基于径向基函数优化的短期负荷预测方法

为提高短期负荷预测模型的精确度,研究了一种基于径向基函数(radial basis function,RBF)神经网络参数优化的短期负荷预测方法。首先,对短期负荷影响因素进行分析,建立了计及温度累积效应的温度变量量化模型和计及负荷修正的日期类型变量量化模型;其次,建立基于RBF神经网络的短期负荷预测模型,分别基于近邻传播算法和遗传算法对RBF神经网络隐层节点的中心矢量和基宽参数进行优化;最后,基于某地区轻工业行业的夏季负荷数据进行了算例分析,结果表明,相比于未考虑参数优化的预测模型,可在一定程度上提高短期负荷的预测精度。     

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。     

径向基函数神经网络在电力变压器故障诊断中的应用

基于油中溶解气体分析法,采用径向基函数（radicalbasisfunction,RBF）神经网络模型对电力变压器进行故障诊断。为了提高诊断模型的辨识精度,分两步对RBF神经网络的模型参数进行辨识：首先采用减聚类算法确定RBF神经网络隐含层基函数的中心点,然后采用量子粒子群优化（quantum-behavedparticleswarmopti-mization,QPs0）算法求解基函数的宽度以及隐含层与输出层的连接权重。仿真实验结果表明,该方法的故障诊断正确率较高,达90．67％。     

基于生长-修剪优化RBF神经网络的电能质量扰动分类

针对电能质量扰动分类算法中径向基函数(radial basis function,RBF)神经网络隐层神经元的中心点数量、中心点位置、宽度、输出权值的设置问题,提出一种基于网络生长-修剪算法(GAP)的RBF神经网络电能质量扰动分类算法。首先,建立电能质量扰动模型,采用GAP算法实现对RBF神经网络的结构参数优化,设计相应的电能质量扰动分类算法流程图;其次,利用广义S变换、特征值提取、GAP-RBF神经网络对8种电能质量扰动进行处理。通过仿真分析,验证GAP-RBF神经网络对隐层神经元的参数优化能力,并给出优化算法的参数设定范围;仿真和实验结果表明,与同类算法相比,所提算法在保证分类准确度的前提下减少了隐层神经元的数量,且实现了RBF神经网络的参数自优化和继承式学习。     

基于遗传优化支持向量机的变压器绕组热点温度预测模型

油浸式电力变压器的运行寿命及负载能力与绕组热点温度密切相关。精确预测变压器绕组的热点温度,是有效预防变压器热故障、准确预测变压器运行寿命和优化变压器设计的关键技术之一。论文研究了绕组热点温度支持向量机建模。为提高模型预测的精确度,选用径向基核函数优化模型结构;利用遗传算法对参数进行寻优。结合实验室模拟温升变压器绕组温度实测数据,提取输入和输出的特征量,并划分训练集和预测集,建立了基于遗传优化支持向量机的变压器绕组热点温度预测模型。实验表明:应用本文模型预测结果与实测值基本一致,优于BP神经网络以及Elman神经网络的预测结果。     

基于RBF神经网络的配电变压器不良数据辨识

为解决配电变压器(简称配变)二次侧电气参数采集值中存在空数据和不良数据的问题,首先分析了配变数据的本质特征和内在规律;然后提出一种基于径向基函数神经网络(RBF NN)的配变数据预测模型;最后结合纵向对比法对不良数据进行准确定位。通过对BP网络、Elman网络和RBF网络3种不同预测模型的实验结果进行比较,证明了RBF网络预测结果的准确性。通过对配变不良数据的有效辨识,证明了该算法的有效性和推广价值。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数(RBF)神经网络在负荷预测中存在的问题,提出一种新的预测模型:粒子群优化的RBF神经网络模型.粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测.仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性.     

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.     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数（RBF）神经网络在负荷预测中存在的问题,提出一种新的预测模型：粒子群优化的RBF神经网络模型。粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测。仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性。     

基于GA-BPNN的多频超声波变压器油密度检测研究

变压器油是电力变压器中的主要绝缘物质之一,油的密度指标与变压器的安全运行息息相关。文中基于多频超声波、遗传算法-反向传播神经网络(GA-BPNN)的原理,对变压器油密度进行了预测研究。以电网公司110组变压器油为例,其中100组为训练集,10组为预测集。建立了基于BPNN的变压器油密度预测模型,并将242维多频超声数据作为输入,密度作为输出。通过试验法确定了BPNN的隐层神经元个数,由此建立非线性映射关系,并用遗传算法优化BPNN的各层连接权值及阈值。结果表明,与传统的标准BPNN模型相比,GA-BPNN模型的变压器油密度值与实际值拟合度更高,误差更小。研究结果为检测变压器油的其他参数提供了可靠的依据。     

基于改进RBFNN的1000kV特高压线损预测

针对特高压输电线线损与特征参数间关系复杂的特点,提出一种联合聚类优化算法(Canopy-K-means)和自适应二次变异差分进化(adaptive second mutation differential evolution,ASMDE)算法改进的径向基神经网络(radial basis function neural...     

基于QPSO_RBF的电力系统短期负荷预测

针对径向基函数(RBF)网络在电力系统短期负荷预测中存在的问题,提出一种量子粒子群优化(QPSO)算法训练RBF网络的方法,在确定网络隐含层节点个数后,将RBF网络各个参数编码成学习算法中的粒子个体进行优化,由此可在全局空间中搜索最优适应值的参数。用优化后的网络进行负荷预测,结果表明,该方法与传统的负荷预测方法相比,减少了训练时间并提高了预测精度,具有较好的应用前景。     

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。     

神经网络响应面在堆石坝流变反演中的应用

堆石体的流变参数对高面板堆石坝的长期安全性分析具有重要意义。参数反演可以准确获得符合坝体实际长期变形规律的流变参数。本文分别采用反向传播神经网络（BP）和径向基神经网络（RBF）构造出待反演参数与位移值之间的响应，引入统计学回归预测模型中的均方根误差（RMSE），平均绝对百分比误差（MAPE）和线性回归决定系数（R2）等指标来全面评估不同神经网络响应面映射能力的优劣，从而提高参数反演的效率和准确率。结果表明，RBF神经网络响应面的评估指标均优于BP神经网络响应面。利用RBF神经网络响应面和多种群遗传算法（MPGA）得到反演后的流变参数并将其用于有限元计算，得到的蓄集峡坝体沉降值在大小和分布上与实测值有很好的一致性。     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

基于免疫原理的径向基函数网络在线学习算法及其在热工过程大范围工况建模中的应用

针对现有径向基函数(RBF)神经网络训练算法在非线性动态系统大范围辨识中的不足,借鉴免疫原理,提出了一种新颖的RBF神经网络在线学习算法,通过分析RBF神经网络学习过程和免疫系统的相似性,采用免疫记忆、克隆选择、扩增和细胞凋亡机制在线动态调节网络隐层节点,并确定相应的数据中心和宽度,从而使网络具有在线学习和记忆新样本的功能,并将该网络应用于某300MW火电机组主汽压的多工况辨识.实验结果表明该算法不仅能精简网络的结构,而且能很好地适应对象的时变特性.     

基于神经网络的开关磁阻电机无位置传感器控制

论文提出了基于自适应径向基函数(radial basis function，RBF)神经网络的开关磁阻电机(SRM)无位置传感器控制新方法。该方法构造了一个隐层节点初始个数为零的RBF网络，通过在训练过程中不断按照自适应算法添加和删除隐层单元，形成一个结构简单、紧凑的网络来实现电机电压、磁链与转子位置之间的非线性映射，实现SRM的无位置传感器控制。网络训练分为离线训练和在线训练两个部分。利用训练样本按给出的自适应算法对网络进行离线训练，确定RBF网络隐层节点的个数及位置；按递推最小二乘法(RLS)在线修正隐层与输出层之间的连接权。仿真及实验结果表明，该方法能够实现电机的准确换相，从而实现了位置传感器的消去。