基于小波神经网络的单相三电平逆变器谐波检测

本文采用小波神经网络（Wavelet Neural Network,WNN）算法对时变谐波信号进行检测。利用Harr小波对谐波信号的幅值和相角进行逼近;将小波对信号的自适应时频分割特性引入神经网络,提高神经网络的逼近和收敛速度;给出网络参数的选定方案;确定网络的训练算法。在MATLAB/SIMULINK环境下对该算法进行仿真,与传统的小波算法比较,该算法不仅可行,而且精确度得到提高。     

基于改进频谱叠加算法的多间谐波检测方法

为提高多组非对称间谐波的检测精度,对多分量频谱叠加算法加以改进,基于一元高次方程韦达定理,提出了对基波及谐波附近多个非对称间谐波的统一计算公式。首先将多个间谐波DFT后在基波及谐波附近的频谱泄露值进行矢量叠加,得出间谐波相关方程组;然后根据统一计算公式求解该复杂方程组,得出间谐波估计频率;最后结合估计频率和初始假设信号,能够得到各个频率对应的幅值及相位。实验算例表明,该间谐波检测方法能准确识别基波及谐波附近的多个非对称间谐波,能够有效解决传统检测识别间谐波时对间谐波存在个数及类型的限制。     

电网经济运行分析及有功优化的迭代计算方法

试图以数学中的神经网络BP方法对电力系统的经济运行进行分析求解。以平凉电力系统为例,对整个平凉电网进行了数据采集、规算和潮流计算,得到全网的潮流初解,然后以此为初始值,用BP算法对有功部分进行优化,从而得到全网有功功率的最佳分配。数值计算及应用结果均表明所提出的模型是正确的,所运用的BP优化算法是稳定、收敛、快速和有效的,可以作为电力系统经济有效分析有功优化的核心软件推广使用。     

基于新型智能算法对太阳能无人机光伏组件电压预测控制研究

针对BP网络算法预测光伏组件电压易陷入局部最优解,提出一种新型智能算法--自适应差分进化算法优化BP神经网络(BPNN)。太阳能无人机光伏组件电压的预测是通过自适应差分进化算法对BP神经网络的初始值和阈值进行优化,经过不断趋同、异化、迭代,输出最优个体,并按照编码规则将其解码后得到BP神经网络的初始权值和初始阈值,建立SaDE-BPNN电压预测模型。为了证明新方法的优良性能,选取均值绝对误差、均值绝对误差、均方根误差和相对误差4种精度指标对模型的精度进行评价。实验结果表明,SaDE优化BPNN后的平均绝对误差比BPNN低约30%。SaDE优化后的BPNN的均值绝对误差和均方根误差均小于BPNN,分别约为0.65和0.043。以上数据表明,新方法提高了预测的精度,实现了全局优化,能够显著提高预测效果。     

基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足,本文提出了一种PCA-GABP神经网络方法预测发动机负荷特性,该方法由主成分分析(PCA)和遗传神经网络(GABP)两部分构成,采用PCA技术减少网络输入变量、精简网络结构、提高学习效率;GABP算法采用局部改进遗传算法优化神经网络权值,并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足，本文提出了一种PCA—GABP神经网络方法预测发动机负荷特性，该方法由主成分分析（PCA）和遗传神经网络（GABP）两部分构成，采用PCA技术减少网络输入变量、精简网络结构、提高学习效率；GABP算法采用局部改进遗传算法优化神经网络权值，并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

新能源汇集地区次同步谐波检测方法的研究

快速傅里叶变换(fast Fourier transform,FFT)在非同步采样和非整数周期截断时难以高精度检测谐波各参数,加窗和插值算法可提高FFT的精确度。在对纳托尔窗(Nuttall)频谱特性分析的基础上,提出以4项5阶Nuttall窗通过自卷积运算得到Nuttall自卷积窗函数,推导基于Nuttall自卷积窗四谱线校正公式。仿真结果表明,该算法能较精确地检测次同步谐波的频率特征值并抑制谱间干扰。最后,将Nuttall自卷积窗和四谱线插值FFT算法应用于新疆哈密地区次同步谐波检测,验证了该算法的有效性。     

基于AFOA-BP神经网络的燃气轮机研制风险预测

为提高燃气轮机研制过程中的风险管理能力,针对果蝇算法（Fruit Fly Optimization Algorithm,FOA）及BP神经网络的缺陷,构建了自适应果蝇算法（Adaptive Fruit Fly Optimization Algorithm,AFOA）,提出基于自适应果蝇算法优化BP神经网络的风险预测模型,利用自适应果蝇算法优化BP神经网络的阈值和权值。挖掘燃气轮机研制风险因素及风险事件之间的关系,并根据风险因素的权重预测风险事件的权重。利用燃气轮机研制风险的相关历史数据进行验证,表明该模型具有较高的预测精度和应用价值。     

模糊控制在孤岛检测系统中的应用

为了改进光伏系统中检测效率和输出电能质量难以调和的问题的缺点,文章提出了一种模糊自适应相位偏移的孤岛检测算法。该算法首先引入频率差的正反馈来提高检测速度,然后通过模糊控制针对不同品质因数的负载寻找最优的反馈参数,最后通过反馈参数得到并网输出电流的相位,进而对系统进行孤岛控制。试验表明,该方法对任意情况下的负载发生孤岛时均能实现快速无盲区检测,对公共点电压频率的变化具有极强的鲁棒性和自适应性,能够很好地改善了电流畸变,提高了输出电能的质量。     

河网水情预测的三种BP神经网络方法比较

针对神经网络能模拟复杂的河网水流运动规律,采用两种改进BP算法(动量学习率自适应算法和Levenberg-Marquart法),以松花江河网水情预测为例与普通BP算法进行了应用比较.结果表明,两种改进BP算法的收敛速度和预测精度较普通BP算法均有明显的提高,L-M法的收敛速度较动量学习率自适应算法更快,但在对超出训练样本特征范围的1998年超百年一遇历史性特大洪水进行外推模拟时,动量学习率自适应算法表现更好.     

基于思维进化算法优化BP神经网络的渗透参数反演研究

针对传统BP神经网络反演渗透参数的准确性很大程度依赖于初始权值和阈值的选择的问题,引入全局寻优能力极强、待调参数较少、收敛速度快的思维进化算法优化BP神经网络,以弥补传统BP神经网络在解决该问题时拟合能力有限、容易陷入局部最优、收敛速度慢的缺陷,进而提出了思维进化算法优化BP神经网络反演渗透参数的新方法。对某混凝土面板堆石坝进行渗透参数反演结果表明,与传统BP神经网络相比,思维进化算法优化BP神经网络具有更好的泛化能力,反演得到的渗压测点水头与实际值吻合更好,渗透参数符合实际。     

基于遗传算法:BP网络的空调水系统优化控制研究

针对BP神经网络收敛速度慢和易于陷入极小值的问题,采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法,提高了BP神经网络的计算精度和收敛速度.应用该模型对空调水系统进行了辨识,并以冷水机组和水泵能耗最小为目标进行优化,取得了满意的效果.     

基于改进FFT-BP的电力谐波检测算法

传统的FFT-BP算法在处理多种谐波信号叠加而成的复杂信号时,存在弱信号为了"迎合"网络的整体误差最小值,会发生严重的偏移,并反过来影响强信号的检测精度;学习率和动量因子被设为定值,易导致运行时间过长或无法收敛至最小值;激励函数为定函数,无法检测间谐波信号等问题。对此,提出一种改进的FFT-BP算法,利用预处理得到的谐波参数信息,限制参数迭代的搜索区域,并将学习率、动量因子和激励函数一起参与网络的调节。仿真试验表明,与传统FFT-BP算法相比,该算法解决了小信号的偏移问题,可以处理谐波与间谐波叠加而成的复杂信号,且运算速度更快、检测精度更高。     

基于小波包变换与遗传膜优化的BP神经网络的孤岛检测方法

光伏并网分布式发电运行中,为保障系统运行的稳定和安全,需具备较高的孤岛检测能力。为此,提出了基于小波包变换与遗传膜优化BP神经网络的孤岛检测方法,在不添加任何扰动的情况下,能实现无盲区检测,弥补传统被动式和主动式孤岛检测存在的不足,通过对PCC点电压信号进行小波包变换提取特征向量,并作为神经网络的输入样本,再利用WPT-GAPS-BP神经网络算法进行孤岛判断。通过仿真,验证了该方法的检测速度和精度更快更准确,具有一定的可行性和可靠性。     

基于粒子群优化BP神经网络的风电机组齿轮箱故障诊断方法

提出了一种基于粒子群优化BP神经网络风电机组齿轮箱故障诊断方法。粒子群算法不需要计算梯度,可以兼顾全局寻优和局部寻优。利用粒子群算法对BP网络权值和偏置进行优化,减少了BP神经网络算法陷入局部最优解的风险,提高了神经网络的训练效率,加快了网络的收敛速度。考虑风电齿轮箱振动信号的不确定性、非平稳性和复杂性,提取功率谱熵、小波熵、峭度、偏度、关联维数和盒维数作为故障特征。经测试,算法诊断结果正确,表明了PSO优化BP神经网络用于风电机组齿轮箱故障诊断的有效性和实用性。     

基于混沌自适应人工鱼群算法的含家庭储能配电网快速重构方法

针对分布式电源接入配电网具有波动性和随机性的特点,提出一种基于混沌自适应人工鱼群算法的含分布式电源配电网快速化重构方法。在风电、光伏和家用储能的数学模型和节点划分基础上,以电网网损、开关次数以及失电负荷成本最小为目标函数,建立基于多目标优化的含分布式电源配电网的优化重构模型。利用混沌自适应人工鱼群算法对模型进行求解,通过对鱼群的混沌初始化和自适应动态调整步长参数,提高了算法的全局搜索能力和收敛速度。根据电化学储能系统出力特性划分配电网网架重构的典型工作场景,通过含分布式电源的IEEE 33节点测试系统仿真实例验证了该文方法的有效性。仿真结果表明,与单独考虑电网网损成本相比,由该文方法得到的配电网优化重构成本降低了50%以上,优化重构时间均小于0.9 s,实现了含分布式电源配电网的快速自愈。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。     

神经网络法用于预测城市生活垃圾热值

采用神经网络方法对垃圾热值进行了预测。通过对垃圾组分与热值的相关性分析得知城市生活垃圾的热值与塑料和纸的关系最密切,并采用多元线性回归方法得出热值与物理组成的关系。针对垃圾成份的复杂多变性,采用神经网络方法对城市生活垃圾的热值进行了预测。神经网络以垃圾的物理组成（塑料、纸、食品、草木和织物）作为输入,采用108组数据BP算法对网络进行训练,发现采用隐层单元数为7,学习速率为0．1时,网络收敛速度较快,同时给出均方差随计算次数的变化关系,并将计算结果与实验测量值进行了比较。结果显示108组数据中仅有4组数据与测量值的相对误差超过5％,其余数据均在5％误差范围内,比多元线性回归方法有较大改善。     

一种基于加窗插值FFT和Prony算法的谐波与间谐波检测方法

针对含有频率相近的谐波和间谐波成分的电网信号,提出了一种基于加窗插值快速傅里叶变换(FFT)与Prony算法的分析方法;对信号加窗并利用FFT进行频谱分析,搜索谱线确定谱峰位置,利用谱线相位差来判断主瓣干扰是否存在;若主瓣干扰不存在,利用插值算法计算谐波或间谐波的参数;若主瓣干扰存在,利用插值算法的计算结果及原信号获得残差信号,使用Prony算法从残差信号中提取受到主瓣干扰的谱峰所对应的谐波和间谐波参数。仿真算例表明,该方法能够有效分析信号中谐波与间谐波的参数。