一种新型谐波电流检测策略

针对传统ip-iq算法结构复杂、延时长、抗干扰能力差的问题,利用人工神经网络具有强大的自适应性以及对任意非线性逼近能力的特点,提出一种基于BP神经网络的谐波电流检测方法,在神经网络的输入端增加一附加量,将检测到的三相负载电流和虚拟磁链空间位置角作为神经网络系统输入,以改善神经网络的检测性能,提高检测的准确性。最后根据这种检测方法建立仿真模型,仿真结果验证了其优越性。     

基于宽频信息挖掘的同塔双回输电线路单端故障测距研究

基于同塔双回输电线路故障时激发的宽频暂态信息,充分利用同塔双回输电线路中非故障线路作为宽频暂态信息的传播通道,提出了利用两条线路上故障宽频信息比对的方法进行单端测距的措施.以零序电流为主要测量信息,对两回线路的零序电流进行全频域分解,挖掘宽频信息特征,并将整体特征作为输入,运用BP神经网络进行训练,区分出故障线路与非故障线路.对故障线路与非故障线路同端检测以提取全频暂态电气信息,利用S变换作为暂态信号分析工具,寻找故障线路与非故障线路的三相瞬时功率突变的时间点,综合运用算法融合的优势形成智能判据,实现故障线路测距,并通过仿真验证了该方法的有效性.     

基于模糊BP神经网络的抑郁症分诊系统

基于模糊逻辑和BP神经网络相结合的方式,提出了一种抑郁症的早期自动诊断方法,研究了抑郁症的分诊指标和分级标准的确定和模糊处理方法,把模糊量化的数据作为BP神经网络的输入,构建了合适的3层BP神经网络。仿真结果显示,综合运用模糊算法和BP神经网络的方法能达到优势互补的效果,构建的模糊神经网络用于抑郁症的诊断是可行的。     

基于BP神经网络的三相SPWM逆变电路故障诊断

提出了基于BP神经网络的三相SPWM逆变电路的故障诊断方法。首先提出BP神经网络模型及算法,然后运用BP神经网络对三相逆变电路进行故障诊断,通过调整隐含层节点和学习参数,寻找出最优的BP神经网络结构。最后,采用非学习样本数据对训练好的网络进行仿真,实验结果表明该故障诊断方法正确率达99%,该诊断方法同样适用于其它电力电子电路。     

基于唯一特征的BP神经网络求解平面2R机械手逆运动学

针对神经网络求解机器人逆运动学时输入与输出间需要建立正确的映射关系,提出一种基于唯一特征的BP神经网络求解平面2R机械手逆运动学的方法。该方法通过在机械手的工作空间中进行几何分析,确定了逆运动学多解的规律,同时在BP神经网络的输入中增加方位角作为特征参数。仿真结果表明:所提方法只需要一个BP神经网络,就可以求得平面2R机械手的逆运动学完整解;预测误差较小在-0.002～0.002 rad之间。     

基于BP神经网络的提速道岔故障诊断算法

在分析提速道岔动作电流曲线变化规律的基础上,提出一种基于BP神经网络的提速道岔故障智能诊断算法。通过总结典型提速道岔故障动作电流曲线,提取动作电流曲线特征向量值,采用BP神经网络对提速道岔特征向量与道岔故障类型的映射样本集进行训练及测试。实验表明,基于BP神经网络的提速道岔故障诊断算法精度高、效果好。     

基于BP神经网络分类器的多目标识别方法研究

文章对多目标进行特征提取,数据作为神经网络分类器的输入,采用不同的算法对多输出型BP神经网络分类器和单输出型BP神经网络联合分类器进行训练,实现多目标的识别。仿真试验结果表明,基于BP神经网络分类器的识别方法具有较高的识别率。     

电流互感器自动化检定系统风险预警方法研究

电流互感器自动化检定系统在连续运行条件下,面临长时间、大批量运行可靠性和数据准确性的不确定性风险。提出了一种基于灰色神经网络的电流互感器检定系统风险预警模型,通过挖掘核查标准的比差、角差历史数据作为输入变量,使用灰色模型对输入变量值进行预测,并将预测结果值作为改进萤火虫算法优化的BP网络的输入,得到检定数据的预测值,通过风险评估策略对预测结果进行评估预警。仿真结果表明,该方法能够对电流互感器自动化检定系统的运行状态提前进行预警,保障了检定系统的稳定运行。     

神经网络的故障诊断方法研究

为了解决智能诊断应用中BP神经网络收敛速度慢、稳定性差以及精度不高的问题,通过嵌入到设备中的诊断Agent采集到设备各元件工作电压,以此为对象研究基于Elman的神经网络故障诊断方法,使用设备故障信息作为BP神经网络和Elman神经网络的训练样本.结果表明,在相同的神经网络训练样本和测试样本下,BP神经网络的收敛速度比Elman神经网络慢,Elman神经网络比BP神经网络诊断精度有提高.经过对训练过程和仿真结果的分析,验证了基于Elman神经网络的故障诊断方法收敛速度提高了约2倍、精确度提高约1.5倍,满足系统在线故障诊断需求.     

并联有源电力滤波器的人工神经网络控制方法

提出并分析了一种适用于控制并联有源电力滤波器的人工神经网络方法.该方法采用两个不同的人工神经网络,其中的多元自适应线性神经元网络用以获取欲补偿的三相有害电流,而其中的三层前馈神经网络用以控制滤波器的输出电流.仿真结果显示:电力系统经并联有源电力滤波器补偿后,其电源电流波形有很大改善.     

基于人工神经网络的相位跟踪研究

本文介绍了一种基于人工神经网络的相位跟踪控制方法,当电网并网时,用于对控制电流与电网电压进行同相位跟踪,以实现对电网电压的同步跟踪。经MATLAB电力系统动态仿真,验证了该文提出的BP控制方法,跟踪性能良好,具有较强地自适应能力。     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

基于BP神经网络整定的PID温度控制

展示了一种基于BP神经网络的PID控制器,利用神经网络的自学习特性,将神经网络与PID控制方法相结合,采用3层前向网络,动态BP算法,实现对温度控制系统的在线智能控制,显示了BP神经网络PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的能力．仿真结果表明,此种PID在温度控制中能够取得较满意的效果．     

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比所提出的方法可以提供更好的故障分类精度。     

基于功率控制的三相SVPWM并网光伏系统

为了实现光伏系统的最大功率输出和并网运行并改善其输出特性,提出了一种基于SVPWM调制的逆变器功率控制方法.该方法采用双闭环控制,以光伏阵列输出的最大功率作为逆变器功率外环的参考输入量,实现最大功率注入电网;逆变器控制内环为电流环,用于控制系统注入主电网的电流品质,同时实现对逆变电路的电流保护.实验结果表明,该控制方法的控制效果优良,具有功率跟踪精度高、电流畸变小的特点,能够提高光伏并网系统的功率转换效率.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于神经网络的开关磁阻电机的无位置检测

提出了利用BP神经网络实现开关磁阻电机的无位置检测方法.该方法以开关磁阻电机绕组的相电流、磁链作为输入,转子位置作为输出,建立以相电流、磁链和转子位置之间的非线性映射,以此实现转子位置控制.仿真结果证明,此方法不仅简化了系统的复杂性,提高了系统的检测精度,而且使SRD具有较好的动态特性、自适应性和鲁棒性.     

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法．方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法．结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间．结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度．     

BP神经网络在隧道基坑工程中的实际运用

依据昆明轨道交通三号线东标段二工区省博物馆站在施工过程中基坑开挖所产生的深层水平位移问题,基于MATLAB神经网络工具箱仿真并建立BP神经网络模型,预测位移曲线可以通过输入已知数据建立。在实际工程中对该模型的合理性进行检测,实测数据表明,此BP神经网络模型对于深层水平位移问题有很好的预测能力。     

基于PSO-RNN的光伏发电功率预测研究

针对光伏发电功率预测对电力系统的安全稳定和经济运行问题,本文提出了基于粒子群算法优化脊波神经网络的光伏功率预测模型。采用脊波函数作为隐含层激励函数的神经网络,即脊波神经网络,同时采用粒子群算法优化脊波神经网络的权值,并以实际光伏发电站的历史光伏发电数据和气象数据作为仿真算例,对预测模型进行仿真和测试。仿真结果表明,与BP神经网络预测模型相比,基于粒子群算法优化脊波神经网络预测模型的日平均绝对误差和日最大绝对误差均有所降低,证明粒子群算法优化脊波神经网络的预测模型具有较高预测精度,不仅加快了脊波神经网络收敛速度,而且避免了陷入局部最优解,具有一定的实用性及可行性。该研究为光伏发电功率预测提供了理论参考。