基于改进遗传BP算法的电力变压器故障诊断

本文在改进的遗传算法中加入BP迭代,并应用于电力变压器的故障诊断。它有效地解决了常规的BP算法易陷入局部极小、收敛速度慢和基本遗传算法早熟等缺点。实例仿真诊断结果表明了这种算法具有较快的收敛速度和较高的计算精度,它能满足电力变压器故障诊断的要求。     

改进GA-BPNN在短期电力负荷预测中的应用

为了避免传统方法预测短期电力负荷建模复杂性,将改进遗传算法（GA）和误差反向传播（BP）算法相结合构成的混合算法用于训练人工神经网络,结合电力负荷历史数据,对短期电力负荷进行仿真预测。仿真结果表明,该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等问题,具有较快的收敛速度和较高的预测精度。     

PSO-BP神经网络的电力负荷预测研究

以提升电力负荷预测精度以及实时性为目标,设计粒子群-反向传播神经网络的电力负荷预测方法。该方法预处理历史电力负荷数据,过滤错误数据以及异常数据,归一化处理剩余数据;将归一化处理后数据视为粒子群优化算法的粒子,利用粒子跟踪局部最优值以及全局最优值实现每次迭代过程中粒子速度与位置更新;利用改进非线性动态自适应算法确定最佳惯性权重提升电力负荷预测精度,建立包含输入层、隐含层以及输出层的三层前馈BP神经网络;将粒子群优化算法所输出粒子信息设置为BP神经网络初始阈值以及初始权值训练BP神经网络,直至满足迭代终止条件,输出电力负荷预测结果。选取某电力公司作为实例分析对象,实例分析结果表明,采用该方法预测电力负荷预测精度高于99%,预测时间开销低于150 ms。     

一种模拟退火小波网络的电力变压器故障诊断

关于电力变压器是电力系统的主要设备,变压器故障是危及电网安全的主要因素.在传统的故障诊断方法中,存在着易陷入局部最小和对初值依赖性较高的缺陷.根据油中溶解气体的故障诊断技术,为了准确及时检测电力变压器故障,提出对油中溶解的气体(H2,CH14,C2H2,C2H4,C2H6等)采用小波神经网络模型进行分析,对电力变压器进行故障诊断,同时引入了模拟退火算法对模型进行了结构和参数的优化,加快了训练收敛速度,避免了陷入局部极小值.进行仿真,结果表明了改进方法的有效性.     

基于非合作博弈的分布式模型预测控制优化算法

针对基于纳什最优的分布式模型预测控制求解算法中存在的迭代次数多、收敛精度不高的缺点,提出了一种基于非合作博弈的分布式模型预测控制优化算法。该方法借鉴非合作博弈论中的针锋相对策略,将每个子系统看作博弈的参与者,在线优化过程中,各个子系统在该策略影响下使所有参与者更快促成合作,从而快速求得整体最优解。仿真表明,与传统的基于纳什最优的迭代求解相比,在给定精度情况下,提出的算法所需的迭代次数要低于传统算法;在给定迭代次数情况下,提出的算法的跟踪性能更优,在外界产生随机扰动时,该算法也具有较好的抗干扰能力。此外,将提出的算法应用于设施环境控制系统中,进一步说明了算法的有效性。     

智能优化LS-SVM在电力负荷预测中的应用

研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种因素的影响,系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题,提出了一种核函数KPCA和KICA的最小二乘支持向量机(LS-SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包去噪预处理,同时对不同频段的负荷分量进行区别处理以提高预测精度;利用核函数KPCA和KICA分析方法提取数据特征,提高预测模型的泛化能力和预测精度;采用混沌粒子群算法优化LS-SVM参数提高预测模型的收敛速度。实验表明,改进算法在预测精度、泛化能力及收敛速度方面较突出,具有良好的预测效果。     

改进BP网络在汽轮发电机组故障诊断中的应用

关于汽轮发电机系统一定要保证可靠安全.研究汽轮机发电机组的故障快速诊断问题上,针对汽轮发电机故障具有多样性和不确定性,传统BP神经网络不能很好的识别这种特性,存在训练时间长、误差收敛速度慢的缺陷,故障诊断正确率低.为了提高汽轮发电机组的故障诊断准确率,提出一种附加动量法和自适应速率相结合的BP神经网络故障诊断模型.采用附加动量调整了BP神经网络的权值,加快了网络的收敛速度,用自适应速率动态地调整了学习速度,减少了迭代次数,最后利用得到的BP神经网络对故障进行了诊断.在matlab上采用实测汽轮发电机故障数据对故障诊断模型进行测试,相对于传统的BP算法,该算法不仅迭代次数少、学习速度加快,而且故障诊断准确率高.结果表明,有效地克服了传统的梯度下降的BP算法的缺陷,诊断结果可为保证汽轮发电机安全运行提供保障.     

一种小波神经网络的电力短期负荷模型研究

为了提高电力短时负荷预测精度，提出一种基于小波神经网络的短期负荷预测模型。通过小波分析进行负荷序列分解，获得不同频率负荷分量规律；由粒子群算法进行粒子群适应度排序，提升算法收敛速度和收敛能力；为避免算法陷入局部收敛性，引入混沌理论来增强全局搜索能力。将改进的PSO-WNN短期负荷预测模型应用于实例验证中表明：PSO-WNN模型相较于传统WNN模型和PSO模型对电力短时负荷的预测精度分别提高了3.16%和2.12%,预测效率提高了近一倍，算法能有效满足电力调度短时负荷预测的需求。     

基于SAPSO算法的非线性预测控制方法研究

神经网络模型在非线性系统预测控制中得到广泛地应用,但是存在预测控制律难以求取的问题,文章提出模拟退火粒子群优化(SAPSO)算法来进行优化求解。在对PSO算法与SAPSO算法进行分析的基础上,采用SAPSO优化算法对神经网络预测控制策略进行了优化,再通过仿真实验对PSO算法与SAPSO算法的预测性能进行了比较。仿真结果表明SAPSO优化算法能有效减少迭代次数、提高收敛精度。     

基于自组织神经网络的电力变压器故障诊断

在自组织神经网络基本学习训练算法基础上,本文从初始连接权值的设置、距离函数的定义、学习速率的自适应调节、收敛准则的确定以及分类模板的调整等五个方面分析如何改进传统的自组织神经网络算法,设计了一种改进的自组织神经网络结构,以电力变压器的故障诊断为例,实验结果表明,该方法能够取得较好的故障诊断结果,具有一定的实际应用价值。     

一种基于十五阶的FastICA改进算法

快速独立分量分析（FastICA）因其收敛速度快而被受关注,但存在初始值选取不当可能导致算法的收敛速度减慢甚至不收敛的问题。针对基本牛顿迭代FastICA算法对初始值选择比较敏感的缺点,以最大化负熵为目标函数,引入十五阶牛顿迭代的修正形式对FastICA算法的核心迭代过程进行改进,改进算法的收敛性不再依赖于初始值的选择,而且具有更快的收敛速度。将改进算法应用到仿真实验,实验结果显示,改进算法在分离效果相当的前提下,迭代次数更少,收敛速度更快,而且收敛速度更加稳定。     

电力变压器的动态隧道BP网络故障诊断算法

变压器油中溶解气体分析是电力变压器绝缘故障诊断的重要方法。将人工神经网络中的BP算法应用于电力变压器故障诊断。由于BP算法训练神经网络具有训练易陷入局部极小,收敛速度缓慢的缺点,动态隧道技术运用到训练BP网络上,可以有效地改进BP网络易陷入局部极小的缺陷。经大量实例分析,并将其结果与传统的BP算法的结果进行比较,表明该算法能有效地对电力变压器单故障样本进行分类,具有较高的诊断准确率。     

基于压缩感知的图像重构算法

在图像压缩感知中,梯度投影恢复算法存在收敛速度慢、迭代次数多、对数据稀疏度过分敏感的问题。为此,提出一种基于压缩感知的图像重构算法。将拟牛顿法引入稀疏梯度投影算法中,利用拟牛顿法的估计校正机制以及其全局超线性收敛性,通过对目标函数的校正,获得更精确的搜索方向,从而减少迭代次数,构成有效收敛的图像恢复算法。实验结果表明,与传统梯度投影恢复算法相比,该算法在保证较好图像恢复效果的同时具有较好的抗噪性能,并且在减少迭代次数的基础上能有效降低重构误差,得到稳定收敛的重构结果。     

基于大数据和深度学习的全社会月用电总量预测

为解决经典方法预测全社会用电总量预测数值精度较低、模型结构参数过于复杂等技术难题,本文提出将电力大数据和人工智能领域深度学习算法相结合的研究方法。采用计算机建立具有阶层结构的深度神经网络,根据仿生学原理引入线性整流函数解决梯度消失及神经网络收敛速度减慢问题,采用梯度下降来进行优化模型,同时通过引入指数衰减法由神经网络模型自动设定学习率以提高模型预测精度并降低迭代次数。从数量场的梯度原理并结合泰勒公式,推导出梯度下降法背后数学原理。为解决过拟合问题引入早停算法以提高模型训练速度及泛化能力。最后深度学习算法预测数值与经典线性回归算法预测数值相比较,深度学习算法在对全社会月用电总量的预测精准度、稳定性指标上明显优于线性回归算法,深度神经网络模型对未来全社会电力需求的预测数值具有高度的可信性。     

改进强化学习算法应用于移动机器人路径规划

为了解决传统的强化学习算法应用于移动机器人未知环境的路径规划时存在收敛速度慢、迭代次数多、收敛结果不稳定等问题,提出一种改进的Q-learning算法。在状态初始化时引入人工势场法,使得越靠近目标位置状态值越大,从而引导智能体朝目标位置移动,减少算法初始阶段因对环境探索产生的大量无效迭代;在智能体选择动作时改进[ε]-贪婪策略,根据算法的收敛程度动态调整贪婪因子[ε],从而更好地平衡探索和利用之间的关系,在加快算法收敛速度的同时提高收敛结果的稳定性。基于Python的Tkinter标准化库搭建的格栅地图仿真结果表明,改进的Q-learning算法相较于传统算法在路径规划时间上缩短85.1%,收敛前迭代次数减少74.7%,同时算法的收敛结果稳定性也得到了提升。     

基于串联结构的分布式模型预测控制

分布式模型预测控制(Distributed model predictive control, DMPC)是一类用于多输入多输出的大规模系统的控制方式.每个智能体通过相互协作完成整个系统的控制. 已有的分布式预测控制算法可以划分为迭代式算法和非迭代算法:迭代算法在迭代到收敛情况下,具有集中式预测控制(Centralized model predictive control, CMPC)算法的性能,但迭 代次数过多,子系统间通信量大;非迭代算法不需要迭代,但性能有一定损失.本文提出了一种基于串联结构的非迭代分布式预测控 制算法.本文算法在串联结构系统中可以有效减少计算量,并结合氧化铝碳分解(Alumina continuous carbonation decomposition process, ACCDP)这一串联过程,通过仿真验证了算 法的有效性;同时分析了算法运用在串联结构下的性能并证明了其稳定性.     

基于混合pi-sigma神经网络的故障诊断

由于电力变压器故障的模糊性和多样性,目前利用IEC三比值法在变压器故障诊断中存在准确率不高之难题.针对电力变压器的特点,综合考虑各因素的影响,将模糊逻辑和神经网络的长处融合在一起,构建了基于混合Pi-sigma神经网络及其算法的变压器故障诊断模型,其中在学习速率的选择、隶属度函数参数的更新等多处进行了改进,进一步减小了预测误差.用训练过的混合pi-sigrna神经网络模型对变压器故障进行验证和诊断的仿真结果表明,算法具有较快的收敛速度和较高的计算精度.证实了算法应用于电力变压器故障诊断的有效性.     

求解大型稀疏鞍点问题的对称超松弛方法

为了快速有效地求解大型稀疏鞍点问题,在SOR-like迭代算法的基础上,结合SSOR分裂,构造了一种解鞍点问题的SSOR-like迭代算法,并研究了该算法的收敛性。数值例子证明:通过参数值的选择,SSOR-like算法比SOR-like算法具有更快的收敛速度和更小的迭代次数,选择了合适的参数值后,可以大大提高算法的收敛效率。     

基于遗传算法的BP神经网络在电力负载预测中的应用

为有效利用电力资源,改进电力供需结构,建立面向电力负载的短期预测模型。利用层次分析法,对负载预测的影响因素做权重筛选,优化输入参数。通过主成分分析法对样本数据进行线性组合,压缩数据,提高网络泛化能力。引入L-M算法完善反向传播(BP)算法,加快收敛速度。同时结合改进的遗传算法,自适应调整交叉变异概率,对BP神经网络的初始权重进行动态赋值。在真实数据集上的实验结果表明,相较于传统神经网络模型,提出的模型能够加快神经网络的收敛速度,同时提高预测精度,电力负载的实际值与预测值的相对误差小于3%。     

基于八阶收敛牛顿迭代的Fast-ICA改进算法

解决盲源分离问题(BSS)最常用的方法是独立分量分析方法(ICA),快速独立分量分析方法(Fast-ICA)是目前广泛使用的独立分量分析方法。传统的Fast-ICA算法利用了二阶收敛的牛顿迭代方法进行优化,为了加快算法的收敛速度,提高算法的运行效率,利用八阶收敛的牛顿迭代方法对Fast-ICA算法进行优化,通过仿真验证了基于八阶收敛的Fast-ICA算法与传统的Fast-ICA和五阶收敛的Fast-ICA算法在分离性能上基本相同,但其具有更少的迭代次数和更快的收敛速率。