改进粒子BP神经网络在变电站噪声控制中的应用

为了改善变电站噪声控制中已有自适应降噪滤波算法的自适应能力差、收敛速度慢等弊端,提出了一种新的基于粒子群优化（PSO）的误差反向传播神经网络（BPNN）智能滤波算法。该算法针对PSO算法易出现无法兼顾局部、全局搜索和群体多样性丢失等问题,采用以粒子“亲密”度为依据来自适应调整粒子惯性因子和变异率的改进策略;利用该改进粒子群优化（IPSO）算法取代梯度下降算法,实时优化BPNN的权、阈值,使噪声迅速降低,再用梯度下降算法对BPNN的权、阈值作进一步的精细优化,使噪声得到更大程度上的抑制。文中以某变电站变压器噪声信号为仿真声源,分别利用所提算法、PSO-BPNN算法及BPNN算法对该声源信号进行主动抑制,结果表明所提算法性能明显优于另外2种算法的性能,使变压器降噪系统性能得到较大的改善。     

基于LabVIEW FPGA的音圈电机神经网络控制方法

音圈电机是一种常用的高动态性能驱动器。为了优化、简化不同音圈电机的控制算法调试过程,提出了一种基于LabVIEW FPGA的改进RBF神经网络控制算法。该网络采用3-输入的3层网络结构,通过梯度下降法对隐含层权值系数更新,实现对音圈电机的电流环控制。仿真结果表明,随着隐含层节点数增加,RBF神经网络控制算法性能将优于单神经元自适应控制算法。当隐含层节点数为6时,系统电流上升时间为14μs,相对于单神经元自适应控制缩短了26.3%。将该算法用于激光精密指向系统,实验结果表明,隐含层4节点时,电流上升时间为25μs。实验结果与仿真结果较吻合,验证了RBF神经网络算法的有效性。     

采用自组织RBF网络算法的变压器故障诊断

针对以往神经网络常采用试凑法设计网络节点的缺陷,提出了一种自组织径向基函数(RBF)神经网络算法。该算法首先通过模糊C-均值(FCM)算法得到初始的RBF神经网络节点数和中心向量,再利用经Gaussian随机分布改进的粒子群优化(PSO)算法对初始RBF神经网络节点数、中心向量、节点连接权值进行优化。利用鸢尾属数据集及葡萄酒数据集对提出的自组织RBF神经网络算法进行了仿真测试,证明该算法对于提高分类精度和优化RBF神经网络结构有一定的作用。最后,将该算法应用到电力机车牵引变压器综合测试及故障诊断系统中,结果证明所提的自组织RBF神经网络诊断算法可有效监测出原系统试验时误报和漏报的故障。     

基于自适应粒子群优化的静止变频电源控制研究

为了提高静止变频电源输出的电压波形质量,增强控制系统的鲁棒性,提出了基于自适应粒子群优化算法(APSO)优化模糊神经PID控制策略。利用改进的自适应粒子群优化算法优化模糊神经网络的前件、后件参数和单神经元优化PID参数,实现了控制器参数的自动调整。在MATLAB/SIMULINK环境下,对该策略控制下的静止变频电源控制电路进行了仿真。结果表明,与普通的模糊神经网络PID控制对比,引入改进的粒子群优化算法可以实现参数的全局快速寻优。优化后的模糊神经PID控制器具有良好的控制性能和自适应能力,很好地满足了系统的鲁棒性、快速性的要求。     

神经网络算法的改进及其在有源电力滤波器中的应用

针对有源电力滤波器的电流跟踪控制问题,设计了一种基于改进梯度算法的BP神经网络自适应PI控制器。该控制器将神经网络技术与PI参数设计相结合,与传统的PI控制器相比,该控制器具有结构简单、易于在线调整等优点。同时,为了克服采用神经网络算法修正权值系数时,会存在局部极小、收敛速度慢的问题,对BP神经网络采用的梯度算法进行改进。利用代数法代替梯度下降法,从而解决了易出现局部极小问题,且使收敛速度更快。仿真实验表明,改进后的神经网络自适应PI控制器较传统的PI控制器有更快的响应速度和更高的补偿精度,从而使系统更稳定,而且电网电流的谐波畸变率更低。     

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％。     

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。     

基于遗传小波神经网络的变电站内变压器噪声自适应抑制

为减少变电站噪声污染,针对变压器噪声控制问题,提出一种基于遗传小波神经网络的变电站内变压器噪声自适应抑制方法。首先,将变压器噪声进行小波神经网络建模,比较变压器实际噪声信号和模型输出噪声信号的大小。其次,根据残余噪声信号幅值绝对值,自适应选择遗传算法或者梯度下降算法作为小波神经网络中参数迭代的优化方法。最后,利用一种降噪综合性能评价策略,确定模型隐含层最优结构。通过3种不同模型的仿真,结果表明遗传小波神经网络模型对变压器附近的噪声信号有较好的抑制效果。     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练 RBF 网络的方法,在确定网络隐含层节点个数后,将 RBF 网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数.用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景.     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练RBF网络的方法,在确定网络隐含层节点个数后,将RBF网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数。用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景。     

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。     

An RBF Network With OLS and EPSO Algorithms for Real-Time Power Dispatch

This paper proposes a novel technique that combines orthogonal least-squares (OLS) and enhanced particle swarm optimization (EPSO) algorithms to construct the radial basis function (RBF) network for real-time power dispatch (RTPD). The goals considered are fuel cost, power wheeling cost, and NO_x/CO₂ emissions. The RBF network is composed of three-layer structures, which contain the input, hidden, and output layer. To simplify the network, the OLS algorithm is used first to determine the number of centers in the hidden layer. With an appropriate network structure, the EPSO algorithm is then used to tune the parameters in the network, including the dilation and translation of RBF centers and the weights between the hidden and output layer. The proposed approach has been tested on the IEEE 30-bus six-generator and practical Taiwan Power Company (Taipower) systems. Testing results indicate that the proposed approach can make a quick response and yield accurate RTPD solutions as soon as the inputs are given. Comparisons of learning performance are made to the existing artificial neural network (ANN), conventional RBF network, and basic particle swarm optimization (PSO) methods     

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。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

A novel approach to fuzzy wavelet neural network modeling and optimization

In this paper, an efficient approach of combining Takagi–Sugeno–Kang fuzzy system with wavelet based neural network is presented. The model replaces the constant or a linear function of inputs in conclusion part of traditional TSK fuzzy model with wavelet neural network (WNN), thus each rule uses fuzzy set to separate the input space into subspaces spanned by different wavelet functions. For finding the optimal values for parameters of our proposed fuzzy wavelet neural network (proposed-FWNN), a hybrid learning algorithm integrating an improved particle swarm optimization (PSO) and gradient descent algorithm is employed. The two-layer inline-PSO process is proposed in this paper, whose adjustment scheme is more fitting the consequent pattern learning based gradient descent optimization and will locate a good region in the search space. Simulation examples are given to test the efficiency of proposed-FWNN model for identification of the dynamic plants. It is seen that our modeling and optimization approach results in a better performance.     

基于粒子群广义神经网络的系统边际价格预测方法

提出了一种利用改进粒子群算法优化广义神经网络的平滑因子,并采用优化后的网络预测系统边际价格的方法,该方法克服了利用梯度下降法优化平滑因子时易陷入局部极值点以及利用遗传算法优化平滑因子时收敛速度慢等缺点。采用该方法利用美国加州电力市场公布的历史数据进行系统边际价格预测,结果表明本文提出的方法比传统的BP网络预测方法更有效。