电动车电池SOC估计的径向基函数神经网络方法

结合电池容量估计问题,将广义生长剪枝径向基函数神经网络方法用于判断电动车蓄电池的荷电状态.通过神经网络输入参数的选择,文章设计标准模型、递推模型和安时模型三种不同的估计模型.实验结果表明:估计模型经过训练后,可以通过,蓄电池的工作电压、工作电流和表面温度参数估计蓄电池的荷电状态实时值,其中安时模型的训练时间、估计精度、网络的规模较其他两种模型更为出色.同时,本文引入解耦卡尔曼滤波器算法,有效提高了广义生长剪枝径向基神经网络的训练速度,在保证精度的前提下,将模型的训练时间缩短了1/2.     

基于径向基函数神经网络的开关磁阻电机建模

基于径向基函数神经网络的局部逼近理论 ,利用高斯基函数 ,在分析测量数据和开关磁阻电机非线性磁特性的基础上 ,建立了开关磁阻电机的模型。通过与样机实测数据比较 ,验证了模型的有效性。与传统的局部线性化方法及BP神经网络比较 ,本文所建模型有更好的泛化能力和更快的速度 ,比较准确地反映了开关磁阻电机的磁特性 ,这对于开关磁阻电机的实时在线控制具有重要意义     

基于广义回归神经网络的谐波源建模

提出了一种基于广义回归神经网络采用实测数据的谐波源建模方法。引入电压运行度和功率负荷度概念,通过广义回归神经网络将它们与各次谐波电流幅值之间的非线性映射关系建立谐波源模型。在该模型中,对网络平滑系数进行了优化设计,将最小检测误差对应的平滑系数用于网络训练;对谐波源在不同运行条件下的负荷度-电流特性进行了研究,根据电压运行度和功率负荷度估计各次谐波电流幅值。以某中频炉实测数据为例,结果表明该模型计算值与实测值的误差很小,具有人为确定参数少、训练时间短、精度高等优点,是一种有效的谐波源建模方法。     

基于径向基函数神经网络的电能质量综合评价

根据电能质量国家标准,对电能质量的各单项指标进行分级,并利用随机分布的原理随机生成了大量的样本用于训练神经网络,采用了非线性逼近能力很强的径向基函数(Radial Basis Function,RBF)神经网络建立了电能质量综合评价的模型,克服了模糊数学、概率论法以及层次分析法中的主观因素影响,提高了综合评价的客观性和合理性.通过对某地区变电站的电能质量指标测试结果进行评价,证明这种方法是合理可行的.     

用于磁化曲线拟合的高精度混合型径向基函数神经网络

铁磁材料的主磁滞回环是强非线性函数,其精确拟合是电力系统暂态仿真中的一个重要课题,应用人工神经网络对其进行模拟是一种新尝试。作者针对前馈神经网络的反向传播BP学习算法收敛速度慢和径向基函数（RBF）神经网络在拟合中光滑性（内插和外推能力）差的缺点,提出了一种新型的混合型径向基函数神经网络,有效地克服了BP神经网络和普通径向基函数神经网络在铁磁材料主磁滞回环拟合方面的缺点,实际应用获得满意结果。     

基于径向基函数神经网络和模糊控制系统的电网故障诊断新方法

该文针对RBF神经网络的知识存储和诊断过程是一个黑箱，对运行人员不透明，且当电网拓扑结构发生变化或扩展时，神经网络只能重新训练等问题，推导并建立了RBF神经网络和模糊控制系统之间的等值关系，使得蕴含在RBF神经网络权重中的知识转变为等值模糊控制系统中用语言表述的规则。在此基础上，针对电网结构发生变化或扩展情况，提出了RBF神经网络的局部重新训练新算法。提出的基于RBF神经网络和等值模糊控制系统的故障诊断方法在IEEEll8母线系统中进行了仿真试验，结果表明：基于RBF网络与等值模糊系统的故障诊断方法诊断知识易于理解，诊断过程透明，并能适应电网拓扑结构发生变化或扩展的情况，效果理想。     

电力负荷的径向基函数神经网络模型预测

由于基于反向传播(back propagation,BP)的神经网络模型自身固有的缺点,其电力负荷预测结果不理想,而径向基函数(radial basis function,RBF)神经网络模型具有全局逼近的性质,不存在局部最小问题,为此,针对中长期电力负荷预测,给出了RBF的预测原理,推导权值的更新方式,并和BP方法结果进行对比分析,结果证明基于RBF神经网络模型的方法收敛速度快、预报精度高、误差小。     

基于径向基函数神经网络的SR电动机定子径向力建模

探讨了采用径向基神经网络对开关磁阻电动机定子径向力进行建模的方法。考虑到定子径向力模型中的两个输入量,即绕组电流和转子位置,取值范围较大,本文提出了先对输入量进行归一化处理,使得基函数的中心映射在[0,1]的闭区间内,再使用最近邻聚类和最速梯度下降法对网络进行训练的方法。文中给出了径向基神经网络和误差反传神经网络在建模精度和收敛速度上的比较,结果证实径向基函数神经网络除了具有很强的非线性逼近精度和泛化能力外,在给定同样的隐层神经元结构、网络学习率和目标误差,径向基神经网络在定子径向力非线性模型的训练过程中收敛速度更快,网络学习效率更高。     

基于多输出衰减径向基函数神经网络的电网故障诊断

为提高电网故障诊断神经网络模型的构建速度,提出了一种基于多输出衰减径向基函数（Multi-output Decay Radial Basis Function, MDRBF）神经网络的故障诊断方法。DRBF神经网络不需训练即能以任意精度一致逼近任意连续多变量函数。介绍了单输出DRBF（Single-output DRBF, SDRBF）神经网络,分析了其存在的不足,即只能处理单输出变量问题,不能直接应用于电网故障诊断。在此基础上,根据电网元件的故障特点,提出了将SDRBF神经网络演变为多输出DRBF（Mu     

基于径向基函数神经网络的在线分布式故障诊断系统

作者建议使用分布式智能系统解决大规模电力网络的实时故障诊断问题,并为此提出了一种新的基于最小度排序的图形分割方法,它能够将大规模电力网络有效地分割为给定数目的连通子网络,并且各子网络的故障诊断负担近似相等,同时每个网络边界元件的数目最小。然后用径向基函数神经网络完成各子网络的故障诊断。所提出的分布式智能故障诊断系统已使用稀疏存储技术编程实现,并在IEEE14母线、30母线和118母线系统中进行了仿真研究。计算机仿真结果表明该故障诊断系统能有效地解决大规模电力网络的故障诊断问题。     

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIS）相结合的短期负荷预测模型.该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足.某电网实际预测结果表明,该方法具有较好的预测效果.     

基于多谐波源动态运行的配电网滤波装置优化配置

在一个配电网中往往同时存在多个谐波源,且工作时间不确定,为提高遗传算法的搜索效率,利用分级递阶的自适应遗传算法对配电网中的无源滤波器(Passive Power Filter,PPF)和有源滤波器(Active Power Filter,APF)进行统一优化配置。用该算法在多谐波源动态运行的整个配电网中分级优化PPF和APF的安装地点、安装类型、安装参数,即先确定安装地点,再确定安装类型和安装组数,最后确定滤波器的参数,在满足谐波潮流约束条件的前提下,在控制滤波装置初期投资费用的同时有效抑制谐波。算例计算结果证明了该算法的有效性。     

基于新型RBF神经网络的中速磨煤机建模

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)神经网络设计方法,该方法采用人工免疫聚类机制根据输入数据集合自适应确定RBF神经网络隐节点的数量和数据中心位置,并通过提取核函数宽度作为疫苗和免疫选择操作确定网络输出层的权值。利用RBF神经网络设计方法建立了中速磨煤机出口温度和入口空气流量的RBF神经网络模型,仿真结果表明该模型具有较高的精度。     

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。     

基于RBF神经网络的超声波电机参数辨识与模型参考自适应控制

超声波电机(USM)是近年发展起来的一种新型微特电机，与传统的电磁驱动型电机的工作原理截然不同。由于USM具有小型轻量、无电磁干扰、响应速度快、低速大转矩、高保持力矩、高功率密度等诸多优点，因而在光学仪器、办公自动化、汽车专用电器、智能机器人、航空航天等领域具有良好的应用前景。但USM的高度非线性、时变性和强耦合增加了它的控制难度。该文提出一种新的USM自适应控制策略。系统采用双闭环控制，内环用来补偿定子环机械谐振频率的漂移；外环利用径向基函数神经网络(RBFt~)控制器调节USM的驱动频率，实现速度的自适应控制。经实验证明，该控制系统具有响应迅速、适应性强等优点，具有较高的控制精度和较好的稳定性。     

基于KOHONEN神经网络的电力系统负荷动特性聚类与综合

提出了应用Kohonen神经网络解决电力负荷动态特性的聚类问题：首先对每组负荷扰动数据建模，进而将各负荷模型对相同电压激励的响应与相应的负荷有功运行水平合并形成特征向量，最后引入Kohonen神经网络进行聚类。通过对河北沧州地区1996年、1997年和1998年电力负荷特性数据的聚类与综合处理发现：Kohonen神经网络是一种学习速度快、分类精度高、抗噪声能力强、并且适用于电力负荷动态特性聚类的神经网络模型。同时还发现电力负荷特性具有可重复性，这也证明了总体测辨法的可行性。若将这些典型负荷模型实用化，将有利于提高电力系统仿真准确度。     

一种基于小波神经元网络的短期负荷预测方法

小波神经元网络比多层前馈神经网络具有更多自由度和更好的适应性.为更好地反映气象因素对负荷的影响及提高负荷预测的精度,文章选用Morlet小波构建小波神经元网络,采用误差反传学习算法来训练网络,采用自学习隶属度分析聚类的新方法选择训练样本.并应用武汉电网近年的负荷数据和气象资料进行了建模和预测,预测结果表明所建立的小波神经元网络预测模型具有较好的收敛性,采用自学习隶属度分析聚类方法选择训练样本能改善预测精度.     

基于神经网络和过程机理特性的锅炉蒸发系统仿真

文中构建了一种基于神经网络和过程机理特性的自然循环锅炉蒸发系统仿真模型,该模型在型式上为混合人工神经网络模型,具有十分理想的仿真速度;在网络模型的设计上,较好地考虑了系统及网络输入与输出间的物理基础,网络模型在一定程度上由常规的黑箱模型转化为“灰箱模型”,与常规的神经网络模型相比,该网络模型的训练除了具有通常的输入输出间纯数值映射关系学习功能之外,还较为充分地体现了系统输入与输出间的物理机理学习,从而保证了网络模型的联想能力,对系统过渡过程的预报能力和外推效果,同时,利用前述的仿真方法还能够实现锅炉蒸发系统的在线建模,加强了模型对实际系统的描述能力,文中通过仿真试验结果证明了上述建模方法的有效性。     

基于混沌模拟退火神经网络模型的电力系统经济负荷分配

在传统混沌神经网络模型的基础上，提出了一种具有衰减混沌噪声的混沌模拟退火神经网络模型(CSA-DCN)。该模型结合了Hopfield神经网络(HNN)与模拟退火算法(SA)的优点，并引入通过Logistic映射迭代函数产生的衰减混沌噪声，从而使该模型可以有效地解决高维、离散、非凸的非线性约束优化问题。例如电力系统经济负荷分配(ELD)问题，在考虑网损、阀点效应的情况下，将该模型应用于解决ELD问题。通过多个算例仿真计算表明，该模型的算法是可行和有效的。CSA-DCN模型是一种适用性很强的优化模型，可以应用于电力系统或其它行业系统的优化问题中。     

锅炉过热器系统机理与神经网络组合建模方法

电厂锅炉系统的模型多用集总参数法建模,文中通过分析指出了集总参数建模法方法本身所带来的不可弥补的缺陷,从而提出了高精度的机理与神经网络的组合建模方法,并结合过热器的建模过程对组合建模方法的应用作了阐述。此法对整个锅炉乃至电厂系统的精确建模也是适用。