最小RBF网设计的进货优选算法及其在动力配煤过程状态预测建模中的应用

文中提出一种RBF网设计的进化优选算法,该算法能设计出满足给定学习精度的最小RBF网络,从而使所得到的RBF网具有较好的泛化能力。我们以煤灰软化温度预测为例,介绍了如何将该算法应用于动力配煤过程的状态预测方法,即聚类方法和OLS算法作了比较,结果表明,用进化优选算法设计的RBF网模型具有最好的泛化能力。     

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RBF神经网络和BP神经网络的燃煤锅炉NO_x排放预测

基于某超超临界660 MW机组燃煤锅炉现场热态实验数据,利用MATLAB智能工具箱,分别采用径向基(RBF)神经网络和BP神经网络对该锅炉NOx排放特性进行建模,采用交替梯度算法对RBF神经网络预测模型进行输出层权值及RBF函数的中心与标准偏差值优化,对BP神经网络采用动量法进行改进。2种模型的仿真和预测结果对比分析表明:参数优化后的RBF神经网络预测模型预测结果的最大误差为3.0%,平均误差为1.75%;改进后的BP神经网络预测模型预测结果最大误差为6.6%,平均误差为4.5%;2种建模方法均具有较好的准确性和泛化能力,其中RBF神经网络模型的计算速度快,拟合和泛化能力更强。     

基于免疫聚类径向基函数网络模型的短期负荷预测

提出了一种免疫聚类径向基函数神经网络（ICRBFNN）模型来预测电力系统短期负荷。在ICRBFNN的设计中，根据共生进化和免疫规划原理，提出了共生进化免疫规划聚类算法，该算法可以自动确定RBF网络隐层中心的数量和位置，并采用递推最小二乘法确定网络输出层的权值。对华东某市进行的电力系统短期负荷预测表明，与传统的径向基函数神经网络（RBFNN）预测方法相比，ICRBFNN方法具有更高的预测精度和更短的训练时间。     

自我调节蚁群-RBF神经网络模型在短期径流预测中的应用

为提高短期径流预测精度,提出了自适应调节人工蚁群算法(ARACS),对RBF神经网络参数进行优化,建立了自适应调节蚁群-RBF神经网络组合算法(ARACS-RBF)预测模型,综合考虑气象、天气、季节、降雨等影响因素,对上马水库进行径流预测.仿真表明,该方法克服了RBF神经网络和人工蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,改善了RBF神经网络的泛化能力,收敛速度快,输出稳定性好,提高了短期径流预测的精度,预测相对误差小于3%.可有效用于短期径流预测.     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测。对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%。     

基于 TentFWA-GD 的 RBF 神经网络 COD 在线软测量方法

针对污水处理过程COD难以实时准确测量的问题,提出了基于TentFWA-GD的RBF神经网络软测量方法。为解决现有RBF神经网络用于复杂工业过程软测量建模时存在网络参数难以确定及训练过程易陷入局部极值等问题,进一步提高RBF神经网络模型的预测精度与泛化能力,引入了Tent混沌映射对烟花算法(fireworks algorithm, FWA)进行改进,利用混沌运动的全局遍历性维持FWA的种群多样性并避免算法早熟收敛;将TentFWA算法与GD方法有机融合提出一种改进的RBF神经网络组合训练方法以改善网络的学习能力。将基于TentFWA-GD的RBF神经网络用于构建4个Benchmark函数拟合模型和农村生活污水处理过程COD在线软测量模型。仿真与应用结果表明,相对于其他神经网络模型,该模型具有较低的函数逼近误差和较高的COD预测精度。其中COD软测量模型训练结果的均方误差和平均绝对误差分别为0.18和0.25,测试结果的两种误差分别为0.23和0.36。     

基于模糊聚类与RBF网络的短期负荷预测

采用模糊聚类分析方法,应用隶属度来描述负荷与影响负荷变化因素之间的关系,得到一批与预测日在样本信息上类似的历史日;改进RBF网络的训练算法,增强RBF网络的局部逼近能力和泛化能力,采用由模糊聚类分析获得的样本对RBF网络进行训练,在不需大量训练样本的前提下实现对短期负荷的预测.对浙江省某地区电网的实际负荷数据仿真结果表明:该方法预测的日平均相对误差为1.91%,预测准确度为97.41%.     

基于改进差分进化算法优化极限学习机的短期负荷预测

负荷预测的精度直接关系到电网的供需平衡,影响着电网运营成本。针对传统预测方法精度不高的缺点,提出了一种改进的差分进化算法优化极限学习机的预测模型。由于极限学习机的输入权值和隐含层偏置对预测精度有很大影响,因而利用改进差分进化算法对极限学习机参数进行优化,提高了极限学习机的泛化能力和预测精度。研究结果表明:改进差分进化算法优化极限学习机对短期负荷预测精度有较高提升。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断。经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高。     

Deadlock Avoidance Controller Design for Timed Petri Nets Using Stretching

The recently introduced method, which was called ldquostretching,rdquo is extended to timed Petri nets which may have both controllable and uncontrollable transitions. Using this method, a new Petri net, called ldquostretched Petri net,rdquo which has only unit firing durations, is obtained to represent a timed-transition Petri net. Using this net, the state of the original timed Petri net can be represented easily. This representation also makes it easy to design a supervisory controller for a timed Petri net for any purpose. In this paper, supervisory controller design to avoid deadlock is considered in particular. Using this method, a controller is first designed for the stretched Petri net. Then, using this controller, a controller for the original timed Petri net is obtained. Algorithms to construct the reachability sets of the stretched and original timed Petri nets, as well as algorithms to obtain the controller for the original timed Petri net are presented. These algorithms are implemented using Matlab. Examples are also presented to illustrate the introduced approach.     

基于动态聚类算法径向基函数网络的配电网线损计算

提出了基于径向基函数网络的计算配电网线损的实用方法。对有代表性的配电线路的线损与特征参数的样本数据，采用一种新的动态聚类算法进行聚类，来确定RBF网络的隐含层节点，不仅聚类速度快，而且隐含层节点数的优化提高了网络的利用效率。利用RBF网络强的拟合特性映射线损与特征参数之间复杂的非线性关系，使网络学习了配电线路在结构参数和运行参数变化时线损的趋势规律。以68条配电线路数据为例，仿真结果验证了文中提出的方法具有网络模型简单、学习速度快、线损计算精度高等优点。     

Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network,an OLS algorithm and AGA

A method to accurately estimate the State-of-Charge (SOC) for LiFePO₄ (LFB) batteries is urgently required, to address the issues associated with the increased use of LFP batteries for portable devices. This paper proposes a hybrid method that combines a radial basis function (RBF) neural network, an orthogonal least-squares (OLS) algorithm and an adaptive genetic algorithm (AGA) to estimate the SOC in discharging condition. The OLS algorithm determines the optimal number of nodes in the hidden layer of the RBF neural network. With an optimal RBF neural network structure, the AGA is then used to tune the parameters of the RBF neural network, including the centers and widths of RBF and the connection weights. The trained RBF neural network is then used to estimate the SOC of a LFP battery. In order to demonstrate the effectiveness of the proposed estimation method, the method is tested using LFP batteries under several different discharging conditions. The effectiveness of the proposed method is compared with the Coulomb integration method and a back propagation (BP) neural network. The results show that the proposed method outperforms the other methods.     

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。     

遗传算法优化的RBF神经网络控制器

为了消除神经网络参数初值对控制器性能的影响,提出了一种改进遗传算法优化的RBF神经网络控制器.该方法设计了基于性能指标的适应度函数,自适应的交叉概率、变异概率,引入移民的遗传算法,保证了得到的控制器为最优参数控制器.该方法可用于非线性对象的控制器设计,仿真结果说明了该方法的有效性.     

基于新型RBF神经网络的中速磨煤机建模

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)神经网络设计方法,该方法采用人工免疫聚类机制根据输入数据集合自适应确定RBF神经网络隐节点的数量和数据中心位置,并通过提取核函数宽度作为疫苗和免疫选择操作确定网络输出层的权值。利用RBF神经网络设计方法建立了中速磨煤机出口温度和入口空气流量的RBF神经网络模型,仿真结果表明该模型具有较高的精度。     

多层Petri网应用于电网规划

Petri网应用于电网规划时,既要考虑实际的潮流,又要考虑负荷需求信息以及电力系统运行的限制,所以 不能按照传统的方法选择一个单一的Petri网来建模。把基本Petri网和一个改进的可变弧权Petri网通过一个“界面” 结合起来模拟规划过程,这个多层的Petri网模型能够很好地协调电力系统负荷需求和电力供应能力之间的关系。     

Modeling by petri net with place invariants for sequential control systems

It is more difficult to model a discrete system than a continuous system. Recently, a great number of applications of Petri nets to the design and the analysis of discrete systems has been reported. However, a common problem in its applications is that the required computer memories and the computation times increase explosively in accordance with the increase in the number of systems components. Some methods to divide or to reduce Petri nets have been proposed to solve this problem. Although the liveness and boundedness of Petri nets are held in the divided or reduced Petri nets, the reachability problem cannot be solved by these methods. This paper proposes another method to model discrete systems by Petri nets with place invariants. A sequential control system will be described as a typical kind of discrete system, and its structural characteristics will be used in modeling. Each component of a sequential control system will be modeled by a sub-Petri net with place invariants. There are many components in one sequential control system, but not each one is necessarily complicated. Most sub-Petri nets do not have so many places or transitions. It is also well known that a Petri net with place invariants is bounded and can be live by placing sufficient tokens into its initial marking. Besides, the reachability problem is not so difficult to solve in a small sub-Petri net. Further, an activating relation to combine two or more sub-Petri nets is defined, and some rules to reduce conflicts among enabled transitions will be described for simulations.     

基于GN-BFGS算法的RBF神经网络短期负荷预测

提出了应用混合 GN( Gauss- Newton) - BFGS( Broyden- Fletcher- Goldfarb- Shanno)法进行RBF(径向基函数 )神经网络学习的算法。这种方法结合 GN法与 BFGS法的特点 ,既尽可能地利用了问题本身的特殊结构 ,又能取得超线性甚至二次渐近收敛率 ,因此有效地提高了学习效率。在学习过程中 ,利用该方法能够区分零残量和非零残量 ,并利用这种特点进行隐层神经元数目的自动调整 ,从而可以保证神经网络的学习能力和推广能力。多个实际电网的负荷预测结果表明 ,该方法同神经网络的其他算法相比 ,具有训练时间短、预测精度高的特点     

Design and verification of concurrent switching sequences withPetri nets

The authors show how dynamical and structural properties of Petri nets can be used in proving important assertions about integrated control systems with the aid of computers. Methods of reducing complexity with Petri-net specifications are illustrated. To exploit analysis features, precise meanings must be given to the net entities, which leads to the choice of conditions/events (C/E) nets. Boundness is the first decidable property that allows proof of liveness and also the C/E nature for the nets. However, because this property demands an exponential algorithm, previous reduction must be done to preserve meaning. This preservation allows interpretation of the structural relations which can be proved for Petri nets. A tightly coupled set of automatic switching sequences is modeled and verified with Petri nets, specifying nontrivial bus and transformer operations in distribution substations