基于蚁群BP神经网络的动态测量误差预测

针对BP算法在神经网络参数学习中局部性能好但易陷入局部极小值而蚁群算法拥有良好的全局性能的特点,提出了神经网络的综合训练方法(蚁群BP算法,ACBP Algorithm)即首先利用蚁群算法对神经网络参数进行全局搜索训练,然后再利用BP算法对参数进行局部学习。设计了一种自适应蚁群算法,一定程度上解决了传统蚁群算法收敛速度和拓宽搜索空间之间的矛盾。最后利用仿真实例验证了ACBP神经网络较之BP神经网络和AC神经网络在动态误差预测方面的优越性,得出了相关结论。     

基于BP神经网络的绝缘子泄漏电流量预测方法

电力系统中绝缘子泄漏电流量跟很多因素有关，其预测模型是一个复杂系统，采用普通的拟合方法，很难找到合适的映射函数。将BP神经网络应用到绝缘子泄漏电流量预测中，建立预测模型，测试结果表明，该预测模型的预测误差小于1％，达到实际生产对模型的要求。     

基于改进型BP神经网络的短期电力负荷预测

提出一种改进的 BP 神经网络学习算法,并将其应用于短期电力负荷预测中。研究 结果表明：基于改进的 BP 神经网络的短期电力负荷预测具有精度高的特点,负荷预测结果的相 对误差小于3．63%。     

基于BP神经网络的风电功率预测仿真分析

介绍了风电功率预测的背景,对风电功率预测进行了理论分析,分析了BP神经网络的原理及基于BP神经网络的风电功率预测流程和预测结果误差的评价指标。以Matlab软件的神经网络工具箱为仿真平台,搭建BP神经网络,进行了功率预测仿真,预测结果均方根误差分别为6．97％、200．59％。两组仿真对比结果表明,基于BP神经网络的风电功率预测在短期预测中是可行的．     

基于BP神经网络的变压器故障预测研究

利用油中溶解气体数据诊断变压器故障(DGA法)是目前使用最为广泛的方法之一,本文引入了BP神经网络,选取7种特征气体含量作为输入量,6种故障类型作为输出量,提出了一种对变压器故障进行估算和预测的方法。利用MATLAB建立对变压器DGA数据的BP神经网络模型,并通过对实际样本数据的学习训练,分析诊断结果,提出了未来研究的方向和展望。     

基于遗传优化的BP神经网络算法的短期负荷预测

采用BP神经网络算法进行短期电力负荷预测存在缺点,需要进行完善和改进。介绍了BP神经网络算法进行短期负荷预测的原理,以及遗传算法的基本原理。具体叙述遗传算法对BP神经网络算法进行优化的实现步骤。优化后的算法避免了原来初始权值和阈值选择的盲目性,提高了BP神经网络算法短期负荷预测的精度和效率。通过具体算例,证明了此算法的可行性和有效性。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测

基于电网蓄电池充放电试验数据,建立基于改进飞蛾扑火算法的BP神经网络蓄电池寿命预测系统。针对神经网络算法缺陷,选择飞蛾扑火算法与其结合;引入立方混沌映射种群初始化策略,增加全局搜索多样性;引入Lévy飞行策略,增加种群的多样性;引入变尺度混沌变异策略,增加局部搜索性能;借助差分进化算法思想,提高算法求解大规模问题的能力。将基于改进飞蛾扑火算法的BP神经网络模型应用到蓄电池寿命预测中,仿真试验对比表明,该方法具有更高的准确率。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于小波神经网络的电力负荷预测方法

分析了小波神经网络的特点，研究了在电力负荷预测中小波神经网络存在的优缺点及适用范围。通过对小波神经网络和BP神经网络的结构和算法进行理论分析，并对实际电力负荷预测算例进行对比研究，指出小波神经网络本身适合对波动性的信号进行预测，而且在神经网络节点数目相同的情况下，小波神经网络比BP神经网络具有更高的预测精度，因此采用小波神经网络有利于减少隐节点数目。还指出由于当前的连续小波神经网络主要使用传统BP神经网络的随机初始化方法和基于梯度的训练算法，因此存在收敛性差的缺点。     

基于BP神经网络的PEMFC稳定性及动态性预测

研究了PBI/H_3PO_4体系高温质子交换膜燃料电池(PEMFC),将其在不同压力、温度、阴极气体和负载下的稳态电位响应数据及该体系对压力变化、温度变化的动态电位响应数据作为训练数据,建立以Matlab/Simulink和BP神经网络为基础的高温下PEMFC的稳定性能和动态性能的预测系统。通过所建立的神经网络模型对电池的稳态电位输出和动态电位响应进行模拟,结果表明,所建立的模型可以对电池的稳态及动态行为进行准确模拟,这为PBI/H_3PO_4体系高温PEMFC的控制及性能预测提供了一定的参考。     

基于RBF神经网络的测斜仪方位角校正研究

本文介绍了国内常用磁性电子测斜仪的结构和测斜原理,分析了其本身和工作过程中可能存在的误差及其来源。针对井眼姿态测量中的主要测量参数之一方位角,基于径向基函数(RBF)神经网络补偿算法,建立了以实测井斜角和方位角构成的二维向量为输入、标准方位角构成的一维向量为输出的三层RBF神经网络模型,并用实际测斜仪的测量数据进行现场测试。测试结果表明,采用该RBF神经网络补偿算法,建模时间短,可将方位角的实际测量精度从±2.1°提高至±1.9°以内,误差补偿效果好。     

基于RBF神经网络的电子罗盘误差补偿研究

介绍了三轴磁阻电子罗盘的测量原理。基于磁阻传感器HMC1052/1051Z和MEMS加速度计MXD2020ML研制了一款带倾斜补偿功能的三轴磁阻电子罗盘,分析了电子罗盘工作过程中可能存在的误差及其来源。针对无姿态角度的情况,基于径向基函数(RBF)神经网络补偿算法,建立了以测量航向角为输入、期望的航向角为输出的3层RBF神经网络模型,并用样机的采样数据进行仿真验证。实验数据表明,采用该RBF神经网络补偿算法,可将航向角的精度从±35.52°提高至±0.6°以内。     

基于BP神经网络的镉镍电池放电特性预测

为准确预测镉镍蓄电池的放电特性,采用安时积分法预测剩余容量,再以电池工作温度、放电电流、剩余容量为输入量,工作电压为输出量,建立基于Levenberg-Marquardt(LM)算法的BP神经网络模型,经过训练及检验,该模型的预测结果准确,相对误差小于0.5%。实验表明,该模型在温度-20~60℃和放电电流33~165 A能精确预测电池的剩余容量和工作电压,进而准确建立了蓄电池温度、剩余容量、放电电流和工作电压之间的映射关系。     

基于GA-改进BP神经网络算法在大电网短路电流预测中的应用

详细分析了目前我国电网的短路电流情况以及发展趋势,提出了基于遗传算法(GA)和改进的BP神经网络算法的三相短路电流预测方法,以一个实际的大区域电网为例,对其进行基于潮流的三相短路电流计算,找出短路电流水平薄弱点,并对较薄弱点的短路电流水平进行预测,仿真计算说明了本文所提出的算法的可行性和有效性.     

基于动态结构神经网络的涌流识别新方法

励磁涌流识别是变压器微机差动保护中的关键问题。在综合考虑多方面因素的前提下，提出了一种基于改进型动态结构神经网络的涌流识别新方法。其主要思想为在采用多层前向反馈传插BP（Back Propagation) 网络改进型训练算法（即在调整权值和阈值时，添加Rumelbart惯性冲量技术）的基础上，通过改变隐层的神经元个数使网络结构模型达到最优。仿真试验表明由该方法设计的模型进行涌流识别效果良好。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

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。