基于最小二乘法的多层前向神经网络构造学习算法

提出了一种基于最小二乘法的多层前向神经网络构造学习算法．神经网络的结构在学习的过程不断变化,通过动态生成节点和学习误差反向传递,利用最小二乘法实现神经网络的快速学习．仿真结果表明,该学习算法具有学习速度快,学习精度高,泛化能力强等优点     

一种基于人工神经网络的谐波测量新方法

提出了一种基于人工神经网络(ANN)的电力系统谐波测量新方法.该方法应用一个多层前馈神经网络(MLFNN),对当前采样时刻和上一采样时刻的三相电流采样值进行分析计算,得出三相电流的谐波分量.阐述了该神经网络的构造和用于网络训练的学习算法.将该网络应用于整流电路的谐波测量,进行了仿真研究.仿真结果表明该方法能够实时而准确地检测出谐波分量.通过与基于瞬时无功功率理论的谐波测量方法比较,进一步证实了该方法具有延时小而精度高的优点.     

非正弦供电下异步电动机转速的估计

提出了用BP神经网络来模拟非正弦供电下异步电动机机端电压、电流、功率因数和转速之间的复杂映射关系，实现用无速度传感器估计转速，并用MATLAB中的BP神经网络工具箱进行训练，获取各个神经层的最佳连接权值。仿真和试验结果证明，利用此神经网络的软测量技术来估计转速可达到较高精度。     

一种基于多层前向神经网络的谐波检测方法

谐波幅值和相位是有源滤波中的两项关键检测参数,两者均可由人工神经网络实现非线性映射。提出了一种用多层前向神经网络(MLFNN)来同时实现对两项参数进行测量的方法,并构造了一隐层采用正切函数,输出层采用线性函数的三层前向神经网络来进行仿真,以3次谐波为例阐述了该神经网络的训练方法和训练样本的组成。利用Matlab提供的工具箱,先用训练样本对神经网络进行训练,然后测量构造的未训练样本,其结果验证了方法的有效性。与传统FFT谐波检测方法的仿真比较表明:该方法在实时谐波检测中具有较高的精度和灵活性,且对采样数目没有严格限制,离线训练好的MLFNN可以适用于谐波源固定的场合。     

蚁群神经网络算法在电动车用直流电机起动过程中的应用

电动车用直流电机控制器系统在电动车起动过程中具有非线性、快时变的特点,常规的比例-积分-微分(proportion-integration-differentiation,PID)控制方法很难满足系统非线性、参数摄动的要求,即使采用了前向神经网络算法进行PID整定,也由于结构复杂,训练速度慢等原因而很难满足实时控制的要求。于是提出了采用蚁群神经网络(ant colony algorithm neural network,ACANN)整定PID控制策略,用蚁群算法学习多层前馈(back propagation,BP)神经网络的权系,建立了基于该算法的BP神经网络训练模型,因而兼有了神经网络的广泛映射能力和蚁群算法的快速全局收敛以及启发式学习等特点,该控制策略可以补偿系统参数摄动、非线性和外界扰动对系统控制性能的影响,达到电动车平稳快速起动的目的。仿真和实验结果证明,该控制策略对电动车起动过程中电机起动电流的控制具有快速性、稳定性和鲁棒性。     

多层前向神经网络学习算法及拓扑结构的探讨

以神经网络中应用最多最广泛的多层前向网络中心，对前向网络的拓扑结构及学习算法提出了一些改进。将随机搜索技术中的模型退火算法直接应用于多层前向网络的训练，以绕过多层网络所固有的局部极小，使网络的训练精度有明显改善；提出了一种双并联的前向神经网络模型－ＤＰＦＮ模型，明显提高了多层网络的训练速度。在理论分析的基础上，应用遥感分类数据进行对比实验的结果证明上述改进方法行之有效。     

一种基于人工神经网络的电力谐波测量方法

提出了一种新颖的电力谐波测量方法,它用一个多层前馈神经网络替代模拟并行式谐波测量装置中的带通滤 波器,使各次谐波都可以用这个训练过的神经网络测量出来。阐述了该神经网络训练样本的组成和训练方 法。对一含有谐波的畸变电流的仿真结果说明了这种测量方法的有效性。     

BP神经网络辩识感应电机转子磁链和转速

根据感应电机数字模型，提出了仅基于定子电流的人工神经网络转子磁链与速度的辩识方法，实现无速度传感器的交流调速系统的转子磁链和转速闭环控制。用BP算法对神经网络进行学习和训练，构建相应的多层前馈神经网络（MFNN）。仿真和实验结果表明，这种转子磁链与速度的辩识模型具有良好的性能。     

RBF神经网络的一种新的学习算法

提出了构造性RBF神经网络的一种新的全监督式学习算法 .该算法在神经网络隐层引入新节点 ,并通过使新节点的输出方向尽力逼近学习残差的方向获取网络参数 ,从而减少学习误差 ,实现对训练样本的学习 .仿真结果表明了该新学习算法的有效性 .     

基于模糊输出BP神经网络的绝缘子等值盐密参预测

等值盐密法是衡量绝缘子污秽状态常用的方法,但是,它却不能实时地对污秽状态进行评估.首先对3种常用悬式绝缘子进行人工污秽试验,利用泄漏电流测量系统记录其在运行电压作用下、不同等值盐密、不同相对湿度时的泄漏电流波形并对此进行分析;采用神经网络和模糊数学结合的方法,建立了不同湿度下泄漏电流和等值盐密的关系.选取了具有模糊输出的多层BP神经网络,使用Levenberg-Marquardt快速学习算法对存文建立的模糊输出神经网络进行了训练.最后,利用部分试验数据进行验证.结果表明,使用该方法能够较准确地预测绝缘子的等值盐密.     

模糊神经网络在小电流接地系统选线中的应用

用模糊神经网络理论重点改进了小电流接地选线原理中传统的“零序电流比幅”、“零序有功分量比幅”、“能量法”等方法，用仿真结果代入算法公式计算出样本，将其送入模糊极大-极小神经网络进行训练。训练结果表明，提出的方法对中性点非直接接地系统发生的单相直接接地和经过渡电阻接地故障都可正确选线，且判别依据不受系统结构和运行方式变化的影响，选线的正确度和可靠性均有明显的提高。     

基于蚁群聚类-Elman神经网络模型的短期电力负荷预测

在神经网络负荷预测实际应用中,突出的问题是训练样本大、训练时间长、收敛速度慢。针对负荷预测样本代表性问题,建立了基于蚁群聚类的Elman神经网络预测模型。对负荷历史数据进行蚁群聚类预处理,将聚类后的数据作为神经网络的训练样本。其目的是使输入样本具有代表性,改善网络训练时间和收敛速度,有效提高预测精度。通过某发电厂负荷数据的验证,该模型的预测结果精度较好。     

基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于人工神经网络水性涂料电脑配色(英文)

本文提出了一种基于多层BP人工神经网络的水性涂料电脑配色方法。实验表明,BP神经网络模型经训练后能够较好地反映水性涂料反射样本色度参数空间到配方参数空间的非线性映射关系。     

A novel probabilistic neural network‐based algorithm for classifying internal fault in transformer windings

The major function of protective devices in a power system is to detect the occurrence of faults and to isolate the faulty sections from the rest of the system. Much progress has been made in the development algorithms for detecting faults in power transformers, which depend on transients‐based techniques. This paper presents an algorithm based on a combination of discrete wavelet transforms and probabilistic neural networks (PNNs) for classifying internal faults in a two‐winding three‐phase transformer. Fault conditions of the transformer are simulated using alternative transients program/electromagnetic transients program (ATP/EMTP) in order to obtain current signals. The mother wavelet Daubechies4 is employed to decompose the high‐frequency components from these signals. All three phases of the differential current signals are used in the fault detection decision algorithm. The variations of first‐scale high‐frequency component that detects fault are used as an input for the training pattern. The training process for the neural network and fault diagnosis decision is implemented using toolboxes on MATLAB/Simulink. Various cases and fault types based on the Thailand electricity transmission and distribution systems are studied to verify the validity of the algorithm. Backpropagation neural network is also compared with the PNN in this paper. It is found that the proposed method gives satisfactory accuracy with less training time, and will be particularly useful in the development of a modern differential relay for a transformer protection scheme. © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

Improving market clearing price prediction by using a committee machine of neural networks

Predicting market clearing prices is an important but difficult task, and neural networks have been widely used. A single neural network, however, may misrepresent part of the input-output data mapping that could have been correctly represented by different networks. The use of a "committee machine" composed of multiple networks can in principle alleviate such a difficulty. A major challenge for using a committee machine is to properly combine predictions from multiple networks, since the performance of individual networks is input dependent due to mapping misrepresentation. This paper presents a new method in which weighting coefficients for combining network predictions are the probabilities that individual networks capture the true input-output relationship at that prediction instant. Testing of the New England market cleaning prices demonstrates that the new method performs better than individual networks, and better than committee machines using current ensemble-averaging methods.     

应用人工神经网络进行电力系统动态安全评价的新方法

本文提出了一种应用人工神经网络进行电力系统动态安全评价的新方法。把故障前系统的稳态运行参数作为特征量,摇摆过程中发电机转子间的最大相对摇摆角作为系统稳定性的量度,并证明了它们之间呈连续映射关系。随后表明了用三层前向网络实现这类映射的可行性。为减少神经网络的训练时间,本文提出了网络“分解—集结”方法和映射与分类相结合的思想。6机22节点系统的试验结果表明了本文提出方法的有效性。     

基于粗糙集和RBF神经网络的变压器故障诊断方法研究

针对变压器故障诊断神经网络模型存在网络结构复杂、训练时间长等问题,提出基于粗糙集及RBF神经网络的变压器故障诊断方法。运用粗糙集理论中无决策分析,建立基于可分辨矩阵和信息熵的知识约简算法,进行数据挖掘,寻找最小约简;以处理后的数据集合作为训练样本,采用高斯函数作为径向基函数,分别求解方差及各层权值,建立变压器故障诊断模型。通过测试对比,此算法虽然略微降低诊断正确率,但网络结构简单、训练速度快、泛化能力强,对提高神经网络在变压器故障诊断中的应用性能有较好的指导意义。     

利用极端学习机的新型定子双馈电双凸极电机效率优化

通过励磁电流和电枢电流的协调控制,可以使电动车用定子双馈电双凸极电机在整个调速范围内运行在较高率区,以满足电动车的高效率要求。但电机中励磁电流与电枢电流、转速和转矩的非线性特性使协调控制实现困难。极端学习机作为单隐层前向神经网络的一种典型学习算法,可以有效解决这个非线性问题。该文提出基于极端学习机的励磁电流和电枢电流的协调控制技术,利用电机运行中效率最高的实验数据作为训练样本,构成两输入两输出的单隐层神经网络,对网络进行离线训练,得到隐层单元的节点数和输出权值用作在线控制。实验结果表明,该方法可以使定子双馈电双凸极电机在整个运行范围内运行在高效率区。