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。     

基于改进GA优化T-S模糊神经网络的小电流接地故障选线方法

在小电流接地系统中,发生最多的是单相接地故障,针对如何快速准确地查找故障线路一直都是重点研究课题,且没有得到有效的解决。本文提出一种基于遗传算法(GA)优化T-S模糊神经网络的配电网故障选线新方法:通过调整传统GA的适应度函数,先对网络初始参数、权值进行一次优化后,使用梯度下降法进行二次优化的选线算法。讨论了T-S模糊神经网络,传统GA优化的T-S模糊神经网络及不同网络结构对网络性能的影响。研究结果表明新型GA优化T-S模糊神经网络的选线效果明显优于T-S模糊神经网络和传统GA优化T-S模糊神经网络,能够快速、准确、可靠的选取故障线路。     

A recurrent neural fuzzy controller based on self‐organizing improved particle swarm optimization for a magnetic levitation system

This paper proposes a recurrent neural fuzzy controller (RNFC) approach based on a self‐organizing improved particle swarm optimization (SOIPSO) algorithm used for solving control problems. The proposed SOIPSO algorithm can adaptively determine the number of fuzzy rules and automatically adjust the parameters in an RNFC. The proposed learning algorithm consisted of phases of structure and parameter learning. Structure learning adopts several subswarms to constitute the adjustable variables in fuzzy systems, and an elite‐based structure strategy determines the suitable number of fuzzy rules. This paper proposes an improved particle swarm optimization technique, which consists of the modified evolutionary direction operator (MEDO) and traditional PSO techniques. The proposed MEDO method used the EDO and migration operation to improve the search ability of a global solution. Finally, the proposed RNFC approach based on the SOIPSO learning algorithm (RNFC–SOIPSO) was adopted to control a magnetic levitation system. Experimental results demonstrated that the proposed RNFC–SOIPSO model outperforms other models. Copyright © 2014 John Wiley & Sons, Ltd.     

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。     

基于小波神经网络PID的永磁同步电机转速控制

提出了基于小波神经网络PID的永磁同步电机(PMSM)转速控制策略。根据系统运行参数的变化,采用三层前馈式人工神经网络,基于梯度下降纠正误差法在线训练实时更新PID参数值。采用小波神经网络和增量式PID共同构成转速环控制器。建立PMSM数学模型,设计PMSM速度环控制器,构建S函数,对控制算法进行仿真试验,验证了该控制算法的先进性。试验结果表明,所提控制策略比传统PID转速控制具有更好的动态性能和抗干扰能力。     

基于GIS的小波神经网络库区径流预报模型研究

提出了一种基于GIS与小波神经网络方法相结合构建而成的水库日径流预测模型(GWNNR),通过模糊C均值聚类分析将水库历史径流数据分成4类,并分别建立相应的小波神经网络预测模型,应用遗传算法(Genetic algorithm)和误差反传递(Back-propagation)算法对模型的参数进行优化,对某水库2005年日平均来流进行分类预测,结果表明,该方法具有较好的训练速度和较高的预测精度.     

一种基于优选BP神经网络的智能模糊优化算法

建立了以模糊逻辑形式表示的基于优选BP神经网络的模糊优化模型,构造了用于优选:BP神经网络权值估计的遗传算子,重点讨论了加权梯度方向的计算方法及沿加权梯度方向进行变异的算子,确定了遗传算法的基本策略,构造了该算法的流程.针对飞边金属消耗设计准则挖掘问题,阐述了该准则建立的依据,讨论了该准则各变量之间的关系,并利用基于模糊优选BP神经网络的模糊优化算法实现了飞边金属消耗设计准则的挖掘.继而应用该实例对算法的稳定性进行了校验,并将该算法与利用梯度下降法对神经网络进行权值估计的算法进行了比较,结果表明,该算法速度快,精度高,稳定性好.     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

基于小波变换的边际电价神经网络预测新模型

提出了一种基于小波变换和群智能演化的神经网络集成预测新模型,对日前交易边际电价进行预测.首先利用小波变换将历史边际电价序列分解为高频和低频部分,并分别构造学习样本作为神经网络集成的输入;然后将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,其寻优过程采用粗-细二阶段学习算法.在第1阶段,采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成单元;在第2阶段,采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出.美国加州日前交易电力市场边际电价预测算例表明,该预测方法可以获得较高的预测精度,且优于BP神经网络方法和ARIMA预测方法.     

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。     

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...     

PSO演化神经网络集成的边际电价预测新方法

为了克服神经网络模型结构和参数难以设置,学习算法收敛速度慢等缺点,提出了一种基于粒子群优化的演化神经网络集成新模型对日前交易电力市场的边际电价进行预测。该模型将边际电价预测问题转化为神经网络实际输出与预测输出误差最小化问题,首先采用粒子群优化算法把神经网络的结构和权重映射成问题空间中的粒子,通过粒子速度和位置更新方程进行粗学习,获得多个相对占优的神经网络结构和初始权重并构成神经网络集成预测模型,然后采用梯度学习算法和交叉验证对神经网络集成单元的权重进行细学习,并以误差最小的神经网络集成单元的输出作为神经网络集成预测模型的输出。运用此方法对加州日前交易电力市场的边际电价进行了日预测,结果表明其优于三层BP神经网络预测方法。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

小波模糊神经网络应用于配电网输电线的故障测距

在小电流接地系统单相接地故障特征分析的基础上，提出了一种基于故障后稳态及暂态电气量的小波模糊神经网络的故障测距方法。单相接地故障时的暂态分量故障特征非常明显，且故障暂态高频分量受故障前负荷的影响较少，故可以采用故障暂态分量描述故障模式特征并进行故障定位，鉴于已有的小波神经网络模型不适合于故障测距，作者从广义的小波神经网络概念出发，结合模糊控制理论，提出了适合于电力系统故障暂态和稳态信号分析的小波模糊神经网络方法，并将该方法应用于小电流接地系统直配输电线路的故障测距。理论分析及大量的EMTP仿真结果表明：本文所提出的小波模糊神经网络理论，模型及算法具有较好的故障测距性能，并可应用于电力系统的故障分析。     

光伏串列信道噪声特性研究与建模

为实现对每块光伏组件的工作状态进行监测,可运用以光伏组件串列为介质的载波通信技术实现,因此有必要掌握光伏串列的信道噪声特性。以某光伏电站实测的光伏串列信道噪声为对象,提出了一种粒子群优化BP神经网络的光伏串列信道噪声建模方法。实验与仿真结果表明：粒子群优化BP神经网络模型的预测输出和测试原噪声在功率谱密度及时域波形上有着一致的变化趋势,证明了该模型的有效性。相比较于小波神经网络和遗传算法优化的BP神经网络,粒子群优化的BP神经网络的预测均方根误差更小、精度更高。     

基于改进共轭梯度理论神经网络优化算法研究

文章阐述了一种改进共轭梯度理论神经网络优化算法。该方法是在传统共轭梯度算法(CG)基础上引入对输出权值进行优化的理念,故称其为输出权值优化共轭梯度算法(OWO-CG)。这种算法在进行学习时,首先根据误差函数利用共轭梯度法计算收敛因子,并修改输入层和隐含层的权值因子;接着,计算隐含层输出函数,利用相关输出权值优化理论构建并求解线性方程组得到输出层的权值因子;最后,计算误差函数,利用该算法不停地修正神经网络回路输出值与期望输出值之间的差值,直到满足精度要求为止。仿真验证结果表明,与传统共轭梯度算法相比,这种算法的学习过程更加迅速和准确。     

Evolving wavelet networks for power transformer conditionmonitoring

This paper proposes a novel model for power transformer condition monitoring using evolving wavelet networks (EWNs). The EWNs are three-layer structures, which contain wavelet, weighting and summing layers. The EWNs automatically adjust the network parameters, translation, and dilation in the wavelet nodes and the weighting values in the weighting nodes, through an evolutionary based optimization process. Global search abilities of the evolutionary algorithm as well as the multiresolution and localization natures of the wavelets enable the EWNs to identify the complicated, numerical-knowledge relations of dissolved gas contents in transformer oil to corresponding fault types. The proposed EWNs have been tested on the Taipower Company diagnostic records and compared with the fuzzy diagnosis system, artificial neural networks as well as the conventional method. The test results reveal that the EWNs possess far superior diagnosis accuracy and require less constructing time than the existing methods     

ACPSO-WFLN算法在短期风电功率预测中的应用

针对传统小波神经网络初始参数设定困难、容易陷入局部极值的问题,提出一种基于自适应混沌粒子群算法(ACPSO)优化的小波链神经网络(WFLN)。首先,将小波神经网络与随机矢量函数连接网络相融合,构建小波链神经网络,加强网络并行运算能力;其次,在粒子群算法中引入混沌优化因子与自适应权重系数,改善粒子群的早熟收敛问题,实现全局与局部寻优能力的动态平衡;最后,利用ACPSO算法优化WFLN神经网络,建立短期风电功率预测模型。实验结果表明:ACPSO-WFLN风电功率预测模型较其它网络明显减少隐层神经元数目与迭代步数,具有较高的预测精度。     

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。