基于径向基神经网络的波达方向估计算法

针对传统的波达方向（DOA）估计算法在实际应用中普遍存在计算量较大,无法实时地跟踪期望信号且无法处理信号源数大于天线阵元数的问题,提出了一种在智能天线中基于径向基神经网络的波达方向估计算法.该算法利用神经网络进行多信号源跟踪（MUST）来完成信号源侦测和DOA估计.通过建立神经网络DOA估计算法模型,并对所建立的神经网络进行训练.通过仿真将该算法与传统的DOA估计算法进行比对的结果表明,基于径向基神经网络的波达方向估计算法能够快速准确的检测到信号源,响应时间明显快于传统的算法.     

基于改进SVM的智能电网调控系统实时风险评估与预警技术

针对智能电网调控系统通信和数据安全难以保障的问题,提出了一种基于改进支持向量机(SVM)的智能电网调控系统实时风险评估与预警技术.采用卷积神经网络(CNN)改进SVM模型得到CNN-SVM分类模型,用以处理实时风险评估体系中的数据信息.通过将CNN输出的数据特征输入SVM分类器进行风险等级分类,完成对数据中可能出现的风险进行识别、评估定级及预警.仿真结果表明,所提技术能够对调控系统实时风险进行准确、可靠的评估与预警,且其分类准确率、召回率、F1分数的均值分别为92%、86%和90%,均优于对比方法并具有更优的可靠性.     

基于萤火虫算法优化BP神经网络的目标威胁估计

在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的目标威胁估计模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于BP和PSO_SVM。该模型和算法具有很好的预测能力,可以快速、准确地完成目标威胁估计。     

基于蚁群算法优化RBF神经网络的汽温系统控制

针对火电厂主蒸汽温度模型不确定性的问题,提出一种智能复合控制方法.采用粒子群算法优化蚁群算法参数,将改进蚁群算法对径向基神经网络PID的权值进行优化,从而实现了对主蒸汽温度的动态控制.仿真结果表明,基于改进蚁群算法优化的径向基神经网络PID控制器使被控系统具有快速响应速度和很好的抗干扰性能,证明了该方法的有效性.     

基于在线学习神经网络的状态依赖型故障预测

提出外部激励故障和内部激励故障的概念,研究非线性系统状态依赖型故障的预测问题.将非线性系统的故障模型描述成外部激励与内部激励相耦合的一般非线性函数形式,函数的结构未知.通过反向传播(BP)神经网络在线学习故障函数模型实时逼近故障模型,提出基于在线神经网络的状态依赖型故障的预测算法.该算法能够实时地检测故障,对系统状态和故障进行迭代估计和预测.利用系统状态的预测值实时预测了系统的失效时间.故障模型的一般化拓展充分体现了系统状态对故障的影响,增强了算法的实用性.仿真结果验证了该方法的有效性.     

联合改进SVR和渐消记忆递推最小二乘算法的电能表误差评估模型研究

针对电能计量装置运行误差现场检定难度大、定期轮换成本高等问题,提出一种联合麻雀搜索算法（SSA）、支持向量回归机（SVR）和渐消记忆递推最小二乘算法（FMRLS）的电能表误差评估模型。该方法首先利用改进的K-Means算法对台区进行分类,将分类后的样本导入利用SSA优化后的SVR模型进行训练,建立台区线损率预测模型;而后将得到的线损率代入改进的线损模型,构建电能表误差求解方程,利用FMRLS算法对误差方程进行求解,对电能表误差进行估计。通过河北省某低压台区样本的数据验证,该方法可以实现对低压台区线损率的有效预测,并估计出在运电能表的误差,为加快推进智能电能表检修策略由定期更换转向状态轮换提供技术保障。     

基于边缘计算模式的台区线损率计算方法

目前部分供电公司对台区的线损管理仍采取人工方式,通过对比供售电量并按照预定的阈值对台区进行线损率异常判断。该方法计算精度较低并且不能充分考虑不同台区的线损水平差异,有一定的局限性。为此,提出了基于边缘计算模式的台区线损率计算方法,结合边缘计算模式以及相关技术,将配电台区作为边缘计算节点,采用近邻传播（AP）算法对台区电气特征参数进行分类,并通过LM算法优化的BP神经网络模型对低压台区线损率进行计算,判断该台区是否存在异常。     

基于神经网络的建筑工程造价估计

提出了建筑工程造价估计的神经网络方法，应用ＢＰ模型，讨论了网络结构的设计、学习算法等问题，计算实例表明，应用神经网络估计工程造价具有方便、准确等特点。     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

基于RNN的智能电网拓扑变异型FDI攻击检测方法

针对近年来对智能电网运行状态构成严重安全威胁的虚假数据注入问题,提出一种基于循环神经网络的智能电网拓扑变异型虚假数据注入攻击检测方法.通过分析电力系统状态估计方法的不足和虚假数据注入攻击绕过系统监测与防御的入侵方式,引入循环神经网络分析连续数据序列的时序变化,并在IEEE-30节点系统上进行仿真验证.仿真结果表明,提出的方法能够高效、准确地检测智能电网中产生的虚假数据注入攻击行为,其检测准确率可达99.9%,相比于其他检测方法具有较大的优势.     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

基于ELMAN神经网络的PID控制器设计

提出了一种将PID控制与ELMAN神经网络自适应、自学习相结合,基于计算机的新型神经网络智能PID控制(NNPID)方法.采用PID控制器和NN控制器共同调节,给出了NNPID控制器的结构、算法及二阶对象下系统的仿真结果.     

基于一致性算法的智能电网储能单元分布式调度策略

针对太阳能和风能的不确定性对智能电网功率分配的影响,提出了一种基于一致性算法的智能电网储能单元分布式调度策略.该策略使用一致性算法来最大化充放电功率,并实时调整智能电网储能系统的输出功率来补偿实际功率与计划功率间的偏差,从而有效解决储能单元的内阻对充放电效率的影响.系统仿真测试结果表明,所提出的分布式调度策略能保证所有储能单元收敛到同一个最优值.     

基于深度神经网络复杂场景下的机器人拣选方法

针对提高快递包裹的分拣效率和识别准确率,提出了一种基于深度神经网络复杂场景下的机器人拣选方法.首先,提出一种改进的目标检测算法,通过将多层浅层特征图与最终的特征图进行融合,提取更加细节的特征,以提升识别的速度与精度;其次,提出了一种基于关键点的级联卷积最优拣选位置检测网络模型,对包裹最优拣选位置进行实时预测估计;最后,结合目标包裹最优拣选框与场景的深度信息和基于三维信息的目标姿态估计算法实现机器人拣选,并通过实验验证了该方法的有效性.     

基于二进制蚁群神经网络的边坡稳定分析

针对边坡稳定问题的高维非线性、非正态的特点,提出了采用二进制蚁群神经网络建立边坡稳定分析模型.将二进制蚁群算法引入到神经网络权值优化中,既克服了蚁群算法在连续域中对组合优化的缺陷,又能避免BP算法容易陷入局部最优的尴尬.因此二进制蚁群神经网络兼有神经网络广泛映射能力和二进制蚁群算法快速全局收敛能力.采用混合编程法建立了基于二进制蚁群神经网络的边坡稳定分析模型,该模型避开了边坡滑移面和岩体破坏机制等不确定因素,利用二进制蚁群神经网络对样本进行反复学习,得到较为精确的边坡稳定模型.该方法具有建模方便,程序实现方便,计算快捷等特点,应用于实际工程中,具有良好的效果.     

基于GA-BP神经网络的输油管道内腐蚀速率预测

针对BP（Back Propagation）算法的神经网络易陷入局部极小的缺点,尝试引入遗传算法（Genetic Algorithm）处理了BP神经网络的权值与阈值,并分别建立了BP和GA-BP两种不同算法的神经网络模型对输油管道腐蚀速率进行预测。对结果进行对比分析发现,GA-BP算法的神经网络预测精度要高于BP网络;GA-BP算法具有高的预测精度,其预测值与实验值相关系数为0.9863,表明该算法模型是合理可靠的。     

基于大数据分析的电力客户服务需求预测

针对电力市场随机性、多变量和时变性的特点导致电力客户服务需求预测值不准确的问题,提出了一种基于大数据分析的电力客户服务需求预测方法.该方法依托于贵州地区的智能电网大数据,从区域商业价值和区域宏观经济角度来采集数据并通过挖掘其中的关联信息,建立了电力客户的细分模型;并在客户细分模型的基础上,使用BP神经网络算法建立了电力客户的需求预测模型.在Matlab平台上的仿真与测试结果表明,所提出的方法能帮助电网公司更好地理解客户行为和服务需求,制定营销策略.     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.     

基于粗糙集理论的模糊神经网络建模方法

采用基于粗糙集的模糊神经网络模型,将粗糙集理论与模糊神经网络相结合,通过利用粗糙集理论中的约简的计算方法,从样本数据中获取精简的规则,再根据这些规则构造模糊神经网络各层的神经元个数,克服了当输入维数高时,模糊神经网络的结构过于庞大的缺点,从而使网络模型结构最简.并采用误差反向传播算法(BP算法)来训练该新型网络中的权值参数及隶属函数的中心值和宽度,仿真结果验证了该模型的优越性.     

基于大数据分析的电力客户服务需求预测

针对电力市场随机性、多变量和时变性的特点导致电力客户服务需求预测值不准确的问题,提出了一种基于大数据分析的电力客户服务需求预测方法.该方法依托于贵州地区的智能电网大数据,从区域商业价值和区域宏观经济角度来采集数据并通过挖掘其中的关联信息,建立了电力客户的细分模型;并在客户细分模型的基础上,使用BP神经网络算法建立了电力客户的需求预测模型.在Matlab平台上的仿真与测试结果表明,所提出的方法能帮助电网公司更好地理解客户行为和服务需求,制定营销策略.