改进BP神经网络在负荷动静比例确定中的应用

指出了电力系统负荷动、静组成比例在实际电力系统分析、计算中的重要性，并应用一种改进的BP算法——Levenberg-Marquardt反向传播算法来对神经网络进行训练，进而利用人工神经网络(ANN)来确定电力系统综合负荷动、静组成比例为β=F[Y(t)，Y(t-1)，…，Y(t-n)，U(t)，U(t-1)，…，U(t-n)]。其中，β为动态负荷在综合负荷中所占的比例，Y=[P，Q]^T。，U=[V，f]^T。该算法改进了BP神经网络学习速度慢的缺点。应用该方法对仿真数据、动模实验数据和现场实测数据进行了测算，得出了其相应的动、静组成比例。测算结果验证了在确定负荷动、静比例时可以忽略频率的变化，证明了BP神经网络用于确定负荷动、静组成比例的有效性。     

改进粒子群算法在变电站选址规划中的应用

提出了一种利用改进的粒子群算法来解决配电网变电站选址问题.在改进的方法中,引入模糊的方法,根据粒子适应度高低来确定粒子的惯性权重的取值,对同一代的不同粒子使用不同惯性权重来更新粒子速度,从而获得了更高性能的PSO算法.通过某开发区规划实例验证了该文所提模型和方法正确性和有效性,其规划结果科学、可行.     

改进粒子群算法在无功优化中的应用

建立了无功优化的数学模型,针对粒子群算法易陷入局部最优解、收敛精度差的缺点,将改进粒子群优化算法应用到电力系统无功优化中。对粒子群的速度公式进行了改进,并在算法中引入反正切惯性权重和阈值来增强搜索全局最优解的能力。通过对IEEE30节点的算例仿真,证明改进后的粒子群算法在电力系统无功优化问题上具有一定的可行性。与PSO的结果对比表明该算法在一定程度上提高了计算的精度。     

基于改进粒子群优化神经网络的电力变压器故障诊断

为了提高电力变压器故障诊断的准确性,采用了一种自适应变异粒子群优化神经网络的方法,用于BP网络的权值优化。并根据变压器的故障特征,用优化好的BP网络进行故障诊断。该算法修正了粒子个体行动,克服了标准粒子群和BP网络易陷入局部极小的问题。实例仿真结果表明,该方法具有较好的分类效果,具有一定的实用性。     

离散粒子群优化算法在变电站选址中的应用

将离散粒子群优化算法引入变电站选址优化规划问题的求解,并构造矩阵作为离散解值集来表示变电站选址问题的解,同时构造速度矩阵作为离散速度值集表示粒子的速度值,使PSO算法合理地应用于变电站选址问题。并通过算例,验证了算法的有效性。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

改进粒子群优化神经网络在变压器故障诊断中的应用

变压器绕组早期故障的诊断是实现安全生产、避免大事故的技术前提。由于变压器器身振动信号包含有丰富的信息,所以可以通过监测变压器振动信号来预估绕组的状况。笔者首先利用小波包分解原理将变压器振动信号分解到不同的频段中,然后计算各频段的能量熵值,并将其作为BP神经网络的输入向量,同时利用改进粒子群算法(IPSO)对BP神经网络进行优化。最后利用训练好的BP神经网络对变压器进行故障诊断。试验结果表明:与传统BP神经网络法和PSO-BP神经网络方法相比,该方法克服了BP神经网络的一些缺陷,具有较快的收敛速度和较高的诊断精度,对变压器绕组的早期故障具有良好的预测能力。     

基于改进PSO算法的电力系统无功优化

粒子群优化PSO(Particle Swarm Optimization)算法是一种简便易行、收敛快速的演化计算方法,但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和变异算子,提出了一种新的改进粒子群优化MPSO(Modified Particle Swarm Optimization)算法,并将其应用于电力系统无功优化,建立了相应的优化模型。对IEEE-14节点系统及某地区70节点实际电力系统进行了仿真计算,并与PSO算法作了比较,结果表明MPSO优化算法能有效地应用于电力系统无功优化．其全局收敛性能及收敛精度均较PSO算法有了一定程度的提高。     

基于改进粒子群算法的变电站选址规划

变电站站址的选择是电网规划的重要环节,给出一种确定的变电站选址模型,该模型不仅包含了以往的变电站选址的可量化因素,还将地理信息作为惩罚因子融合入模型中,增加了变电站选址模型的实际价值。并且提出一种新的改进粒子群算法,从初始解和变量搜索方面进行了改进。算例证明所提模型和改进算法正确、有效,其规划结果科学、可行。     

基于改进粒子群算法的变电站选址规划

变电站站址的选择是电网规划的重要环节,给出一种确定的变电站选址模型,该模型不仅包含了以往的变电站选址的可量化因素,还将地理信息作为惩罚因子融合入模型中,增加了变电站选址模型的实际价值.并且提出一种新的改进粒子群算法,从初始解和变量搜索方面进行了改进.算例证明所提模型和改进算法正确、有效,其规划结果科学、可行.     

一种新的基于陷波器的变电站噪声控制法

针对变电站噪声传统控制方法的缺陷,提出一种将人工神经网络与陷波器相结合用于控制变电站噪声的新方法.首先对自适应有源控制的对象变电站噪声进行理论分析;之后分析了2种传统的自适应有源噪声控制方法,即基于陷波器的有源控制法和基于人工神经网络的有源控制法.考虑到这2种方法的优缺点,利用人工神经网络算法代替陷波器中的最小均方（LMS）算法.最后,分别用这3种方法对变电站实测噪声信号进行处理,结果表明所提的方法不仅具有更好的稳定性,而且对变电站噪声有更好的抑制效果.     

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。     

压缩机噪声的主动噪声控制系统研究

主动噪声控制系统是运用声学干涉相消的理论,由自适应算法对参考噪声进行处理来产生抗噪声信号。本文针对燃气站压缩机在中低频段具有声压级高且难以抵消的问题,首先对压缩机噪声进行时频分析,然后提出了一种基于自适应IIR的主动噪声控制系统,该系统由两个参数可调的数字滤波器和相对应的自适应算法组成。最后利用Xilinx FPGA作为系统的核心控制模块进行系统的硬件设计。实测结果表明该方法在中低频段降噪效果可达20dBA,系统收敛速度为30us,且消耗更少的硬件资源。     

基于改进粒子群优化模糊控制的MPPT算法研究

在光照强度和温度变化时,常规的最大功率点跟踪(MPPT)算法难以快速准确地跟踪光伏系统最大功率点。针对此问题,设计了一种改进粒子群优化算法(PSO)的模糊控制器。首先,依据常规MPPT特性,设计了一种带调整因子的模糊控制算法以快速收敛到最大功率点;然后,采用参数自适应PSO对设计的模糊控制器调整因子进行动态优化。仿真结果表明:所设计的参数自适应PSO优化模糊控制器能快速准确地跟踪最大功率点,保证了MPPT的动态响应速度和稳态精度,提高了光伏系统的工作效率。     

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。     

变电站集控仿真培训系统的应用

从培训应用角度阐述了变电站集控仿真培训系统的结构、内容及目标,论证了仿真培训系统在培训教学中的作用、地位,说明了该系统在培训中有着越来越广泛的应用前景。     

自适应变异粒子群算法及在输电网规划中的应用

针对标准粒子群优化（SPSO）算法易陷入局部最优的缺点,引入了一种自适应变异的粒子群优化（AMPSO）算法,并应用于电力系统输电网规划。该算法在迭代过程中加入变异操作,并根据种群适应度方差值自适应地调整变异概率的大小,以此来增强算法跳出局部最优的能力。在输电网规划算例中的应用结果表明,变异操作改善了算法的寻优性能,使得AMPSO算法的寻优效率远高于SPSO算法。     

粒子群优化BP神经网络在电梯群控系统中的应用

为了达到最优电梯群派梯指标,提出了一种基于粒子群优化的BP神经网络电梯群控方法,将带变异因子的改进粒子群优化技术应用到BP神经网络中,获得电梯评价指标中的满意度,以改进粒子群优化BP神经网络的初始权值和阀值。仿真结果表明,改进粒子群优化的BP神经网络算法减少了迭代次数,缩短了运行时间,证明了新方法的有效性。