基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。     

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.     

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。     

粒子群-神经网络混合算法在短期电价预测中的应用

为了提高电力市场环境下的电价预测精度,在研究短期电价预测中采用了粒子群和反向传播神经网络相结合的混合算法,先利用粒子群算法确定初值,再采用神经网络完成给定精度的学习.对我国四川电网电价进行预测的结果表明,粒子群优化的神经网络算法收敛速度快于神经网络算法,预报精度显著提高,平均百分比误差可控制在2%以内,平均绝对误差最大值为1.87￥/MWh.该算法可有效用于电力系统的短期电价预测.     

基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

基于PSO-RBF混合算法锂离子电池SOC估算

为提高锂离子电池荷电状态的预测精度,将粒子群算法引入到径向基神经网络中,建立锂离子电池荷电状态混合估算算法。采用粒子群算法对径向基神经网络隐层节点中心和宽度及连接权值进行优化,降低径向基神经网络参数取值的繁杂度,提高荷电状态预测精度。利用Arbin BT2000多功能蓄电池测试平台,获取到锂离子电池放电数据,进行模拟训练和预测。实验表明:混合算法相对RBF网络具有更好的预测能力,满足荷电状态估算精度误差小于5%的要求,验证了该模型是有效、可行的。     

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。     

基于改进粒子群-径向基神经网络模型的短期电力负荷预测

为了准确、快速、高效地预测电网短期负荷,提出了改进的粒子群–径向基神经网络算法。用改进的粒子群算法训练径向基神经网络,实现了径向基函数神经网络的参数优化。建立了短期电力负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素进行短期负荷预测。算例结果表明,该算法优于径向基神经网络法和粒子群–径向基网络算法,克服了径向基网络和粒子群优化方法的缺点,改善了径向基神经网络的泛化能力,输出稳定,预测精度高,收敛速度快,平均百分比误差可控制在1.2%以内。     

基于PSO算法优化GRU神经网络的短期负荷预测

为了实现高精度的电力系统短期负荷预测,提出了基于粒子群优化(particle swarm optimization,PSO)算法优化门控循环单元(gated recurrent unit,GRU)神经网络的电力系统短期负荷预测模型。首先建立GRU神经网络,GRU神经网络采用了门控循环单元,与采用传统循环单元的传统循环神经网络相比,克服了传统循环神经网络中可能出现的梯度爆炸和梯度消失问题;继而采用具有较强全局优化能力的改进粒子群算法对GRU神经网络参数进行优化,有效提高模型的预测精度。通过实际算例仿真分析,并与传统的GRU神经网络预测模型以及反向传播(back propagation,BP)神经网络预测模型进行对比,验证了所提电力系统短期负荷预测模型具有较好的精度和稳定性。     

弹性自适应人工鱼群-BP神经网络模型及在短期电价预测中的应用

为了提高短期电价预测精度,分析了人工鱼群算法及其缺点,提出了一种弹性自适应人工鱼群算法(RAAFSA).应用RAAFSA算法训练BP神经网络,实现了BP神经网络参数优化,形成弹性自适应人工鱼群-BP神经网络混合算法(RAAFSA-BP),对贵州电网进行短期电价预测.仿真表明,弹性自适应人工鱼群优化的BP神经网络算法收敛速度快于BP神经网络算法和人工鱼群-BP神经网络算法,该混合算法克服了BP神经网络和人工鱼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BP神经网络的泛化能力,输出稳定性好,预报精度显著提高,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1.762$/MWh.该混合算法可有效用于电力市场短期电价预测.     

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。     

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。     

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。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

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％。     

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。     

基于混合粒子群算法和NRBF神经网络的短期电价预测

提出一种混合粒子群算法,在局部邻近区域的粒子群算法中引入收缩因子和被动聚集,将最邻近聚类用于NRBF 神经网络的参数确定中,采用混合粒子群算法优化最近邻聚类的聚类半径,从而确定NRBF 神经网络的参数,提高了NRBF 神经网络的泛化能力。以美国PJM电力市场公布的2006年负荷与电价数据进行预测验证,证明了此方法所建立的模型的合理性和有效性。     

基于粒子群与神经网络的间谐波测量算法研究

为了精确测量电力系统的非整数次谐波,提出一种基于粒子群与神经网络的混合算法。该算法通过FFT变换得出谐波个数和精度不高的谐波幅值、相位、谐波次数,然后初始化粒子群,再由粒子群优化算法训练神经网络,得出间谐波的各项参数。同时提出一种基于可变参数的神经元激发函数,使得谐波次数和权值一样参与调整,更有利于检测非整数次谐波。仿真实例表明,该算法能将频率相近的非整数次谐波分离,可快速、精确地获得非整数次谐波的各项参数。     

An RBF Network With OLS and EPSO Algorithms for Real-Time Power Dispatch

This paper proposes a novel technique that combines orthogonal least-squares (OLS) and enhanced particle swarm optimization (EPSO) algorithms to construct the radial basis function (RBF) network for real-time power dispatch (RTPD). The goals considered are fuel cost, power wheeling cost, and NO_x/CO₂ emissions. The RBF network is composed of three-layer structures, which contain the input, hidden, and output layer. To simplify the network, the OLS algorithm is used first to determine the number of centers in the hidden layer. With an appropriate network structure, the EPSO algorithm is then used to tune the parameters in the network, including the dilation and translation of RBF centers and the weights between the hidden and output layer. The proposed approach has been tested on the IEEE 30-bus six-generator and practical Taiwan Power Company (Taipower) systems. Testing results indicate that the proposed approach can make a quick response and yield accurate RTPD solutions as soon as the inputs are given. Comparisons of learning performance are made to the existing artificial neural network (ANN), conventional RBF network, and basic particle swarm optimization (PSO) methods     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...