基于GA-BP神经网络的微电网短期负荷预测

针对微电网负荷功率的不确定性,提出了一种基于遗传算法优化的BP神经网络模型GA-BP,能够快速、有 效地建立非线性输入与输出之间的关系,对微电网短期负荷进行预测.通过对遗传算法优化的BP神经网络和传统BP 神经网络分别建立微电网负荷预测模型,对某地区的微电网短期负荷进行MATLAB仿真和计算,对2种模型的未来 24h短期负荷预测进行比较,验证了2种预测方法的有效性和可行性.由仿真结果可知,采用遗传算法优化的BP神 经网络预测的平均相对误差为3.23％,相较于传统的BP神经网络拥有更好的预测精度.     

基于 GA-BP神经网络的稳态电能质量预测

针对稳态电能质量指标数据的时序性和非线性,提出一种基于遗传算法(GA)和BP神经网络的电能质量预测方法,将电能质量历史数据和负荷数据、气象数据作为网络输入,使用GA优化BP神经网络的初始权值、阈值,通过该网络完成数据集的训练与预测.最后使用某线路电能质量检测点获得的真实数据验证了模型的准确性、可行性.     

基于GA-BP神经网络的变压器绕组热点温度预测

本文针对现有变压器绕组热点温度预测方法中存在的不足,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,结果表明,基于GA-BP神经网络的变压器绕组热点温度预测值与实际值的变化趋势基本一致,平均相对误差和均方根误差分别为2.05%和0.21。     

结合相似日GA-BP神经网络的光伏发电预测

为了高精度预测光伏发电,减小并网光伏对电力系统运行的不利影响,本文引入相似日的概念,对预测日的天气信息进行分析,根据天气信息、季节等数据,通过聚类的方法,在历史数据中筛选出与预测日特征相似的历史发电数据和天气数据,作为预测模型的训练样本,并采用GA-BP神经网络对系统进行建模以及光伏发电预测。通过对某光伏系统数据验证,计算了预测误差。分析结果表明该方法具有较高的预测精度。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

基于GA-BP神经网络的超临界二氧化碳折射率及密度预测

基本光学性质折射率是研究物质物理性质的重要参数。本文以超临界二氧化碳（S-CO₂）为对象,整合各文献在不同温度、压力下对S-CO₂折射率的测量数据,使用遗传算法（GA）优化后的BP神经网络建立了预测S-CO₂折射率的模型,并基于S-CO₂密度与波长、折射率内在联系的洛伦兹-洛伦兹关系式,对S-CO₂的密度进行反演。结果表明:该模型预测 S-CO₂折射率的最大相对误差仅为0.844%;反演的S-CO₂密度值同REFPROP软件结果相比,平均误差不超过3.65％;在亚临界和超临界区,通过实验测量折射率来研究CO₂物性是可行的;在近临界区,由于CO₂物性变化剧烈,对折射率变化规律的测量及折射率与CO₂物性的关系尚需进一步研究。     

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神经网络的电网暂稳极限切除时间预测

本文介绍了一种利用PSASP软件结合GA-BP神经网络的极限切除时间预测方法.通过PSASP软件搭建三机九节点系统,模拟系统发生三相短路故障,得到实验数据,将实验数据分为训练集和测试集,构建基于GA-BP的极限切除时间预测模型.结果表明,基于GA-BP模型的极限切除时间预测值与实际值基本一致,且GA-BP模型的预测精度...     

基于LMD与GA-BP神经网络组合的短期风速滚动预测方法

针对组合预测方法中经验模态分解(EMD)部分存在处理非线性和非稳态信号的不足,提出以一种基于局部均值分解(LMD)与遗传算法-BP神经网络(GA-BP)模型相结合的短时风速预测方法。首先该方法在自适应分解部分采用LMD方法对原始风速数据进行分解得到一系列乘积函数,并对乘积函数分量提取瞬时频率和瞬时幅值的特征参数,然后通过设定的频率阈值将全部的乘积函数筛选重构成高、中、低3种频段分量;其次机器学习部分采用遗传算法优化BP神经网络方式进行建模,确定模型的连接权值和阈值参数;最后将3种不同频段分量输入到确定的GA-BP神经网络模型中进行滚动预测。通过仿真实验和对实测风速预测验证了所提方法的可行性和有效性,为短时预测方法提高了一种新思路。     

基于遗传算法-BP神经网络优化的PID控制

利用遗传算法全局随机搜索能力,设计一种基于遗传算法的神经网络学习算法。对于非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为一种有效的控制策略。该文提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化。仿真结果证明了该算法的有效性。     

基于改进粒子群优化LSSVM的金属腐蚀速率预测模型

针对电力金属设施在土壤中的腐蚀预测问题,分析现有腐蚀预测方法的不足,考虑金属腐蚀影响因素,研究提出了一种采用改进粒子群优化LSSVM的金属腐蚀速率预测方法。在传统粒子群算法中引入收缩因子,以控制粒子速度,增强粒子的搜索能力,从而解决粒子群早熟问题。采用实验数据进行仿真分析,改进PSO-LSSVM预测模型的平均相对误差仅为2.24%,与其他几种方法相比,改进粒子群优化的LSSVM算法具有更高的预测精度。     

基于GA-BP算法神经网络的电力系统稳定器研究

为解决常规电力系统稳定器中受控系统参数难以识别的问题, 提出了一种可以根据电力系统运行工况自动调整控制参数的新型自适应电力系统稳定器(PSS),运用神经网络完成电力系统被控模型的精确在线辨识.通过在线测量同步发电机的有功和无功参数,自适应电力系统稳定器可按照相位超前补偿的设计原则实时自动调整稳定器参数, 以达到最佳的抑制低频振荡的效果.为了避免BP算法在神经网络训练当中陷入局部小等一系列缺点,引入了一种GA和BP相结合的算法,将其用于人工神经网络的设计,同时将离线计算所得的PSS参数构成的样本对神经网络进行训练.通过在时域仿真结果表明自适应PSS能有效抑制电力系统低频振荡,极大的提高电力系统的动态和暂态稳定性.     

一种基于GA-BP混合算法的模糊神经网络控制器

提出一种用于优化模糊神经网络控制器参数的GA—BP混合算法,该算法一方面由遗传算法保证学习的全局收敛性,克服梯度法对初始值的依赖性和局部收敛问题;另一方面,与“精确的”梯度学习算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题,有助于提高它的搜索效率。仿真结果证明了算法的有效性。     

基于优化的BP神经网络对提升管内循环流化床颗粒循环流率预测研究

在自行搭建的试验台上,对气化室风速、提升管风速、静床层高度和物料粒径对颗粒循环流率的影响进行试验分析,建立了3种优化的BP神经网络模型对颗粒循环流率进行预测,通过比较发现:基于遗传算法优化的BP神经网络预测颗粒循环流率时,其最大误差为6.934%,平均相对误差为1.107%,模型预测值与试验值较吻合,能较好地预测颗粒循环流率。     

基于GA-BP神经网络的双馈风力发电机故障诊断

双馈风力发电机在风力发电系统中得到了广泛应用,但由于其工作条件及自身结构原因,导致故障发生率较高.BP神经网络作为一种多层前馈网络,在电机故障诊断分析领域应用成熟.为避免陷入极小值问题,利用GA遗传算法对其优化,建立GA-BP神经网络模型,对双馈风力发电机定子匝间短路特征进行分析,以定子电流为故障信号,经快速傅里叶分解...