经网络短期负荷预测

在电力系统的发展过程中,电力负荷充当着非常重要的角色,电力负荷预测的精度显得尤为重要。为了提高短期电力负荷预测的精度,提出了改进的粒子群-BP神经网络混合优化算法。采用自适应惯性权重改进的粒子群算法,使得粒子群算法的收敛速度和收敛精度有所提高,改进后的算法优化神经网络的过程中,对BP神经网络的初始权值和阈值等参数进行改善,并建立基于IPSO-BP算法模型对短期电力负荷进行预测。以某地的历史负荷数据进行训练仿真,结果表明,该模型的收敛速度和预测精度优于传统粒子群-BP神经网络模型。模型改善了粒子群算法和神经网络各自的缺点,提高了BP神经网络的泛化能力。该模型提高了短期电力负荷预测精度,平均相对误差在1%左右,模型可用于电力系统的短期负荷预测。     

BP神经网络预测控制在色素得率的应用

根据葡萄皮色素提取工艺过程中的提取剂浓度、温度、pH、时间等影响因素与输出结果色素提取率这一变量之间的非线性关系,建立了改进的BP神经网络预测模型.针对传统BP学习算法收敛速度慢、存在局部极值等不足,引入动量项以改进该学习算法.结合实际数据,运用迭代优化的控制算法对网络的权值和阈值进行不断训练并利用MATLAB进行仿真验证.研究结果证明了改进后的BP神经网络对色素提取率的预测控制具有精度高、泛化能力强,实用性强的优点,为色素得率提供了良好的理论基础和预测方法.     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预测。用了改进的BP学习算法,以提高训练的收敛速度。预测仿真结果表明,所设计的神经网络是可以进行短期负荷预测的。     

电力负荷短期预测的神经网络方法研究

设计了一个三层神经网络模型来实现电力系统的短期负荷预预 .采用了改进的BP学习算法 ,以提高训练的收敛速度 .预测仿真结果表明 ,所设计的神经网络是可以进行短期负荷预测的     

BP学习算法在CNN发电机建模中应用

在应用混沌神经网络(CNN)进行同步发电机的建模过程中,对于CNN的学习,网络训练过程的收敛性很难控制。在研究了BP学习算法及其一些改进方法进行人工神经网络训练的轨迹收敛特性后,观测到运用梯度下降动量与自适应学习速率相结合的BP学习算法的神经网络训练轨迹的收敛特性良好。在用基于Aihara混沌神经元构成的3层反馈CNN进行同步发电机建模的应用中,用该BP学习算法对CNN进行了训练。结果表明:用该BP算法进行CNN发电机建模具有学习速度快和均方误差曲线轨迹收敛性好的特点,而且所建立的CNN同步发电机模型运行的动态过程误差小。     

加动量项且变学习速率的BP算法应用于变压器故障诊断

BP神经网络具有自学习和自适应能力,非常适合于变压器故障诊断。分析了加动量项BP算法和变学习速率BP算法存在的不足,给出了加动量项且变学习速率的BP算法的原理和优点,减轻了网络训练过程中的振荡,加速了网络的收敛。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,并将训练所得的神经网络用于变压器故障诊断,结果表明了该算法的有效性。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

基于TentFWA-GD的RBF神经网络COD在线软测量方法

针对污水处理过程COD难以实时准确测量的问题,提出了基于TentFWA-GD的RBF神经网络软测量方法。为解决现有RBF神经网络用于复杂工业过程软测量建模时存在网络参数难以确定及训练过程易陷入局部极值等问题,进一步提高RBF神经网络模型的预测精度与泛化能力,引入了Tent混沌映射对烟花算法(fireworks algorithm, FWA)进行改进,利用混沌运动的全局遍历性维持FWA的种群多样性并避免算法早熟收敛;将TentFWA算法与GD方法有机融合提出一种改进的RBF神经网络组合训练方法以改善网络的学习能力。将基于TentFWA-GD的RBF神经网络用于构建4个Benchmark函数拟合模型和农村生活污水处理过程COD在线软测量模型。仿真与应用结果表明,相对于其他神经网络模型,该模型具有较低的函数逼近误差和较高的COD预测精度。其中COD软测量模型训练结果的均方误差和平均绝对误差分别为0.18和0.25,测试结果的两种误差分别为0.23和0.36。     

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BP神经网络的模拟电路故障诊断研究

在简要介绍标准BP神经网络基本原理的基础上。详细说明了基于改进BP神经网络算法的模拟电路故障诊断方法和设计步骤，根据网络总误差来自适应调节网络的学习率，加速网络的收敛过程。此算法应用于电路的故障诊断，能够对被测电路的故障进行有效并且精确的分类。以折线式有效值测量电路为例，设计了基于改进BP神经网络算法的模拟电路故障诊断系统，以实际测试数据作为训练样本进行学习训练后，对其它实际测量数据进行诊断，结果正确，验证了算法的有效性。     

基于改进神经网络的一种新型MPPT预测方法

针对传统最大功率追踪(MPPT)算法存在跟踪速度慢、准确度不高和局部阴影等问题,采用基于改进遗传算法优化的BP神经网络对最大功率点进行追踪.该算法针对传统BP神经网络预测算法的不足,采用梯度下降法与高斯牛顿法相结合的学习算法来提高收敛速度,并采用遗传算法优化的BP神经网络避免陷入局部最小值.在总结现有研究成果的基础上,...     

两种改进BP算法神经网络滤波的比较

对两种改进BP(Back—Propagation)算法神经网络的滤波进行了比较，通过反复的训练得出两种改进算法在权值调整和误差收敛过程中所遇到的共同点和差别，并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响。     

基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制

开关磁阻电机的非线性和变参数特性使得采用传统的PID控制很难取得较好的控制效果。人工神经网络在一定的条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力。故将其与传统的PID控制相结合构成神经网络自适应PID控制策略，应用于非线性严重的开关磁阻电机，可实现对开关磁阻电机的高性能控制。同时，神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测，可提高系统的动态响应性能。该文采用两个神经网络-BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI。神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度，该文采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。实验结果表明，系统的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。     

进化Elman神经网络在实时数据预测中的应用

为了提高电站实时数据的准确性,提出了一种利用改进粒子群算法进化Elman神经网络的动态系统实时数据预测方法.改进粒子群算法中,根据群体早熟收敛程度和当前最优解的大小对部分不活跃粒子进行变异,增强了算法跳出局部最优解的能力.利用改进的粒子群算法训练Elman神经网络权值和自反馈增益因子,有效地解决了梯度下降法训练网络权值...     

基于改进BP神经网络的建筑用电量预测

在建立城市层面的建筑用电量预测模型时,对BP神经网络结构及其训练算法进行了研究。针对常规BP网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的L-M算法进行了改进,建立了基于改进BP神经网络的建筑预测模型。最后通过上海市某栋公共建筑原始用电能耗统计数据作为样本对该预测模型进行了验证,验证结果表明,基于改进BP神经网络的预测模型适合建筑的用电量预测。     

基于WT-IPSO-BPNN的电力系统短期负荷预测

鉴于短期负荷预测精度对电力系统安全、经济和可靠运行的重要性,为提高预测精度,本文提出了基于小波分解(WT)、改进粒子群算法(IPSO)和BP神经网络的组合预测模型.首先运用小波分解对负荷数据预处理,将历史数据分解成cd1、cd2、cd3以及ca3;然后对分解后的小波序列分别进行神经网络建模和预测;最后小波重构负荷序列的最终预报.为提高BP神经网络所需样本的精确性和神经网络的收敛速度及稳定性,采用改进粒子群算法优化网络,形成了"分解-预测-重构"模型.经实例验证,与小波分解BP神经网络方法相比,本文所提方法具有训练学习能力更强、收敛速度更快、预测精度高和适应能力更强的优点.     

基于神经网络的距离保护训练算法的研究

对神经网络式距离保护做了简要概述,并且为了使该新型保护更加完善,对其存在的训练算法问题做了深入的研究.对8种改进的BP(Back-Propagation)算法训练神经网络进行了比较,通过反复训练,得出8种算法在权值调整和误差收敛过程中所遇到的共同点和差别,并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响.实验证明:LM算法和尺度共轭梯度反向传播算法训练网络收敛速度快,受权值影响小,但占用较大的内存;贝叶斯正则化算法有较好的泛化能力.     

基于神经网络的距离保护训练算法的研究

对神经网络式距离保护做了简要概述,并且为了使该新型保护更加完善,对其存在的训练算法问题做了深入的研究。对8种改进的BP(Back-Propagation)算法训练神经网络进行了比较,通过反复训练,得出8种算法在权值调整和误差收敛过程中所遇到的共同点和差别,并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响。实验证明:LM算法和尺度共轭梯度反向传播算法训练网络收敛速度快,受权值影响小,但占用较大的内存;贝叶斯正则化算法有较好的泛化能力。     

基于传递函数自我优化的BP网络算法改进

目前使用比较普遍的优化方法对BP算法改进之后,改进的BP神经网络预测过程都存在复杂程度变大、更加消耗人力资源等缺陷。针对这些缺陷,本文提出一种传递函数自我优化算法来改进神经网络。然后将改进的网络应用到风电功率预测中,以东北某风电场一段时间的风电运行数据作为实验样本,分别采用传统BP神经网络和改进的BP神经网络进行预测分析。仿真结果证明,改进之后的BP神经网络不仅有更快的收敛速度,还有更加精确的预测结果,并且不需要认为干预整个预测过程。极大提高了网络的预测能力和效率。     

一种改进型BP网络算法在凝汽器故障诊断中的应用

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练。该算法使BP神经网络在学习速率和稳定性上有了进一步的提高。并将这种改进的BP网络算法应用于凝汽设备故障诊断实例中取得了实效。