基于BP神经网络的SF6在线监测装置压力预测方法研究

GIS设备SF6密度监测容易受环境因素影响产生一定的波动,对设备运行状态判定造成干扰,因此提出一种基于BP神经网络的SF6压力预测方法,通过分析环境温度及其变化情况、相对湿度、风速、天气类型和导体电流等内外部因素对SF6压力变化的影响,建立BP神经网络预测模型,对SF6在线监测装置的压力值进行预测,为监测设备正常运行提...     

基于优化广义回归神经网络的变电站设备温度预测

变电站设备温度情况是反映设备是否正常运行的一个重要指标,对设备温度进行及时的预测能够保证电力系统高效、稳定运行。针对高压设备温度存在非线性、随机性等特点,应用广义回归神经网络（GRNN）对其进行预测。运用K-近邻思想和多轮投票机制确定最优平滑因子,对GRNN进行优化。结合某变电站的设备温度历史数据,以高压开关柜为例,划分训练样本和预测样本,建立了基于优化GRNN的高压开关柜温度预测模型。Matlab仿真实验表明：优化的GRNN预测结果优于BP神经网络的预测结果,在训练速度和预测精度上都有显著提高。     

基于GA-BP神经网络的变压器绕组热点温度预测研究

变压器是电网核心设备之一,保障其安全稳定运行具有重要意义.针对现有变压器绕组热点温度预测方法中存在的问题,采用遗传算法对BP神经网络的权值和阈值进行优化,克服了BP神经网络容易陷入局部最小值的缺陷,加快了算法的收敛速度,建立基于遗传算法优化BP神经网络的变压器绕组热点温度预测模型.利用500组变压器试验数据进行仿真,结...     

基于GA-BP神经网络冷热电联供系统的负荷预测

适用性强且准确度高的冷热电负荷预测方法能更好地为机组设备选型提供可靠依据，从而整体提升系统综合效率。针对传统BP神经网络局部过优化、预测误差较大等问题，将遗传算法与BP神经网络相结合，提升预测准确性和可靠性。为了验证GA BP神经网络预测方法的合理性，分别采用两种方法对铁岭某园区冷热电负荷进行预测，结果证明改进后的预测方法误差更小、贴合性更高。     

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。     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳     

神经网络与线性回归的电力负荷预测

采用BP神经网络与线性回归相结合的方法进行电力负荷预测。首先采用BP神经网络对样本数据进行训练,然后用训练完成后的BP神经网络对数据进行预测,再通过线性回归对BP神经网络的预测值进行补偿,最后进行了仿真实验,并分析了误差存在的原因。最终证明了此预测方法的可行性。     

基于主成分分析与遗传优化BP神经网络的风电场短期功率预测研究

为降低风电场弃风率及对电网稳定性影响,对风电场短期功率进行准确预测显得十分重要。针对传统BP神经网络泛化能力差、网络收敛速度慢等问题,建立了一种基于主成分分析与遗传优化BP神经网络相结合的风电场短期功率预测模型。首先,利用主成分分析法对风电场原始气象数据进行分析,将得到的独立变量作为BP神经网络的输入;然后利用遗传算法确定了神经网络的最优初始权值和阈值的大致范围,并用L-M算法对BP网络权值和阈值进行细化训练;最后,利用中国北方某风电场实际运行数据进行验证,结果表明,所建立的预测模型合理有效,不仅可以加快BP神经网络收敛速度,减少预测误差,还可以提高风电场短期输出功率的预测精度,具有一定的工程应用价值。     

基于信息熵和BP神经网络的故障分类方法

为了实现电厂运行中设备故障类型的快速、准确判断,解决神经网络因输入量增多导致收敛速度大幅降低的问题,将基于近似决策熵模型的属性约简算法结合BP神经网络进行故障分类预测。基于信息熵的属性约简算法对故障样本数据进行预处理,得到约简决策表,将约简数据样本作为BP神经网络的输入进行训练,预测故障分类。将该方法用于汽轮机振动故障诊断,结果表明:有效降低了神经网络的输入维数,简化了网络结构,获得了较高的分类精度,同时降低了计算开销,对快速判断故障类型,提高维修效率,具有工程实用价值。     

BP与AR模型在轴承性能退化评估和预测中的应用

为解决滚动轴承性能难以评估与预测的问题,提出BP神经网络与AR模型相结合的方法,以评估滚动轴承失效退化程度,并预测从正常运行到最终失效的性能退化趋势。基于正常运行到最终失效的全寿命数据,利用BP评估模型估计轴承的失效退化程度,网络输出的评估结果为隶属于正常概率的目标向量。分别选择BP预测模型与AR模型作为预测系统,利用得到的评估结果进行训练,训练结束后,采用BP预测模型与AR模型分别对滚动轴承进行性能退化的单步和多步预测。基于两组全寿命数据的对比分析,验证了该方法的有效性。结果表明,使用BP神经网络可实现对轴承性能退化程度的良好评估,相比BP自身预测模型,AR模型在性能预测上能得到更优的结果。     

基于遗传算法改进BP神经网络的风电功率预测研究

风电功率预测对于风电场和电网的安全可靠运行具有重要意义。以某风力发电机为研究对象,根据该风机历史天气信息和风电功率数据,使用遗传算法改进BP神经网络,构建复合型神经网络的风电功率预测系统。运用MATLAB软件对算法进行编程与仿真,仿真结果表明,单一的BP神经网络预测系统波动性较高,精度不足,而复合型的神经网络算法有效地解决了这一问题,改进后的预测系统精度较高、稳定性较强,满足工业生产需求。     

基于BP神经网络的风电机组发电机状态监测研究

采用温度趋势分析的方法监测风电机组发电机的运行状态;使用BP神经网络,建立发电机正常工作状态下的温度模型并用其进行温度预测;合理选择训练样本,使BP模型覆盖发电机的正常工作空间;当发电机工作异常时,其动态特性偏离正常工作空间,导致BP网络温度模型预测残差的分布特性发生变化;当残差超过预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。     

基于BP神经网络的PMS电流互感器设备状况评价系统

电流互感器作为变电站重要设备,其运行工况的好坏直接影响变电站的安全运行,电流互感器数量多,在运行中也经常会遇见电流互感器各种各样的缺陷,比如发热、漏油、低油位等。通过对PMS上电流互感器这个庞大的数据,单因素图表法分析电流互感器故障发生与其设备型号、设备生产厂家、设备投运时间之间的关系,多因素联合考虑,建立BP神经网络模型,综合考虑设备型号、设备生产厂家、设备投运时间因素,对其运行工况进行概率预测,同时对每个变电站符合模型要求的所有电流互感器进行预测,对容易发生电流互感器故障的变电站进行预警,运用地图无忧软件对BP模型计算的结果进行可视化展示,方便运维人员掌握电流互感器运行工况,对容易发生故障的电流互感器加强带电检测,提前安排检修,保障供电可靠性。     

上网电价预测中运用修正神经元输出函数对BP模型动态修正的探索

阐述了人工神经网络模型的基本原理,研究分析了BP神经网络模型非线性特性差和对实际情况反应"迟钝"等缺陷,提出了通过修正神经元输出函数对BP神经网络模型进行动态修正的优化方案,从而提高了BP神经网络模型的收敛速度。在此基础上,将修正后的BP神经网络模型引入到上网电价的预测中。模拟运行结果表明,修正后的BP神经网络模型可以更好地适应发电厂报价的复杂环境。     

上网电价预测中运用修正神经元输出函数对BP模型动态修正的探索

阐述了人工神经网络模型的基本原理,研究分析了BP神经网络模型非线性特性差和对实际情况反应"迟钝"等缺陷,提出了通过修正神经元输出函数对BP神经网络模型进行动态修正的优化方案,从而提高了BP神经网络模型的收敛速度.在此基础上,将修正后的BP神经网络模型引入到上网电价的预测中.模拟运行结果表明,修正后的BP神经网络模型可以更好地适应发电厂报价的复杂环境.     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

基于改进Elman神经网络的风速预测

指出风速预测对并网风力发电系统的运行有重要意义。为提高风速预测精度,提出了一种基于改进的Elman神经网络风速预测方法,利用误差反向传播的方法来确定反馈增益γ值。分别采用改进Elman神经网络与BP神经网络建立模型,对实际历史风速数据进行仿真预测。利用风电厂实际数据验证,并阐述了仿真结果。     

小波包分析与BP神经网络预测相结合的在线能量管理策略

针对现有混合储能分配策略无法适应不同储能设备特性以及光伏发电功率信号随机波动特征的问题,提出了将小波包分析,BP神经网络在线预测及模糊控制相结合的分配策略。首先对已有的混储总功率进行小波包分频,得到适合于氢储系统的低频功率,再通过此数据集进行BP神经网络的离线训练,并将训练的权重值用于在线神经网络预测。其次,将在线神经网络训练得到的氢储功率结合超级电容的荷电状态通过模糊控制器得到超级电容功率的修正值,并对氢储设备的功率、在线神经网络的权重进行修正,使得在线神经网络适应实时的混储功率波动。最后根据另一混储功率数据10 s采样数据在MATLAB/Simulink平台进行仿真。与基于规则的混储分配策略和低通滤波的分配策略相比较,结果表明此算法可以很好地改善氢储设备充放电功率,适应实时信号的随机波动,使超级电容的荷电状态运行在合理的区间范围内。     

基于改进MOPSO-BP算法的短期电力负荷预测研究

短期电力负荷预测为电力规划的科学性、电力调度的合理性、电力运行的经济性提供了有效的指导,近年来,神经网络在预测短期电力负荷中得到了广泛应用。针对BP神经网络预测方法的自主学习能力强但预测结果容易陷入局部最小值的缺点,首先建立了三种短期电力负荷预测模型,分别是基于BP神经网络的预测模型,基于自适应网格法的多目标粒子群优化算法(MOPSO)优化BP神经网络的MOPSO-BP预测模型,以及基于拥挤距离法改进的MOPSO优化BP神经网络的改进MOPSO-BP预测模型;再利用Matlab软件进行仿真对比,研究哪种模型预测电力负荷的精度更高。结果显示,基于拥挤距离法的改进MOPSO-BP模型预测结果比其他两个预测模型的预测结果更接近真实负荷值,这表明利用改进MOPSO-BP模型对电力负荷预测的效果最好,可以为现场短期电力负荷预测提供理论依据与借鉴。     

基于输出功率特性的风电机组状态监测

基于SCADA系统中风速、变桨角度、风向角与机舱角偏差、发电机输出有功功率等运行数据,采用改进BP神经网络建立风电机组输出有功功率模型,根据发电机输出功率特性对风电机组进行状态监测。风电机组正常运行时,改进BP神经网络模型的预测输出功率与正常的功率输出之间的残差较小;当模型的预测输出功率与正常的功率输出之间的残差超出残差阈值时,则认为风电机组出现了故障。本文对某风电场真实桨叶断裂故障进行了仿真验证。