基于粒子群优化神经网络的变压器故障诊断

为克服电气分析应用中误差反向传播(BP)神经网络存在的不足,提出了一种利用改进粒子群算法优化神经网络的变压器故障诊断新方法。该法的惯性权重自适应调整,以平衡局部和全局搜索能力;收缩因子加快算法的收敛速度,有利于更快地收敛于全局最优解。利用改进的粒子群算法优化神经网络参数,并结合BP算法训练网络可有效地克服常规BP算法训练网络权值和阈值收敛速度慢、易陷入局部极小和遗传算法独立训练神经网络速度缓慢等缺点。最后,进行变压器故障实例分析的仿真结果表明,该算法具有较快的收敛速度和较高的诊断准确度,证实了该方法的正确性和有效性。     

激励函数可调的混沌神经网络短路负荷预测

为提高BP神经网络的收敛速度并避免陷入局部极小,提出了一种多参数可调激活函数的人工神经网络,推导出相应的BP学习算法并将改进的BP算法和混沌优化算法相结合,使混合算法的学习向全局最优方向进行以不至于陷入局部极小。在非线性函数仿真和短期负荷预测的研究中,该算法和传统BP算法的对比试验显示,改进算法的收敛速度更快、预测精度更高。     

神经网络自适应PI控制器在有源滤波器中的应用

针对有源电力滤波器的电流跟踪控制问题,设计一种神经网络自适应PI控制器。该控制器将神经网络技术和PI控制器设计方法相结合,控制器采用PI控制器结构,具有结构简单、计算时间短、易于实现等优点。同时利用神经网络技术,使其输出作为最优控制规律下的PI控制器的参数值,并根据误差大小对控制器参数进行在线实时自适应整定,从而满足大工况、全工作条件和最优性的要求。仿真实验表明,神经网络自适应PI控制器较一般的PI控制器有更快的响应速度和更高的补偿精度,而且经过神经网络自适应PI控制器作用后,其电网电流的谐波畸变率和电流跟踪误差均降低到PI控制器的55%左右。     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

神经网络自适应PI控制器在有源滤波器中的应用

针对有源电力滤波器的电流跟踪控制问题,设计一种神经网络自适应PI控制器.该控制器将神经网络技术和PI控制器设计方法相结合,控制器采用PI控制器结构,具有结构简单、计算时间短、易于实现等优点.同时利用神经网络技术,使其输出作为最优控制规律下的PI控制器的参数值,并根据误差大小对控制器参数进行在线实时自适应整定,从而满足大工况、全工作条件和最优性的要求,仿真实验表明,神经网络自适应PI控制器较一般的PI控制器有更快的响应速度和更高的补偿精度,而且经过神经网络自适应PI控制器作用后,其电网电流的谐波畸变率和电流跟踪误差均降低到PI控制器的55%左右.     

基于改进BP神经网络的空调系统传感器故障诊断

针对普通BP算法存在的收敛速度慢以及容易陷入局部极小点等问题,提出了一种改进的BP算法,应用该算法对空调系统传感器故障进行诊断.Matlab仿真运行证明,在相同的条件下,改进的BP算法加快了网络的收敛速度,避免了陷入局部极小的问题.在故障诊断的准确率方面优于普通的BP神经网络.     

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。     

改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高.将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性.     

基于改进神经网络的一种新型MPPT预测方法

针对传统最大功率追踪(MPPT)算法存在跟踪速度慢、准确度不高和局部阴影等问题,采用基于改进遗传算法优化的BP神经网络对最大功率点进行追踪.该算法针对传统BP神经网络预测算法的不足,采用梯度下降法与高斯牛顿法相结合的学习算法来提高收敛速度,并采用遗传算法优化的BP神经网络避免陷入局部最小值.在总结现有研究成果的基础上,...     

改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练。该算法使BP神经网络学习速率和稳定性得到提高。将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性。     

在电力通信预警中优化的BP神经网络模型研究

阐述了当前电力通信预警中存在的问题和常用算法,针对在电力通信预警中,BP神经网络模型存在易陷入最小值、收敛速度慢的问题,提出了一种应用遗传算法对BP神经网络模型的初始权值和阈值进行优化的方法。选取52节点典型电力通信预警模型,分别对传统BP神经网络模型和遗传算法优化网络模型进行仿真试验。经过遗传算法优化的BP神经网络模型收敛速度快、拟合精度高,能够有效提高电力通信预警的反应速度和响应准确度。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

一种基于GA-BP混合算法的模糊神经网络控制器

提出一种用于优化模糊神经网络控制器参数的GA—BP混合算法,该算法一方面由遗传算法保证学习的全局收敛性,克服梯度法对初始值的依赖性和局部收敛问题;另一方面,与“精确的”梯度学习算法的结合也克服了单纯遗传算法所带有的随机性和概率性问题,有助于提高它的搜索效率。仿真结果证明了算法的有效性。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

基于AEPSO-BPNN的光伏阵列多场景参数辨识

针对光伏阵列内部机理较为复杂、参数难以快速准确辨识的问题,提出了一种自适应进化粒子群算法优化BP神经网络（AEPSO-BPNN）的模型建立和参数辨识方法。通过引入自适应、进化和重构等改进策略,可以提高粒子群算法的收敛性能,并将其对BP神经网络的初始权值和阈值进行优化,使神经网络算法在迭代后期不易陷入局部最优解,以提高参数辨识的精确度和速度。根据光伏阵列的实测输出电流和理论计算电流的差值,并考虑环境变化对内部参数的影响,构造均方根误差函数作为算法的适应度函数,从而将复杂的多参数辨识问题转化为带约束条件的非线性多变量最优化问题。最后采用多场景法,验证算法在不同光照强度和温度下的适用性和效果,并与其他算法进行对比,仿真结果表明该算法在误差、收敛速度和运行时间上有较大优势。     

进化Elman神经网络在实时数据预测中的应用

为了提高电站实时数据的准确性,提出了一种利用改进粒子群算法进化Elman神经网络的动态系统实时数据预测方法.改进粒子群算法中,根据群体早熟收敛程度和当前最优解的大小对部分不活跃粒子进行变异,增强了算法跳出局部最优解的能力.利用改进的粒子群算法训练Elman神经网络权值和自反馈增益因子,有效地解决了梯度下降法训练网络权值...     

基于风险度评价和改进蚁群算法的配电网网架规划

提出一种基于风险度评价和改进蚁群算法的配电网灵活规划方法.将规划年的预测负荷、电价及导线价格等参数的变化由原来的离散状态转变为多场景区间,从而将电网规划中的单一不确定性问题转化为多个确定性问题.在求解不确定性问题时,提出一种基于云模型的改进蚁群算法,通过定性关联规则推理对蚁群算法中信息素参数ρ和信息素强度Q进行定性控制和动态选取,根据算法进化情况自适应更新支路信息素,有效克服了传统蚁群算法易陷入局部最优解及收敛速度慢的问题.应用改进蚁群算法,依次获得各个场景的规划方案,并以风险度最小为标准确定鲁棒性最优的规划方案,实现电网的灵活规划.算例分析验证了所提方法的有效性.     

弱电网下LCL换流器谐振的自适应抑制研究

LCL型换流器因其体积小,滤波性能好等优点广泛地应用于并网系统中。但其自身的谐振问题不可忽略,电容电流反馈的有源阻尼方法是常用的谐振抑制方法。在实际应用中,电网阻抗能够对LCL滤波器谐振产生影响。基于此,本文提出一种基于遗传算法优化RBF神经网络的自适应谐振抑制方法,该方法首先依据遗传算法对RBF神经网络进行初始参数的优化;利用RBF神经网络自身的辨识能力对PI控制器的参数进行识别,实时修正PI控制参数和有源阻尼系数,从而实现了LCL型换流器在电网阻抗变化时保持系统稳定。最后分别采用传统无参数优化方法、RBF神经网络优化方法以及本文所提方法进行实验,通过仿真结果的分析,验证了该方法的有效性。