虚拟边界径向基配点法求解电磁场问题

针对MQ(Multiquadric)径向基配点法求解含有突变边界条件时在靠近边界区域的数值解往往出现较其他区域的误差变大问题,提出了一种基于传统MQ径向基配点法的改进型MQ径向基配点法.将该方法用于求解带凹槽的三维金属盒电场问题,通过程序计算得出等住线分布图.数值结果表明,该方法在效率上相对于有限元法有很大的提高;在精确度上要远远优于传统MQ径向基配点法,且大大减小了边界处的误差.     

瞬态涡流问题求解的时域径向基函数方法

将径向基函数无网格法引入到瞬态涡流问题的求解中。由待求函数时间和空间变量的独立可分离性,采用径向基函数逼近空间函数及其偏导数,应用Crank-N ilcoson差分格式近似时间函数,给出了径向基函数方法在时域内求解瞬态涡流方程的原理、离散模型和实施步骤。在薄铝片板磁场建立和圆柱铁芯磁场衰减的瞬态涡流分析中,将数值近似解与解析解作对比分析。仿真结果表明,径向基函数方法的相对均方根误差均在3%以内,且其实施中不需要网格剖分,即使在节点数较少时也能很好地逼近解析解。     

电磁场边值问题求解的径向基函数方法

为了解决网格法在电磁场计算中面临的网格剖分和场函数不连续问题,引径向基函数插值方法入电磁场边值问题计算,形成基于径向基函数的配点型无网格解法,它在求解中仅需节点信息,彻底摆脱了网格对求解的制约;在径向基函数插值原理基础上给出电磁场边值问题的径向基函数求解方法,建立了相应的离散模型。在1维和2维边值问题求解中,径向基函数法和网格法(有限差分法)对比表明:径向基函数方法不仅在配置点处有更高的计算精度,而且插值函数光滑性更好,对准确解的逼近能力更强。该方法结合了无网格和径向函数的特点,具有实施方便灵活、精度高和易于处理高维问题的优势。     

径向基网络在照度计算中的应用

该文介绍了将径向基网络运用照度计算当中,建立网络模型,在MATLAB环境下进行仿真的方法。与常规的照度计算方法相比,径向基网络计算获得的结果较为理想。     

径向基函数网络在能损监测系统中的应用

将径向基函数神经网络用于汽轮发电机组能损在线监测系统，当系统中个别测点失效时，可采用预先学习好的神经网络进行仿真，产生与机组产时运行状态相适应的数据以取代失效测点。与传统方法比较，可使系统的准确性、可靠性大为提高。     

径向基函数网络在冰箱制冷性能检测中的应用

将一种基于最近邻聚类学习算法的动态自适应径向基函数(RBF)网络应用于非线性时间序列的模式识别。这种方法解决了BP网络难以解决的局部极小值问题，并且在冰箱的制冷性能识别中得到了令人满意的效果。     

基于径向基函数的集成神经网络在变压器故障诊断中的应用

本文提出一个结合电气试验与油中溶解气体分析结果的故障诊断方法，采用具有良好分类能力的径向基函数集成神经网络，由于既充分利用了油中溶解气体分析结果中的有效信息，又考虑到一些对故障反映比较灵敏的电气试验的结果，因而该方法有助于提高故障诊断的准确性。诊断结果表明，本算法应用于电力变压器故障诊断具有较高的正判率。     

分裂导线表面电场强度的径向基函数计算

利用径向基函数法探讨分裂导线附近电场的分布情况,克服了传统方法在计算分裂导线表面电场时不能很好反映分裂导线中每根子导线表面电场的大小和分布。考虑电晕放电取决于导线表面电场强度的大小,建立了采用RBF方法求解分裂导线附近电场最大值分布的计算模型。计算表明RBF方法能够更精确地反映不同位置的分裂子导线表面电场的差异;同时比较了导线附近不同范围内的电位分布情况,指明在相导线附近较小区域内,其他相导线对其电位分布的影响较小;因此考虑电晕影响时,可认为三相导线与单相导线的起晕电压值相同。     

基于广义生长-剪枝径向基函数神经网络的谐波源建模

采用广义生长一剪枝RBF神经网络建立稳态频域的谐波源模型。在该模型中，各次谐波电流的幅值和相角与各次谐波电压的幅值和相角以及负荷特征参数的非线性映射关系通过一种新颖的广义生长一剪枝RBF网络进行建模。该网络的学习算法是串行的，可以进行动态建模。算例计算表明，该模型具有训练时间少、精度高、可动态建模等优点，是谐波源建模的有效方法     

径向基函数神经网络在电力变压器故障诊断中的应用

基于油中溶解气体分析法,采用径向基函数（radicalbasisfunction,RBF）神经网络模型对电力变压器进行故障诊断。为了提高诊断模型的辨识精度,分两步对RBF神经网络的模型参数进行辨识：首先采用减聚类算法确定RBF神经网络隐含层基函数的中心点,然后采用量子粒子群优化（quantum-behavedparticleswarmopti-mization,QPs0）算法求解基函数的宽度以及隐含层与输出层的连接权重。仿真实验结果表明,该方法的故障诊断正确率较高,达90．67％。     

基于自适应径向基函数神经网络的无刷直流电机直接电流控制

提出了基于自适应径向基函数（Radial Basis Function)神经网络的无刷直流电机直接电流控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断地按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的RBF网络来实现电机电压、电流与功率开关导通信号之间的非线性映射，直接控制功率开关的通断，实现无位置传感器的直接电流控制。网络训练采用离线训练和在线训练相结合的方法。首先利用来自实验数据的训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；再按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权：最后，用数字处理器(DSP)实现在线控制算法。实验结果表明，该控制方法具有较高的鲁棒性和控制精度。     

电力系统负荷的径向基函数网络预报

根据径向基函数理论建立的径向基函数神经网络(RBFN)可实现非线性系统的输入、输出映射关系,本文依据该理论建立了一种负荷预报的新算法——径向基函数网络预报法。该算法依据历史负荷数据和天气信息,能够体现负荷的波动性和气温对负荷的影响,实现电力负荷的短期预报。     

基于径向基函数分类器的断路器机械故障诊断

机械性能损坏是引起断路器故障的主导因素,因而针对断路器的机械故障诊断研究具有非常重要的理论价值与实际意义.为了实现对断路器机械故障的有效诊断,文中提出一种基于高斯径向基函数的识别分类算法.该算法将信号整个有效频段内的归一化能谱作为特征向量,其中每一个频率分量对应着一个特征维度,而且不再涉及时频域分割,所以无需考虑分割依...     

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。     

基于径向基函数网络的短期负荷预测

提出了一种基于径向基函数网络的短期负荷预测方法,采用快速混合算 法有效地解决了径向基函数网络的学习问题,学习样本选择时综合考虑了日期类型、温度、 天气等因素的影响,在实际应用中证明了此方法的有效性。     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络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，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

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     

基于径向基函数神经网络理论的热力系统故障诊断

针对电站回热系统出现的故障问题,提出用MATLAB中径向基函数神经网络来进行诊断,此方法具有很好的稳定性,适用于离线学习、在线分析和诊断。