基于BP模糊神经网络的水轮发电机组故障诊断方法

运用模糊理论的故障征兆与故障原因之间的模糊关系,确定了BP神经网络的输入层和输出层,并结合水轮发电机组故障诊断具体实例建立神经网络的输入样本集,对神经网络进行训练,输入机组故障征兆向量,得出故障原因,从而验证了模糊神经网络的可行性与优越性.     

基于BP神经网络的输电线路故障起因识别

针对高压输电线路故障征兆和故障特征的非线性特征,结合故障起因的分类方法,研究应用BP神经网络对高压输电线路的故障起因识别,设计了一个基于BP神经网络的输电线路故障起因识别实时系统,主要依靠事故环境下所发生的一系列实时序列信息进行分析,判断故障发生的原因。通过仿真和实际运行证明BP神经网络可以有效地运用到输电线路故障起因识别中。通过现有数据的收集,并对其进行分析,最终判断出电力系统故障产生的原因。     

基于模糊神经网络的岩溶发育预测研究

结合武汉市某工程地质条件,选取5种输入参数,应用模糊神经网络模型,得到各评价区域的岩溶发育预测结果,并与BP神经网络模型的预测结果进行对比。结果显示,模糊神经网络模型在高风险区和安全区的相对误差分别为-9.6%、1.3%,均小于BP神经网络模型的-13.5%、3.6%;中风险区的相对误差相近,在一定程度上说明模糊神经网络模型预测结果比BP神经网络模型效果更好,精度更高。此外,对误差产生的原因也进行了分析。     

基于模糊理论的水轮机导水机构故障诊断方法的研究

构建水轮机导水机构故障诊断系统的目的,是自动诊断得出故障发生的原因.为此,以模糊理论为基础,结合水轮机导水机构的实际运行工况、专家经验等,构建了导水机构故障诊断知识库:分析了故障原因与故障征兆之间的模糊关系,建立了导水机构模糊故障诊断数学模型.用故障诊断实例验证了模糊理论在水轮机导水机构故障诊断中的可行性.     

BP神经网络在大坝位移监测中的应用

利用BP神经网络模型较强的非线性处理能力特性,以水位、温度和时效作为输入层,大坝位移为输出层,建立BP神经网络模型对龙滩大坝的位移监测数据进行模拟和预测,并将拟合值、预报值和实测值进行对比分析,结果表明:BP神经网络模型对大坝位移拟合效果较好,预报值精度较高,具有一定的参考应用价值。     

模糊神经网络在水轮发电机故障诊断中的应用

结合模糊理论中的模糊矩阵算法和神经网络的自适应性,建立BP模糊神经网络对水轮机发电机组进行故障诊断,避免传统的模糊理论诊断方法主观性和经验性的弊端,最后结合具体工程实例验证该BP模糊神经网络提高水电机组故障诊断的精确性和可靠性。对建立模糊神经网络模型应考虑的因素,以及模糊神经网络模型在水轮发电机组故障诊断中的实际应用情况作了简单介绍。     

基于BP神经网络算法的河湖生态健康评价研究

研究提出利用BP神经网络智能算法对河湖生态健康进行评价,通过构建基于BP神经网络的河湖生态健康评价系统模型,根据评价指标的数量设定BP神经网络输入层节点个数为18,同时依据河湖生态健康指数的种类个数设定输出层节点为5个。通过训练BP神经网络模型,在第573次迭代的时候,训练模型满足所设定的误差要求,所得到的BP神经网络模型可根据相关评价指标准确评价河湖生态健康指数。     

基于自相关分析的BP网络年径流预测模型及其应用

在目前利用BP神经网络进行径流预测的方法中,网络输入与输出的确定方法比较模糊,缺乏理论依据.鉴于此,提出通过对数据系列进行自相关性分析来确定网络结构的方法,此方法建立的BP网络预测模型应用于某电站的年径流预测.结果表明,该模型预测精度高,能够满足电站对径流预测的需要.     

基于模糊理论的混流式水轮机故障诊断方法

针对传统的混流式水轮机故障诊断方法费时费力的实际情况,建立了基于模糊理论的混流式水轮机故障诊断专家系统,该系统结合混流式水轮机的实际运行工况、专家经验等,构建混流式水轮机故障诊断知识库,对水轮机故障征兆的原因进行诊断,从而可以准确而迅速地找出故障原因.故障诊断实例结果和现场诊断基本一致,表明了模糊理论在混流式水轮机故障诊断中应用的可行性.     

应用模糊数学的故障诊断

在复杂系统的故障诊断中，由于系统的复杂性和直接监测的困难，应用故障机理分析方法建立征兆故障成因间的物理模型极为困难，本文所介绍的应用模糊数学方法进行故障诊断，充分利用邦联统计数据和专家经验，根据隶属函数来判断征兆群与故障成因之间的关系，从而实现当输入系统征兆后计算机对系统状况的自动诊断。     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.     

免疫小波网络在水轮机组故障诊断中的应用

水轮发电机组的故障原因非常复杂,目前尚难以通过理论分析在故障原因和故障征兆之间建立对应关系,为此,本文结合水轮发电机组的振动特点和小波网络的结构特点,建立了免疫小波神经网络模型。在对小波网络结构参数进行优化时,应用免疫系统的调节原理,依据抗体的适应度和抗体浓度的大小来确定其选择概率;并利用适应度函数动态调整交叉概率和变异概率。实例计算结果表明,与实际诊断结果相符,且该模型收敛速度快,精度高并有较好的泛化能力。     

基于多方法组合诊断模型的大型变压器故障诊断

电力变压器故障征兆与故障原因之间的关系错综复杂,而单项诊断方法由于信息特征独特、考虑角度单一,往往很难满足故障诊断的要求。因此,提出了在变压器故障诊断中采用多种方法组合诊断的思想,以克服单种方法的偏好对最终诊断结果所产生的影响。该方法采用模糊C均值聚类（FCM）诊断法、BP神经网络诊断法、粗糙集理论故障诊断法和IEC 60599推荐的三比值法这 4种诊断方法作为独立的单项诊断方法,根据各自诊断的误判率,按照诊断误差平方和最小的原则计算出各个诊断方法的最优权重,形成最优投票组合模型,再求出最大发生概率的故障类型。诊断结果表明,该方法与单项方法相比,大大降低了诊断误判的风险,提高了故障诊断的准确率,增强了故障诊断的稳健性。     

基于BP神经网络的河道断面变形预测模型

采用“试错法”，以及通过建立网络训练学习过程与网络特征参数之间的反馈机制，对BP神经网络隐含层单元数和特征参数进行优化选择。在此基础上，以河段水沙条件、水流主流位置及河道边界条件为输入向量，河道断面高程或冲淤变形为输出向量，建立了基于BP神经网络的河道断面变形预测模型。经长江中游马家咀河段实测资料验证，模型能准确模拟和预测该河段各断面的冲淤变化过程。     

水文时间序列的混沌神经网络预报

简要介绍混沌和BP神经网络的理论，在此基础上阐述了水文时间序列预测中混沌同BP神经网络结合的可行性，提出了用最小嵌入维数作为BP神经网络输入节点数方法，并给出了计算的方法和步骤，用宜昌日径流时间序列资料进行了验证，分析结果表明：用混沌同BP神经网络相结合的办法做日平均流量时间序列的预测是可行的，嵌入维数作为BPNN的输入节点数是合理的，关于隐含层的节点数问题还有待进一步研究。     

预测济南地下水位的BP神经网络模型及其改进

用BP神经网络预测济南市地下水位，并利用网络“截口”处连接权与阈值的信息，揭示了“过拟合”现象与输入神经元间的多重共线，是导致BP神经网络预测性能降低的主要原因．确定了以当年地下水开采量、前1年地下水位、当年降雨量为输入神经元，拓扑结构为3:3:1的改进的BP神经网络模型，预测了济南地下水位．结果表明，该模型的预测精度较高，相对误差约为6％．     

径向基神经网络在水轮发电机组故障诊断中的应用

轴心轨迹是诊断水轮发电机组运行状态的一个重要征兆。以不变矩为图形特征量，运用径向基神经网络对发电机故障状态的轴心轨迹图形进行辨识，是一种简单、有效的故障诊断方法。文中从原理上阐述了这种方法的可行性，并通过仿真试验证明径向基神经网络比BP神经网络有更高的学习效率和更好的诊断精度。     

凌汛开河历时预测模型研究

将小波函数作为BP神经网络隐含层节点的传递函数,提出了预测冰凌开河历时的小波神经网络模型。实例应用结果表明:该模型具有收敛速度快、预测精度高等特点,克服了单一BP神经网络在预测中极易陷入局部极小点等缺点,模型预测结果更接近实际值,其相对平均误差比单一BP神经网络和模糊神经网络分别降低了2.24%和4.83%。     

免疫小波网络在水轮发电机组故障诊断中的应用

水轮发电机组的振动原因非常复杂,难于通过理论分析的方法在故障原因和故障征兆之间建立对应关系,而小波网络在处理复杂非线性函数关系上优于其他的神经网络。为此,结合水轮发电机组的振动特点和小波网络的结构特点,建立了免疫小波神经网络模型。对小波网络结构参数进行优化时,应用免疫系统的调节原理,依据抗体的适应度和抗体浓度的大小,来确定其选择概率;并利用适应度函数动态调整交叉概率和变异概率。理论分析及实例结果表明,该模型收敛速度快,精度高并有较好的泛化能力,为水轮发电机组状态监测及故障诊断提供了一种新途径。     

基于改进的BP神经网络水源地水质安全预测

针对传统的BP神经网络未对影响因子进行筛选和筛选过程的主观性等问题,提出了改进的BP神经网络模型。选取山西省阳泉市地下水饮用水水源地的10个水质监测指标,进行Pearson相关分析得到相关系数;运用信息指标评价法对模拟因子进行筛选,得到最优的模拟因子,在明确BP神经网络的结构后,把最优模拟因子作为BP神经网络的输入样本,被模拟因子(水质状况综合指数)作为输出样本,建立水质预测模型。结果表明,预测的水质状况综合指数与实际值平均相对误差为3.80%,水质指数平均相对误差为0,较传统的BP神经网络模型精度高。