基于人工神经网络的发电机在线跟踪辨识

研究了应用人工神经网络对汽轮发电机组动态特性进行在线跟踪辨识的方法。由于人工神经网络具有良好的非线性特性，其在线跟踪辨识的结果优于基于线性模型的传统方法。为了加速权重的收敛，使用了两种并行训练算法，并对辨识的结果进行了详细的数字仿真和动模试验。     

一种改进型BP网络在汽轮发电机组故障诊断中的应用

在标准BP网络基础上,提出一种加优先权值的改进BP网络模型,给出该网络模型的结构、具体的学习训练算法和反馈算法,并阐述输入层与输出层神经元部分连接的依据及其连接优先权值的确定问题。结合汽轮发电机组故障诊断实例,从单故障识别和多故障识别两个角度证明了该模型具有较强的故障识别能力,其诊断结果也更符合故障实际情况。     

基于BP人工神经网络的空调降温负荷预测

空调负荷是近年来增长较快的一类负荷,其特性对电网的电压稳定性影响很大。夏季影响空调负荷的因素主要是温度和湿度的变化。为了更好的预测空调降温负荷,研究了温度和湿度对空调负荷的影响。利用BP人工神经网络对电网空调负荷进行了预测,经过分析把日平均湿度量化成4段,和日平均湿度实际数值的模型进行计算比较,结果显示考虑日最高温度和日平均湿度量化为4段能更好的模拟温度、湿度和空调负荷之间的非线性关系,能更好的对电网空调负荷进行预测。     

基于遗传优化BP网络的振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,采用遗传算法对BP神经网络的初值空间进行多点遗传优化,得到最佳初始权值矩阵,在此基础上按误差前向反馈算法沿负梯度搜索进行网络学习;同时提出了一种用于BP神经网络遗传优化的染色体浮点编码方法,并描述了作用于染色体上的遗传操作算法。仿真研究表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到汽轮发电机组振动故障诊断中。     

基于小波BP网络的汽轮发电机组故障诊断

针对电厂汽轮发电机组故障诊断问题,将小波变换和BP网络结合构造了一个三层的小波BP网络故障诊断系统。在输入层对振动信号进行二进离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,根据这些特征向量进行小波BP网络的学习,最后用该学习过的小波BP网络诊断故障并将此方法成功地应用于汽轮发电机组故障诊断。仿真结果表明此方法是可行和有效的。     

基于BP人工神经网络的XLPE电力电缆局部放电的模式识别

根据电力电缆常见局部放电类型,提出了以局部放电信号三维谱图、放电次数及正负半波统计算子为特征量的XLPE电力电缆局部放电的BP人工神经网络模式识别方法,将该方法应用于模拟试验设计的5种典型局部放电模型,识别结果表明,该方法是可行的,识别效果较好,具有实际应用价值。     

BP人工神经网络负荷预测模型的L-M训练算法

根据电力系统短期负荷预测的需要,用C 开发了单隐含层BP人工神经网络程序。程序用Levenberg-Marquardt训练算法实现神经网络训练,大大提高了训练速度。采用24个单输出人工神经网络模型分别预测每天的整点负荷。该预测模型可动态生成,提高了预测模型的自适应性。实际算例结果表明,采用该算法及其程序进行短期负荷预测,可得到令人满意的训练速度及预测精度。     

125MW汽轮发电机组状态实时监测与故障智能诊断系统的设计及实现

状态监测与故障诊断是确保大型旋转机械正常运行的关键技术手段。现以１２５ＭＷ汽轮发电机组为对象，提出了由实时监测系统和故障智能诊断系统组成的分布式多任务信息处理系统的新构思，阐明了基于结构层次化和功能模块化的软硬设计方案。整个系统具有高速度、高精度、多通道、大容量和高性能价格比等特点，可广泛应用于各类汽轮发电机组的实时状态监测和故障诊断场合。     

BP神经网络与局部线性模型树算法的比较

本文主要介绍了目前使用比较广泛的人工神经网络中的BP算法和使用不多的局部线性模型树（LOLIMOT）算法，从几个方面比较两种算法，指出各自的优缺点。     

蚁群前馈神经网络在煤灰熔点预测中的应用

提出了一种蚁群前馈神经网络模型。采用蚁群算法和BP算法相结合的方法训练神经网络,可避免单纯BP算法容易陷入局部最优的不足,降低算法对初值的敏感性。应用蚁群前馈神经网络建立了灰熔点的模型,并对模型的预测性能进行了验证。结果表明,该方法的预测精度比单一的BP神经网络模型有较大提高,训练后的网络模型可以用于煤灰熔点的预报。     

两种基于神经网络的故障诊断方法

复杂设备或系统的故障诊断中常采用神经网络构建故障映射关系，针对实际应用中神经网络存在收敛速度慢、学习记忆不稳定等不足，以一电站锅炉送风机为诊断对象研究了基于带有偏差单元的递归神经网络故障诊断方法。对状态检测系统采集的信号进行逻辑处理，分离出8个故障特征参数。以8种常见故障模式作为BP网络和递归神经网络的训练样本，对训练过程和仿真结果作了对比分析，结果表明该诊断方法在收敛速度、精度和稳定性能等方面均有良好改善，满足了系统在线故障诊断的需求。     

BP神经网络权值初始值与收敛性问题研究

BP神经网络的收敛性问题是一直受到广泛关注的问题。本文针对BP网络在运算过程中陷入局部最小区，收敛速度慢的问题，从BP算法的原理出发，讨论了权值初始值对网络训练速度的强烈影响（仿真结果证明了这一点），并提出了解决方法。     

用于暂态稳定评估的人工神经网络输入空间压缩方法

应用粗糙集理论中的决策表化简技术,提出了一种压缩人工神经网络(ANN)输入空间的方法,改善了ANN用于电力系统暂态稳定评估(TSA)时面临的数据训练瓶颈问题。由于训练样本是连续性的数据,采取了3种离散化方法：等频法、等距法和最大熵法。用10机39节点的新英格兰系统测试了该数据压缩方法的有效性。ANN初始输入变量为11个,利用粗糙集化简方法抽取出6个关键特征变量,样本集压缩了45.5%,而ANN稳定分类器的判别效果并没有因此受到影响。     

贪心算法结合Hopfield神经网络优化配电变电站规划

提出了一种城市电网规划中变电站规划优化的新算法.该算法先用贪心算法(greedyalgorithm)快速求解新建变电站的座数及各变电站的容量,再利用Hopfield神经网络校核新建变电站的位置和各变电站的供电范围,最后确定各变电站的真实容量.在求解过程中,该方法考虑了已有变电站的改造问题.从全局最优的原则出发,可求得具有实际价值的最优或近似最优解.该方法在求解变电站供电范围时无需对数据进行归一化处理,且易于编程.该方法可为变电站规划提供一种新的思路.     

小波变换、神经网络和小波网络的函数逼近能力分析与比较

基于对小波变换和神经网络之间内在联系的分析，利用神经网络不同激励函数的线性组合构造出了相应的小波函数，得出小波函数作为神经网络的激励函数与普通神经网络的激励函数在本质上是一致的结论，并引入了小波网络。通过对小波变换，神经网络和小波网络函数逼近能力的理论分析与比较，认为小波网络在函数逼近方面具有明显的优势，并且分别利用这3种方式对一典型函数进行了仿真逼近的验证。     

多维BP神经网络在锅炉故障诊断中的应用

采用多维BP神经网络方法进行锅炉故障诊断建模,其中BP神经网络采用多维结构,输入层采用模糊数学方法对运行参数进行量化,通过参数之间和参数与故障类之间的关联关系,建立了多维BP神经网络模型.以锅炉管泄漏为例,进行了故障仿真试验,试验结果表明此方法能有效、快速地进行锅炉故障诊断.     

BP神经网络在磨煤机料位监测中的应用

有效监测及控制钢球磨煤机的料位,是制粉系统实现优化运行、节能降耗的关键。针对钢球磨煤机的运行特点,建立BP神经网络模型对其运行中的各种工况的不同参数进行分类,实现料位的自适应监测。仿真结果表明,网络效果良好,为制粉系统优化运行和自动控制奠定了基础。     

基于BP神经网络的最优励磁控制器

设计了一种新型的基于BP神经网络的最优励磁控制器(NNOEC)。在线性最优励磁控制的基础上,利用4层BP神经网络对发电机的运行方式和系统所遭受的干扰类型进行辨识,通过对网络的训练,使得网络能够实时根据发电机的状态量来调节最优控制的反馈矩阵,以适应当前的运行点和所遭受的干扰。仿真结果表明,所设计的NNOEC在系统运行方式较大的变化范围内都能提供很好的控制性能,在大小扰动下均表现出很好的阻尼特性和良好的电压性能。     

电力系统负荷预报的神经网络LBP算法

本文提出了一种能够反映工作日电力负荷波动性并可同时进行假日负荷预报的神经网络算法。该算法在一个神经网络中构造多个相互关联的子网络,将一周７日根据负荷特点分为四类特征日期,通过解码器根据输入的日期特征量激活对应的子网络,对基训练并作出预报。通过对实际系统的实验表明,该算法具有较高的预报精度。