基于RBF神经网络的热工过程在线自适应建模算法研究

传统的各种神经网络建模方法由于自身的局限性不能很好地应用于复杂的热工过程建模。该文提出了一种新型的基于RBF网络的热工过程在线自适应建模算法：近似相关性网络(ACN）建模和阶层补偿式网络结构（HCN）建模。文中与资源分配网络（RAN)进行了详细的算例比较，并进一步计算了实际的热工非线性模型。计算结果表明：该文提出的建模算法不仅能提高模型的输出精度，而且也可有效地减小网络的规模，较好地解决了神经网络超界空间的自适应构造问题，为热工过程全局非线性模型的建立提供了一个新的解决方法。     

量子遗传算法优化RBF神经网络及其在热工辨识中的应用

量子遗传算法是基于量子计算原理的概率优化方法,在量子门更新过程中,旋转角的大小直接影响优化的结果和进化的速度。文中针对模糊量子遗传算法(FQGA)容易导致系统陷入局部最优的缺点,将量子衍生交叉算法的思想引入FQGA,提出了一种新的量子遗传算法。同时利用该方法构造径向基函数神经网络进行非线性系统辨识。其特点是通过这种新的量子遗传算法,实现对RBF神经网络权值、宽度和中心位置等有关参数的估计。其速度快、精度高。通过RBF神经网络有效地完成了对非线性系统的辨识。对典型非线性函数辨识的测试表明：该方法有效地提高了量子遗传算法的计算精度和收敛速度。同时利用该方法设计了一种通用的热工对象模型辨识神经网络算法,编制了专用的模型识别软件,对某电厂循环流化床锅炉一次风对床温的动态特性进行辨识,结果表明该方法是一种精度比较高的辨识算法。     

神经网络在非线性系统建模中的应用

神经网络作为非线性模拟的一种具有生命力的方法,近年来在自动控制、信息处理等方面得到了广泛的应用,本文简要介绍了BP神经网络和RBF神经网络,讨论了神经网络在非线性系统建模中的应用.     

动态RBF神经网络在非线性系统建模中的应用

在分析传统RBF神经网络算法的基础上,提出了改进的最临近聚类算法和隐含层节点的增加与修剪策略,从而增强了RBF神经网络的非线性系统建模能力。以锅炉燃烧过程为实例,通过从现场采集的数据建立神经网络模型,使用改进的算法建立系统的初始神经网络模型,再经过改进算法不断修正模型,取得了比较满意的效果。     

基于T-S模型的自适应神经模糊推理系统及其在热工过程建模中的应用

在工业热工过程控制中,被控对象动态特性往往表现出非线性、时变性、大迟延和大惯性等特点,这使得难以对其建立比较精确的模型,从而难于精确表达热工过程及实施整体优化控制。针对热工过程建模难的现状,为达到建立精确非线性模型的目的,提出1种基于T-S模型的自适应神经模糊系统(ANFIS)模糊建模方法。该方法通过对模糊系统的结构辨识和参数辨识,使神经模糊网络能够自主、迅速有效地收敛到要求的输入和输出关系,从而达到精确建模的目的。仿真结果验证了所提出的算法的有效性,将其应用到热工过程建模中可获得高精度的非线性模型。     

锅炉过热器系统机理与神经网络组合建模方法

电厂锅炉系统的模型多用集总参数法建模,文中通过分析指出了集总参数建模法方法本身所带来的不可弥补的缺陷,从而提出了高精度的机理与神经网络的组合建模方法,并结合过热器的建模过程对组合建模方法的应用作了阐述。此法对整个锅炉乃至电厂系统的精确建模也是适用。     

基于新型RBF神经网络的中速磨煤机建模

提出了一种结合免疫聚类和免疫进化规划的径向基函数(RBF)神经网络设计方法,该方法采用人工免疫聚类机制根据输入数据集合自适应确定RBF神经网络隐节点的数量和数据中心位置,并通过提取核函数宽度作为疫苗和免疫选择操作确定网络输出层的权值。利用RBF神经网络设计方法建立了中速磨煤机出口温度和入口空气流量的RBF神经网络模型,仿真结果表明该模型具有较高的精度。     

基于RBF循环神经网络的电力系统负荷建模

针对负荷模型难以精确建立的问题以及负荷非线性动态仿真的复杂性,提出了一种基于径向基循环神经网络的负荷建模方法。将循环神经网络和径向基网络相结合,利用循环神经网络对时间序列的学习能力和径向基网络具有结构自适应确定、快速收敛的优点,建立新的电力系统综合负荷模型。典型新英格兰测试系统的仿真证明了该模型对电力系统负荷模型辨识的有效性和准确性。     

RBF神经网络在高加故障诊断中的应用

提出了径向基函数神经网络(Radial Basis Function Neural Network,简称RBF网络)应用于高加故障诊断的基本方法。利用Matlab神经网络工具箱对高压加热器进行故障诊断,并分别创建RBF神经网络与BP神经网络来进行故障诊断,根据诊断结果的综合对比,证明了RBF神经网络在诊断速度、诊断精度上均优于BP网络,说明RBF网络应用于高加的故障诊断准确、可靠,在机械故障诊断方面具有广泛的应用前景。     

新型的RBF神经网络在水轮发电机组故障诊断中的应用

本文应用免疫遗传系统的调节原理对RBF神经网络隐层中心数量和位置的进行选择,同时采用递推最小二乘法来确定网络输出层的权值,从而建立了一种新型的RBF神经网络模型,并将该模型应用于水轮机发电机组的故障诊断.诊断结果表明,该模型收敛速度快,精度高并有较好的泛化能力,为水轮发电机组状态监测及故障诊断提供了一种新途径.     

采用模拟退火算法的Elman网络及在热工过程建模中的应用

文中采用了模拟退火算法对Elman网络的前馈和反馈权值进行优化，避免了其陷入局部最小值，在网络的训练过程中无需人为的反复调整反馈权植，并将其应用于建立热工过程的非线性模型。仿真研究表明，无需复杂的网络结构，采用SA算法的Elman网络模型能够很好的适配热工过程对象，并有较好的泛化能力。     

基于新型神经网络的电网故障诊断方法

故障诊断对于事故后系统快速恢复正常运行具有重要的意义。该文提出应用新型径向基函数 (RadialBasisFunc tion ,RBF)神经网络解决故障诊断问题 ,文中将正交最小二乘 (Orthogonalleastsquare)算法扩展用于优化RBF神经网络参数。并应用传统的BP神经网络解决同样的问题以进行比较。在 4母线测试系统中的计算机仿真结果证明 ,在解决故障诊断这一类问题时 ,RBF神经网络优于BP神经网络模型 ,能够更有效地解决问题     

一种新的动态聚类算法及其在热工过程模糊建模中的应用

文中提出的新型动态进化聚类算法克服了传统模糊聚类建模算法须事先确定规则数的缺陷。它通过改进的遗传策略来优化染色体长度，以实现对聚类个数进行全局寻优；同时，利用FCM算法加快了聚类中心参数的收敛：此外，通过引入免疫系统的记忆功能和疫苗接种机理，新算法得以快速稳定地收敛到最优解。利用这种高效的动态聚类算法辨识模糊模型，可以同时得到合适的模糊规则数和准确的前提参数。仿真实例验证了文中动态模糊聚类建模算法的有效性，将其应用于热工过程可获得高精度的非线性模糊模型。     

人工神经网络在汽轮机热力参数在线仿真及故障识别中的应用

目前汽轮机组中一部分测点传感装置损坏率高，使得一些热经济性分析 的结果产生较大偏差。基于人工神经网络，作者对当前普遍使用的BP网络模型进行了某些改进、对网络中的一些参数作出了调整，以使模型具有较强的自适应能力并使得网络的收敛速度沿着最佳方向进行，还编制了相应的程序。作为实例，文中对某一实际机组的参数进行了仿真计算，绝大多数数据的相对误差在1.5%以内，可以满足工程实际的需要。文章对输入输出参数之间的关联程度，对影响输出结果的精度、收敛速度等因素进行的分析比较可供今后的热力参数在线仿真和负荷预测借鉴。用该模型对动力系统的热力参数进行在线仿真减少了传感的维护量，特别是对提高汽轮机组故障诊断技术水平有一定的意义，此外还改善了基于参数采集的应用软件的可靠性。     

神经网络逆系统及其在电力系统控制中的应用

阐述和证明了基于输入输出微分方程描述的系统可逆性的充分条件,并给出了相应的解析逆系统的实现方法。文中同时研究了采用积分器和静态神经网络组成动态神经网络结构的方法,并将这种神经网络结构与逆系统理论相结合,提出了神经网络α阶逆系统的结构及其实现步骤,运用该神经网络α阶逆系统对TCSC控制器进行了设计。实际系统的仿真结果证实了所设计控制策略的有效性。     

神经网络在线学习模糊自适应控制及其应用

基于反馈误差学习法,提出了一种神经网络在线学习模糊自适应控制结构。利用模糊推理机产生的分目标学习误差训练神经网络,避免了控制器的输出产生振荡或进入饱和状态。工程应用表明,该方法将模糊推理引入神经网络学习中,可有效地提高系统的控制品质。     

基于径向基神经网络和自适应神经模糊系统的电力短期负荷预测方法

针对实时电价对短期负荷的影响,建立了径向基（RBF）神经网络和自适应神经网络模糊系统（ANFIS）相结合的短期负荷预测模型.该模型利用RBF神经网络的非线性逼近能力对不考虑电价因素的预测日负荷进行了预测,并根据近期实时电价的变化,应用ANFIS系统对RBF神经网络的负荷预测结果进行修正,以使固定电价时代的预测方法在电价敏感环境下也能达到较好的预测精度,克服了神经网络在电力市场下进行负荷预测时存在的不足.某电网实际预测结果表明,该方法具有较好的预测效果.     

基于两层迭代聚类算法的RBFNN及在发电机诊断中的应用

首先分析了传统的基于K均值聚类算法径向基函数神经网络(RBFNN)的缺点,即需要人为确定隐含层神经元数量,并且不同的初始化方法有不同的聚类结果和学习误差。然后提出了一种新的RBFNN算法——两层迭代聚类算法,能根据样本的分布情况自动计算RBFNN隐含层神经元数量、中心向量和宽度。将实测的MJF-30-6型发电机正常运行、转子励磁绕组故障运行和定子绕组故障时定转子径向振动信号作为学习样本,运用文中所述算法与传统的RBFNN算法比较,结果表明,基于两层迭代聚类算法的RBFNN具有较小的学习误差。     

遗传禁忌混合算法及其在电网规划中的应用

电网规划是一个较难解决的NP难问题。文中首先就遗传算法、禁忌搜索算法(TS)及其两者的混合算法在旅行商问题(TSP)中的应用来比较它们之间的优缺点,认为采用了TS变异算子的改进遗传算法将大大提高其优化能力;然后通过该混合算法在典型电网扩展规划算例中的应用来看,认为该混合算法适用于求解复杂的电网规划问题;最后通过对该混合算法在求解实际的城市中压配电网络规划问题时与其他两种单一算法的结果比较来看,其搜索效率相比单一算法得到了很大程度的提高,体现了很好的应用前景。