基于遗传算法优化BP神经网络的线损计算研究

为了准确计算低压台区配电网的线损,提出遗传算法优化BP神经网络的配电网理论线损计算。通过电网线路获取线路特征参数,对特征参数建立BP神经网络的预测模型;根据BP神经网络的拓扑结构中的权值和阈值来确定染色体长度;通过遗传算法来确定BP神经网络的参数,拟合影响线损的特征参数和线损的复杂关系。该算法减少了线损计算误差,计算时间少,稳定性增强。     

遗传算法的RBF神经网络在线损计算中的应用

电力网线损率是综合反映电力网规划设计、生产运行和经营管理的一项重要指标。如何有效地降低电力网电能损耗、提高企业经济效益已成为迫切需要解决的问题。文中提出一种基于遗传算法的RBF神经网络对线损进行计算,并且针对RBF神经网络的隐含层与输出层相互独立和输出结果容易陷入局部最小等缺点,运用遗传算法对整个网络进行优化,另外对遗传算法进行了相应的改进。为了验证算法的可行性,文中以大庆油田某一地区的67条线路为样本进行仿真计算。实验结果证明了遗传算法优化的RBF神经网络在计算精度和训练速度上都有较大提高。     

配电网线损计算径向基函数神经网络方法

提出了一种电力配电网线损计算的RBFNN(Radial basis function neural networks) 方法,主要利用RBFNN 较强的拟合特性映射线损与特征参数之间复杂的非线性关系,记忆配电线路在结构参数和运行参数变化时线损的规律. 采用LBG 聚类方法和一种确定最佳聚类数的标准来优化RBFNN 隐层节点,以提高网络的利用效率. 实例仿真验证了所提方法的有效性和实用性.     

基于GA和BP神经网络的配电线损计算研究

为了更加精准地计算配电线损,提出了基于遗传算法（GA）和反向传播（BP）神经网络的配电线损计算模型。利用日电能消耗量和月电能消耗量作为原始数据,运用归一化和主成分分析（PCA）方法分别对原始电能消耗数据进行降维处理。通过GA优化BP神经网络参数,并使用完成训练的BP神经网络实现配电线路损耗的计算。基于某地区217条配电线路的实验结果表明,所提出的混合方法（GA&BP）的精确度优于其他线损计算方法。     

基于K-Means聚类和梯度提升树算法的配电网线损计算方法

针对传统配电网理论线损计算需要电气参量多、工作量大、计算结果准确率低等问题,提出一种基于改进K-Means聚类算法和GBDT(Gradient Boost Decision Tree,梯度提升树)算法的配电网线损计算的方法。先采用改进K-Means算法对配电网线损样本进行聚类分析,然后将聚类后的数据集作为GBDT算法的输入数据集训练模型,最后进行线损的计算。采用本算法与BP神经网络模型进行算例对比与分析,并利用扬州许方线路配电网实际线损值做实例验证。结果表明,所提算法具有计算快速、精度更高等优点。     

基于信息强度的RBF神经网络结构设计研究

在系统研究前馈神经网络的基础上,针对径向基函数(Radial basis function, RBF) 网络的结构设计问题,提出一种弹性RBF神经网络结构优化设计方法. 利用隐含层神经元的输出信息(Output-information, OI)以及隐含层神经元与输出层神经元间的交互信息(Multi-information, MI)分析网络的连接强度, 以此判断增加或删除RBF神经网络隐含层神经元, 同时调整神经网络的拓扑结构,有效地解决了RBF神经网络结构设计问题; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对典型非线性函数的逼近与污水处理过程关键水质参数建模, 结果证明了该弹性RBF具有良好的动态特征响应能力和逼近能力, 尤其是在训练速度、泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation net works, MRAN)、增长修剪RBF 神经网络(Generalized growing and pruning RBF, GGAP-RBF)和自组织RBF神经网络(Self-organizing RBF, SORBF)有较大的提高.     

采用改进牛顿法计算配电网理论线损

介绍了传统配电网理论线损计算方法,指出电量法和均方根法存在因未充分考虑负荷曲线变化而容易导致理论线损偏小、管理线损偏大的问题;提出采用改进牛顿法计算配电网理论线损的方案,根据某配电网各变电站24h的电量记录进行电量潮流计算,得出该配电网总线损;分别采用电量法、均方根法、改进牛顿法计算某10kV配电网线路的理论线损,结果表明,与传统配电网理论线损计算方法相比,采用改进牛顿法得出的结果更接近统计线损值。     

RBF神经网络的混合微粒群学习算法

在分析RBF神经网络的结构特点基础上, 定义一个布尔向量L作为网络的结构参数, 与原来RBF神经网络的隐节点参数集一起构成了新的RBF网络隐节点参数集{c,σ, L}, 并给出了一个新的RBF网络输入输出关系表达式;采用一种混合协同微粒群算法同时对RBF网络拓扑结构和隐层节点参数进行优化设计,并将输出线性参数集分离后采用最小二乘法进行优化设计,简化了优化空间,加速了算法的收敛速度.     

基于相对贡献指标的自组织RBF神经网络的设计

针对RBF（radial basis function）神经网络的结构和参数设计问题,本文提出了一种基于相对贡献指标的自组织RBF神经网络的设计方法。首先,提出一种基于相对贡献指标（relative contribution,RC）的网络结构设计方法,利用隐含层输出对网络输出的相对贡献来判断是否增加或删减RBF网络相应的隐含层节点,并且对神经网络结构调整过程的收敛性进行证明。其次,采用改进的LM（Levenberg-Marquardt algorithm）算法对调整后的网络参数进行更新,使网络具有较少的训练时间和较快的收敛速度。最后,对提出的设计方法进行非线性函数仿真和污水处理出水参数氨氮建模,仿真结果表明,RBF神经网络能够根据研究对象自适应地动态调整RBF结构和参数,具有较好的逼近能力和更高的预测精度。     

RBF神经网络的结构动态优化设计

针对径向基函数(Radial basis function, RBF)神经网络的结构设计问题, 提出一种结构动态优化设计方法. 利用敏感度法(Sensitivity analysis, SA)分析隐含层神经元的输出加权值对神经网络输出的影响, 以此判断增加或删除RBF神经网络隐含层中的神经元, 解决了RBF神经网络结构过大或过小的问题, 并给出了神经网络结构动态变化过程中收敛性证明; 利用梯度下降的参数修正算法保证了最终RBF网络的精度, 实现了神经网络的结构和参数自校正. 通过对非线性函数的逼近与污水处理过程中关键参数的建模结果, 证明了该动态RBF具有良好的自适应能力和逼近能力, 尤其是在泛化能力、最终网络结构等方面较之最小资源神经网络(Minimal resource allocation networks, MRAN)与增长和修剪RBF 神经网络(Generalized growing and pruning radial basis function, GGAP-RBF) 有较大提高.     

基于聚类分析的RBF网络建模方法及应用的研究

该文提出了基于聚类分析的RBF（Radial Basis Function）网络建模方法：利用聚类分析确定RBF神经网络的隐层参数，运用最小二乘法确定RBF神经网络的输出层参数。重点介绍了聚类分析的理论和算法。根据聚类分析和RBF网络结合后的优点以及中医证候大数据、大样本、多中心且无明确函数关系的特性，提出了用该方法建模应用于中医证候诊断，改进了BP（Back Propagation）网络用于中医证候诊断建模的不足之处，并拓宽了RBF神经网络的应用。最后，用2-型糖尿病文献数据库验证了该方法的有效性和合理性。     

基于RBF神经网络的可疑交易监测模型

针对国内外金融领域可疑交易的低检测率问题,通过对RBF（Radial Basis Function）神经网络技术的分析与研究,提出了一种基于APC-III聚类算法和RLS（Recursive Least Square）算法的面向反洗钱的RBF神经网络模型并加以实现。APC-III聚类算法用于确定RBF神经网络隐含层的中心向量,RLS算法用来调整隐含层与输出层之间的连接权值。RBF神经网络与支持向量机（SVM）和孤立点检测相比,有更高的检测率和较低的误检率,因此,提出的模型具有重要的理论和实用价值。     

粒子群优化RBF神经网络的自适应谐波检测

有源电力滤波器补偿性能与所采用的谐波检测方式有很大的依赖关系,针对现有的检测方法存在精度不高、对电网频率变化比较敏感、自适应能力不强的缺点,本文提出基于粒子群优化算法的R B F神经网络的谐波检测方法。用自适应的方法对粒子群优化算法的参数进行了调整,使其能够更好地适应复杂的非线性环境,从而可以更灵活地调节P S O算法的全局搜索能力和局部开发能力。在算法的基础上,根据已开发的系统配置和学习算法,探讨了模拟电路的实现方法,运用P S I M软件对电路进行了模拟仿真。仿真结果表明,该方法具有很好的实时性、较高的检测精度以及自适应跟踪负载电流变化的能力。     

一种基于RBF神经网络的预测器模型及其研究

非线性复杂系统的预测控制是一种高性能的控制方法,其关键在于非线性预测器模型的实现。论文从径向基函数(RBF)神经网络原理分析出发,探讨了一种用于神经网络的预测模型设计方法,并将此方法用于实际非线性系统的预测控制。结果表明,基于RBF的神经网络预测模型可快速准确地完成对非线性动态过程的预测描述,因而可以在非线性系统的预测控制中得到良好的应用。     

基于隐层优化的RBF神经网络预测模型

提出一种基于隐层优化算法的RBF神经网络预测模型——HLOA-IRBFM。在传统的免疫径向基神经网络模型(IRBFNM)的基础上引入粗糙集,将初始隐层空间进行划分。定义隐层区域密度和相对近似度等概念,提出边界区域中冗余点和孤立点的约减算法。优化后的隐层空间分布均匀,能以较少的中心数覆盖整个样本空间,弥补了IRBFNM模型过分依赖参数选取的不足。实验结果证明,HLOA-IRBFM模型比IRBFNM模型在预测性能方面具有更好的稳定性和准确性。     

采用中心聚类与PSO的RBF网络设计方法

基于中心聚类法与微粒群（PSO）优化方法,提出一种径向基函数（RBF）网络的设计算法。算法采用中心聚类方法对输入样本数据进行聚类处理,自适应地确定RBF网络隐含层的初始参数;利用修正全局最优解计算方法的经典PSO算法优化RBF网络隐含层参数,进一步修正网络结构参数;输出层权值采用带遗忘因子的递推最小二乘算法在线更新。采用该方法建立炼铁过程中烧结矿成分与转鼓强度关系的预测模型,并用现场数据加以验证;实验结果表明该方法收敛速度快,所建立的模型具有较高的预测精度,可用于复杂非线性系统建模。     

某型无刷直流电动机的神经网络计算机控制设计

在无刷直流电机控制中,会受到负载等非线性因素的影响,实际应用时采用传统的控制策略往往获得的性能指标不理想.神经网络控制是智能控制的一个重要分支,为无刷直流电机的控制策略带来了新的思想和方法.论文设计了一种神经网络的学习算法及神经网络控制,该算法在某型无刷电机控制中显示了其优越性.     

一种改进的RBF神经网络参数优化方法

提出了一种改进的RBF神经网络参数优化算法。通过资源分配网络算法确定隐含层节点个数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法对RBF网络的中心、宽度、权值进行优化,使RBF网络不仅可以得到合适的结构,同时也可以得到合适的控制参数。将此算法用于连续搅拌釜反应器模型的预测,结果表明,此算法优化后的RBF网络结构小,并且具有较高的泛化能力。     

自构造RBF神经网络及其参数优化

径向基函数神经网络的构造需要确定每个RBF的中心、宽度和数目。该文利用改进的聚类算法自动构造RBFN,考虑样本的类别属性,根据样本分布自动计算RBF的中心和宽度,并确定RBF的数目。所有的网络参数采用非线性优化算法来优化。通过IRIS分类问题和混沌时间序列预测评价自构建RBFN的性能,验证参数优化效果。结果表明,自构造RBFN不但能够自动确定网络结构,而且具有良好的模式分类和函数逼近能力。通过对网络参数的非线性优化,该算法明显改善了网络性能。