神经网络在电机设计中的应用

将神经网络用于电机设计的方案调整过程中，建立了训练样本素，采用改进的Ｂ地的用电从多次训练中精选相关的学习效率系数及惯性系数，克服了标准ＢＰ网络学习速度慢、易陷入局部最小点的缺陷，并从实例上验证了该方法的准确性。     

应用人工神经网与遗传算法进行短期负荷预测

针对ＢＰ网络的缺陷，提出了基于拟牛顿法的自适应算法和改进的遗传算法，以提高神经网的学习效率，克服ＢＰ网络的局部收敛性的缺点，形成一种新的神经网与遗传算法相结合的短期负荷预测模型，实测结果表明该模型和算法具有良好的性能和较高的预测精度。     

前向神经网络学习算法进展

针对前向神经网络ＢＰ学习算法收敛速度慢、容易陷入局部极小等缺点,已提出了众多的改进算法和新的学习算法以克服传统ＢＰ学习算法的不足。本文系统地总结了近十多年来前向网络学习算法新的研究成果并给出发展展望 。     

基于变步长共扼梯度的快速BP算法

提出了一种适用于神经网络控制器在线学习的ＢＰ算法，它用共扼梯度因子γ确定学习的方向，通过奖惩系数γ调整学习步长η，从而具有高速收敛性、快速跟踪能力及较强的鲁棒性。最后通过一个４层前馈ＮＮ网络对标准控制序列进行学习仿真，证实了该处法的优越性。     

一种神经网络方法在机械手控制中的应用

采用多层前向神经网络建立机械手逆运动学模型。提出了一种改进遗传算法来学习网络的权系数,其交叉概率根据解的适应度来自适应调整,变异概率根据迭代次数来动态调整。这样可以有效地克服传统的反向传播算法求解精度低、搜索速度慢、易陷于局部极小的缺点。仿真结果表明,所提方法大大提高了机械手逆运动学解的精度,确保快速达到全局收敛。     

基于 BP 网络的锅炉过热汽温系统动态特性的辨识

提出了基于ＢＰ网络的锅炉过热器温度控制系统动态特性的辨识方法。应用可变斜率的改进的ＢＰ算法，极大地加速神经网络的学习速度。在伪随机信号作用下，对实际系统与辨识模型的响应进行比较，结果令人满意。     

用可靠性数据分析及BP网络诊断变压器故障

将ＢＰ神经网络应用于电力变压器的故障诊断,采用一种改进的ＢＰ网络学习算法,并利用可靠性数据分析中的一些基本概念对ＢＰ神经网络的输入数据进行预处理,实例证明该诊断方法具有较高的诊断准确率和应用价值。     

两种改进BP算法神经网络滤波的比较

对两种改进BP(Back—Propagation)算法神经网络的滤波进行了比较，通过反复的训练得出两种改进算法在权值调整和误差收敛过程中所遇到的共同点和差别，并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响。     

前馈神经网络的模糊 PID 算法及其在电力系统负荷预测中的应用

提出了多层前馈神经网络的模糊ＰＩＤ学习算法（ＦＰＢＰ）。这种算法是把多层前馈神经网络的学习过程当作一个动态控制系统来处理,确定出动态控制系统达到稳态时的ＰＩＤ控制器参数,然后再基于模糊控制的思想,对确定出的ＰＩＤ控制器参数进行模糊调整。文中给出了这种算法在电力系统负荷预测中的实际应用,并与标准ＢＰ算法作了比较。结果表明,该算法提高了网络的学习速度和预测的精度。     

变步长变尺度BP算法及其在电力系统中的应用

基于优化技术，提出了一种改是型ＢＰ算法，该算法收敛速度快，学习精度高，训练周期短，可适用于神经网络的离线及在线学习，是一种实用性很强的快速ＢＰ算法，并用神经网络对电力系统稳定器控制序列的学习仿真证明了该算法的优越性。     

基于神经网络的负荷组合预测模型研究

给出了电力系统负荷的变权系数组合预测模型,即基于神经网络的组合预测模型。该模型利用多种方法的预测结果与实际负荷数据的非线性关系,建立相应的神经网络模型。该网络为单输出的三层网络,其中输入层为各种预测方法的预测值,输出层为实际负荷值。文中用变动量因子和变学习率的BP算法对其训练,训练后的网络便具有预测能力。同时,文中对基于遗传算法的固定权系数组合预测模型进行了简要的介绍。对几个实际系统的年、月、时负荷预测表明,该模型具有很高的预测精度。     

组合式粒子群神经网络的96点负荷建模的应用

粒子群算法是一种新型寻优策略,具有收敛速度快、收敛精度高的优点。提出一种改进粒子群神经网络的负荷预测模型,通过改进粒子群算法优化BP神经网络的权值和阈值,改善神经网络的缺陷,将优化好的BP神经网络对某电力系统进行短期负荷预测。仿真结果表明,该算法收敛速度快,网络性能良好,并具有较强的自适应能力。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

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     

基于灰色预测和神经网络的电力系统负荷预测

负荷是电力系统运行和规划的依据,准确的负荷预测有利于提高电力系统运行的经济性和可靠性。章提出了一种基于灰色预测和神经网络组合的电力系统负荷预测方法。在灰色预测中通过对历史数据作不同的取舍并经累加生成后建立不同的模型;对于灰色预测的不同结果再使用人工神经网络进行组合。具体方法是：神经网络的输入为各种灰色模型（GM）的预测,神经网络的输出为组合预测的结果。学习样本选择与预测量量近的n个已知值,学习方法使用改进的BP算法。所提方法综合了GM预测所需原始数据少、方法简单、而神经网络具有非线性的拟合能力的特点,提高了预测精度。算例表明了所提方法是可行的和有效的。     

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。     

遗传神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络中存在的一些缺陷,实现准确、快速预测电力系统负荷的目的,作者通过将遗传算法与神经网络结合,构造了一种遗传神经网络来进行电力系统短期负荷预测,方法的思路是：首先,利用遗传算法有指导地计算神经隐层节点数,从而确定一个较合理的神经网络结构;其次,由遗传算法从初始权值的解群中选取出一个优秀的初始权值,克服初始权值选取的盲目性;最后,将得到的神经网络结构和优秀的初始权值结合起来,利用改进的BP算法进行电力系统短期负荷预测,仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。     

改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用

提出一种基于改进相似度的模糊聚类算法的光伏阵列短期功率预测方法,通过通径分析得到气象因子对光伏阵列日发电功率的影响权重。根据各个因子的权重自定义综合了加权相似系数和加权距离系数的统计量-相似度,建立模糊相似矩阵将历史日样本划分为若干类。然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立BP神经网络发电预测模型,并利用差分进化算法对构建的BP神经网络的参数进行了全局寻优。以实际数据对所提模型进行了验证,并与传统的基于相似日选取的光伏功率预测模型进行了对比,结果表明该模型具有更高的预测精度,有利于光伏发电系统并网运行和电网安全经济调度。     

一种改进型BP网络在汽轮发电机组故障诊断中的应用

在标准BP网络基础上,提出一种加优先权值的改进BP网络模型,给出该网络模型的结构、具体的学习训练算法和反馈算法,并阐述输入层与输出层神经元部分连接的依据及其连接优先权值的确定问题。结合汽轮发电机组故障诊断实例,从单故障识别和多故障识别两个角度证明了该模型具有较强的故障识别能力,其诊断结果也更符合故障实际情况。     

基于Elman神经网络的甘肃电网负荷预测模型

为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法。针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有“记忆”能力的Elman神经网络,从而可以映射系统的非线性和动态特性。在网络训练算法中,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用El-man神经网络与BP神经网络建立模型,对甘肃电网实际历史数据进行仿真预测,经分析比较,证明前者具有收敛速度快、预测精度高的特点。这表明利用Elman回归神经网络建模对甘肃电网负荷进行预测是可行的,能有效提高负荷预测精度,在负荷预测领域有着较好的应用前景。