基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

基于新型神经网络的电网故障诊断方法

故障诊断对于事故后系统快速恢复正常运行具有重要的意义。该文提出应用新型径向基函数 (RadialBasisFunc tion ,RBF)神经网络解决故障诊断问题 ,文中将正交最小二乘 (Orthogonalleastsquare)算法扩展用于优化RBF神经网络参数。并应用传统的BP神经网络解决同样的问题以进行比较。在 4母线测试系统中的计算机仿真结果证明 ,在解决故障诊断这一类问题时 ,RBF神经网络优于BP神经网络模型 ,能够更有效地解决问题     

混沌模拟退火算法在无功优化中的应用

为了更有效地改进处理无功优化问题的方法,提出了混沌模拟退火(CSA)算法,该算法是一种基于混沌变量的改进模拟退火算法,结合了混沌算法的全局遍历性和模拟退火算法的启发式规则,在模拟退火算法的搜索过程中加入了混沌算法的优点。利用混沌算法确定算法的初始温度,有效地减小了搜索空间,同时利用混沌算法确定模拟退火算法中的扰动准则,使算法有效跳出局部最优解。最后将混沌模拟退火算法应用于电力系统无功优化中,通过对IEEE 6和IEEE 30节点以及实际129节点系统的仿真验证了该算法应用的有效性。     

考虑数据不均衡的居民用户负荷曲线分类方法

由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差。为此,提出一种改进K-means与长短期记忆(LSTM)神经网络-卷积神经网络(CNN)分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类(DPC)算法思想,提出一种相对k近邻密度峰值(RKDP)初始聚类中心选取方法,将其作为K-means算法的初始中心进行聚类;然后,为提高RKDP-K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类获得精准类别标签;最后,基于LSTM神经网络和CNN分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例选取了爱尔兰智能电表数据集和伦敦负荷数据集进行实验,验证了所提算法在大规模负荷曲线分类时的有效性和实用性。     

自适应变系数粒子群和径向基神经网络在短期电价预测中的应用(英文)

分析了传统的粒子群优化(particle swarm optimization,PSO)算法和径向基(radial basis function,RBF)神经网络的优缺点,提出一种自适应变系数粒子群优化算法(adaptive variable coefficients particle swarm optimizer,AVCPSO)。该算法与RBF神经网络结合形成自适应变系数粒子群-径向基(AVCPSO-RBF)神经网络混合优化算法。基于此优化算法,建立了短期电价预测模型,并利用贵州电网历史数据进行短期电价预测。仿真计算结果表明,AVCPSO-RBF混合优化算法在短期电价预测中优于传统RBF神经网络法和PSO-RBF神经网络方法,克服了上述2种方法的缺点,改善了RBF神经网络的泛化能力,具有输出稳定性好、预测精度高、收敛速度快等特点,使用该方法得到的各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.652RMB/MW·h。     

PCA和GA-PSO-RBF集成的发电机组远程故障诊断

首先基于LPC2290核心芯片的arm嵌入式工控平台设计了远程数据采集系统,使故障诊断系统通过Internet在线获取发电机组状态数据。然后给出了主元分析(PCA)和GA-PSO-RBF神经网络集成的故障诊断方法。故障模式向量先通过PCA降维,降低RBF神经网络的规模和计算时间。针对RBF神经网络参数难以设置、收敛速度慢等不足,介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传-粒子群算法(GA-PSO),用于RBF神经网络的参数优化过程。最后以转子振动试验台仿真发电机组,实现了状态信息的远程获取;通过故障诊断仿真测试验证了PCA和GA-PSO-RBF集成诊断方法的有效性。     

基于粒子群优化BP神经网络的速度观测器

利用BP神经网络可以逼近任意的非线性关系的特点,构建一个神经网络速度观测器.由于BP神经网络的初始权值和阈值的选择存在随机性,对网络的性能影响很大,但又无法准确获得,提出将PSO算法与BP算法结合的方法,通过粒子群算法优化BP神经网络,得到最佳初始权值和阈值,提高了速度观测器的精度.通过实验采集的数据来训练这个神经网络,实验结果证明了该方法的有效性.     

基于差分进化小波神经网络的多维非线性系统辨识

提出一种基于差分进化小波神经网络(DE-WNN)的多维非线性系统辨识方法。利用差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高小波神经网络的学习精度和收敛速度。将该方法应用于多维非线性系统的辨识,并与RBF神经网络和遗传小波神经网络的辨识结果进行了比较,实验结果表明,差分进化算法优化的小波神经网络隐层节点为6,迭代次数为30,网络训练时间为0.58s,辨识均方误差达到1.02×10?4,所提出的方法具有更高的辨识精度和收敛速度,能够更好的辨识出多维非线性系统。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

动态RBF神经网络在非线性系统建模中的应用

在分析传统RBF神经网络算法的基础上,提出了改进的最临近聚类算法和隐含层节点的增加与修剪策略,从而增强了RBF神经网络的非线性系统建模能力。以锅炉燃烧过程为实例,通过从现场采集的数据建立神经网络模型,使用改进的算法建立系统的初始神经网络模型,再经过改进算法不断修正模型,取得了比较满意的效果。     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

压燃式航空活塞发动机转矩复合预测控制

由于压燃式航空活塞发动机工作过程具有强非线性等特点,只采用模型预测控制（MPC）算法来实现压燃式航空活塞发动机的转矩控制,会导致基于状态空间模型的转矩预测精度不理想。采用径向基（RBF）神经网络结合MPC的发动机转矩复合预测控制能解决上述问题。首先,通过脉谱（MAP）控制方式获得发动机的运行数据,以此作为自行搭建的发动机联合仿真平台上的神经网络训练样本集。其次,在粒子群优化（PSO）算法中引入模拟退火（SA）机制,训练RBF神经网络转矩预测模型。最后,通过联合仿真不断修正控制算法,验证了SA+PSO算法在RBF神经网络上训练发动机转矩预测模型的优越性,还能有效改善PSO算法容易陷入局部最优的问题,并通过发动机台架实验验证了转矩复合预测控制的有效性。     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型.提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电...     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于PSO-MP算法和RBF神经网络的电能质量扰动识别

准确识别扰动信号类型对分析和治理电能质量问题具有重要意义。文中提出一种基于粒子群优化匹配追踪算法(PSO-MP)和RBF神经网络的电能质量扰动识别方法。首先,构建工频原子库将工频信号提取出来,得到的残余信号能更好地体现扰动信号差异性;再利用PSO优化匹配追踪算法以减小计算量,并结合离散Gabor原子库对残余扰动信号进行稀疏分解,准确提取其原子参数;最后将原子参数以及残余信号在原子上的投影的均值和标准偏差作为特征量,利用RBF神经网络对扰动信号进行识别。仿真算例表明,该方法能够有效地识别几种常见的电能质量扰动,且具有抗噪性能强、计算量小等优点。     

基于纵横交叉算法的神经网络配电网故障选线研究

为了提高小电流接地系统单相接地故障选线的精度,提出一种基于纵横交叉算法优化RBF神经网络的故障选线新方法。利用Matlab/Simulink仿真单相接地得到一组零序电流信号,通过小波包变换和傅里叶变换从中提取出暂态特征值、有功分量以及五次谐波分量。再将提取得到的特征量作为神经网络的输入,用纵横交叉算法优化后的神经网络对故障特征值进行训练,实现故障选线。仿真中建立100组不同的故障样本,其中80组作为训练集,20组作为测试集。实验结果表明,与传统神经网络相比,CSO-RBF方法训练效果好,准确性高。     

Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers

This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples.     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

RBF-SVM的核参数选择方法及其在故障诊断中的应用

基于核理论的SVM中,RBF核函数应用最广,是一个普适的核函数,但其参数的选择却没有固定方法。鉴于此,本文首先分析了现有核函数参数优选算法的不足;然后在SVM网络结构分类原理的基础上提出了基于数据最大方差-关联度准则的核参数选择算法,并结合粒子群算法建立了RBF核参数的自动优选流程。将其用于模拟电路故障诊断实验,证明了所提方法具有参数选择准确、简单快速等优点,优选得到的核参数提高了故障诊断率。