基于BP神经网络的谐波计量误差分析软件

利用BP神经网络建立了谐波对电子式电能表计量误差影响的数学模型 ,它反映了谐波功角与该误差间的非线性映射关系。基于该模型应用VC ++ net开发了误差分析软件并计算了某牵引站谐波数据 ,结果表明该软件在分析电子式电能表计量误差中具有实用价值     

智能电能表的误差调整

本文介绍了智能电能表的发展,并分析了其误差调整机制。     

粒子群优化BP神经网络在短期负荷预测误差修正模型中的应用研究

短期负荷预测是电力系统安全稳定运行的前提与保证。误差修正模型是在考虑相关因素相似度识别的预测方法基础上,利用BP神经网络优秀的学习能力捕获相关因素与历史预测误差的非线性映射。针对BP网络存在的自身缺陷,采用改进粒子群算法优化BP网络参数,得到可靠的误差预测,建立误差修正模型对未来负荷进行修正预测。通过算例验证了其可行性和实用性,达到了提高短期负荷预测准确度的目的。     

一种基于BP神经网络的电能表校验方法

本文运用了神经网络技术,用训练成熟的多层前向BP神经网络取代了电能表校验的标准表。实验结果表明,该方法可以很高精度逼近标准表的输入输出数据,且对不同的输入信号有较好的泛化能力,可以做为下一级电能表校验的标准表,降低了电能表校验的成本。     

基于BP神经网络的智能台区识别方法研究

为方便普查用户台区和相位信息,特别是解决跨台区用户信息识别难题,提出一种基于BP神经网络的智能台区用户信息识别方法并研制了该系统。系统由识别器和手持器两部分组成,通信方式采用电力载波通信技术,对于垮台区用户,依据系统和已识别用户之间的通信信号品质,选取隐藏层节点数为6的前向BP神经网络作为跨台区用户识别模型进行识别。MATLAB仿真和实际测试结果表明:该方法可有效解决跨台区通信串扰难题,能够智能识别用户台区和相位信息,同时具有识别准确性高、容差性能较好的优点,对提高台区用户信息识别准确性,减少工作量降低成本,具有重要意义。     

基于智能电能表数据的配电网状态估计

含有可再生能源与需求响应资源(demand response resource,DRR)的配电网系统需要精确的状态估计,以进行实时控制和调度。配电网状态估计通常依赖于智能电表的测量,但测量设备的增加不仅对通信成本要求高,同时还会导致控制问题的高复杂性。针对这些问题,提出一种低压配电网所需智能电表实时数据的分析方法及其在状态估计中的应用。同时讨论了测量值组合的作用,以减轻状态估计问题中由于大量数据产生的计算压力。通过实验验证了方法的有效性。     

基于改进BP神经网络的逆变电路故障诊断

针对BP神经网络鲁棒性、容错性不强的问题,提出双向BP神经网络,更直接地建立与先前状态的映射关系;利用量子粒子群算法(QPSO)优化双向BP神经网络的权值和阈值,克服其学习算法复杂、收敛速度慢的缺点,来得到精度更高的网络。将改进的双向BP神经网络应用于逆变电路的故障诊断,测试结果表明该算法比双向BP神经网络具有更强的收敛性和精确率,为逆变电路的故障诊断提出一个新的思路。     

智能电能表自助误差校准装置设计

随着智能电能表大规模安装应用,用户对表计准确度的需要也随之逐渐增多,如何让客户方便快捷地进行表计误差校准就成为了一个新的课题。本文设计了一种电能表自助误差校准装置,可使用电客户在工作人员或者指示牌简单引导下,自助进行表计的误差校准工作。自助误差校准装置起到一个类似"公平秤"的作用,确保了电能计量准确和公平公正,有利于提高电能表计量在全社会的公信力。     

基于BP神经网络的智能台区识别方法研究北大核心

为方便普查用户台区和相位信息,特别是解决跨台区用户信息识别难题,提出一种基于BP神经网络的智能台区用户信息识别方法并研制了该系统。系统由识别器和手持器两部分组成,通信方式采用电力载波通信技术,对于垮台区用户,依据系统和已识别用户之间的通信信号品质,选取隐藏层节点数为6的前向BP神经网络作为跨台区用户识别模型进行识别。MATLAB仿真和实际测试结果表明:该方法可有效解决跨台区通信串扰难题,能够智能识别用户台区和相位信息,同时具有识别准确性高、容差性能较好的优点,对提高台区用户信息识别准确性,减少工作量降低成本,具有重要意义。     

基于改进PSO—BP算法的变压器故障诊断

提出一种利用改进粒子群算法和反向传播算法相结合的混合算法训练神经网络进行电力变压器故障诊断的方法.在改进的粒子群算法中考虑了邻居粒子中最优粒子信息,修正个体行动策略,增强粒子群的社会学习功能,保证全局搜索的有效性;引入随机粒子群机制,利用粒子群进化过程中的种群变异机制提高算法的寻优性能.变压器故障实例仿真和分析表明,该算法在收敛速度、计算精度和平均收敛性能方面都有较大改进,可有效诊断电力变压器故障.     

基于粒子群优化BP神经网络的速度观测器

利用BP神经网络可以逼近任意的非线性关系的特点,构建一个神经网络速度观测器.由于BP神经网络的初始权值和阈值的选择存在随机性,对网络的性能影响很大,但又无法准确获得,提出将PSO算法与BP算法结合的方法,通过粒子群算法优化BP神经网络,得到最佳初始权值和阈值,提高了速度观测器的精度.通过实验采集的数据来训练这个神经网络,实验结果证明了该方法的有效性.     

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进：首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。     

基于粒子群算法的BP神经网络光伏电池建模

针对光伏电池复杂难以建模的非线性特性,本文提出一种基于粒子群算法(PSO)的反向传播(BP)神经网络建模方法.神经网络具有很强的非线性拟合能力,但同时也存在收敛速度慢、容易陷入局部极值、建模精度不高等缺点.本文采用粒子群算法来优化神经网络的内部连接权值,以改善神经网络的性能,并基于这种改进的神经网络构建光伏电池动态模型...     

基于PSO算法的DBN模型参数优化

针对深度置信网络模型每层神经元个数难以确立的问题,提出利用粒子群寻优确立DBN网络每层节点数,利用Kmeans聚类来决定是否需要增加隐藏层的方法来确立DBN的网络结构。该算法根据粒子群寻优算法以最小化所有样本重构误差的平方和为目标函数来确定DBN每层神经元个数,以确定DBN的初步结构,为了验证DBN结构的有效性,利用DBN提取的数据特征来进行聚类测试,进一步根据聚类结果来修正DBN,以获得DBN的最佳结构,以红酒数据集进行分类实验,实验结果表明,与传统未经改进的深度置信网络进行对比,发现该方法确立的深度置信网络分类效果更优。     

基于BP神经网络与改进粒子群的光伏MPPT算法

针对光伏阵列在环境突变情况下尤其是局部阴影下的多峰值现象,提出一种基于反向传播(BP)神经网络与改进粒子群的最大功率点跟踪(MPPT)算法。该算法利用BP神经网络近似定位最大功率点,并利用对粒子群算法中的惯性权重值进行非线性动态优化后的改进粒子群精确定位最大功率点。仿真结果表明,复合算法可以更好地跟踪最大功率点,有效避免前期易陷入局部极值的问题,提高了精度,减小了功率振荡。     

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。     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

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。     

基于粒子群优化神经网络观测器感应电机定子电阻辨识

针对感应电机模型参数时变性突出的问题,提出一种基于粒子群优化神经网络观测器感应电机定子电阻辨识方法。该方法首先通过构建一个含待辨识参数的非线性函数,然后根据神经网络的一致逼近任意非线性连续函数的性质,利用RBF神经网络逼近这个非线性函数,并在此基础上构造自适应观测器。采用伪降阶观测器结构,减少了参数辨识的计算时间;用粒子群优化算法对神经网络参数进行优化,提高了神经网络的收敛速度和逼近精确度。仿真和实验结果验证该方法鲁棒性强,动态性能好,具有较好的辨识效果。     

基于改进BP神经网络的智能控制方法研究

针对典型 ＢＰ神经网络存在的缺陷而提出了一些有效的改进措施。通过采用改进的 ＢＰ神经网络来对控制规则样本采样的学习和训练,使网络记忆控制规则,以达到智能控制的目的。仿真和实验结果证明该方法具有优良的控制特性,满足伺服电机控制的需要。