利用反向传播神经网络研究变压器油多关联参数

介绍用反向传播（back propagation,BP）神经网络对变压器油的重要参数——击穿电压建立预测模型,实现对变压器油性能监测的方法,阐述了网络层数、神经元个数、训练函数的设计过程,样本训练的实验结果证明该网络模型具有较好的预测能力;同时,基于BP神经网络的建模方法建立包括变压器油击穿电压、闪点、酸值、总烃、水分等参数之间关联的BP网络预测模型,将2种模型进行比较发现,网络预测模型的预测结果与实际结果的相对误差较小,从而证明该预测模型具有一定的实际意义。     

反向传播算法运用于电力系统神经网络的分析研究

着重研究了神经网络模型中的反向传播算法即BP算法，并对电力系统中两个 一次结线特殊的厂站的检修批答神经网络建立了BP模型，分析了BP算法中 初始权值、学习因子、冲量因子、隐含层数和隐含层节点数对该神经网络学习 过程的影响，实验结果证明，适当地选择初始权值、学习因子、隐含层节点数 等可以大大提高神经网络的学习速度,减少迭代时间，满足电力系统神经网络在线 学习的要求。     

基于反向传播神经网络的发电机进相能力建模研究

提出一种基于反向传播神经网络（back propagation neural network,BPNN）的发电机进相能力建模新方法。该BPNN含2个隐层和1个输出层,以发电机有功和无功功率为输入,以发电机功角、电网电压为输出。以典型工况下的发电机进相运行试验结果作为训练样本和测试样本,建立了某600Mw发电机进相能力B...     

大坝安全性态的定性评判

本文阐述了大坝安全性态定性评判的原理,结合工程实例作了应用,指出定性评判是监控大坝安全的有效方法之一。     

基于模糊神经网络的锅炉燃烧稳定性综合评判模型

建立了基于模糊神经网络的多级模糊评判模型,在这种数学模型基础上提出了神经网络分级学习BP算法,解决了多级模糊评判中多层次权值学习困难的问题,也更符合多级综合评判的物理意义,使训练速度和评判的准确性大大提高。基于此模型建立了锅炉燃烧稳定性评判系统,取得了令人满意的效果。     

基于遗传算法优化反向传播神经网络的锅炉NOx排放研究及应用

为了降低NO_x排放浓度,提高机组运行效率,建立了锅炉燃烧系统遗传算法一反向传播模型,并利用该模型通过反向传播神经网络对锅炉燃烧系统中NO_x排放浓度进行建模,利用遗传算法对限定范围内的对象输入进行参数全局寻优。以内蒙古某330 MW超临界机组为研究对象,利用该模型对运行参数进行实时优化,结果表明该模型能够有效降低NO_x排放浓度,具有一定的推广价值。     

适用于海量负荷数据分类的高性能反向传播神经网络算法

负荷分类对于指导电网发用电规划与保证电网可靠运行具有重要意义。面向负荷数据海量化与复杂化趋势,传统负荷分类方法已无法满足用电大数据分析要求。首先,针对用户侧数据体量大、类型多、速度快等特点,在Spark平台上将反向传播神经网络(BPNN)算法并行化,实现对海量负荷数据的高效分类。然后,通过对训练样本抽样分块以降低各网络学习时间,针对分布式后BPNN基分类器由于学习样本缺失潜在的准确度下降问题,采用集成学习予以改善。并通过BPNN学习不同训练样本块构建差异化基分类器,对基分类结果多数投票得到最终分类结果。另外,提供了一种基于K-means和K-medoids聚类的负荷数据训练样本选取方法。算例表明所提方法既能对负荷曲线有效分类,又能大幅提高海量数据的处理效率。     

基于反向传播神经网络的容载比与增量配电网点线面多层次评估体系研究

电力规划主体是混合了当前存量电力系统的体量上进行的增量规划。在电力系统向数字化转型阶段,规划设计不仅仅只考虑传统意义上用电模式的安全性和高可靠性,电能的“产—供—销—用”需要更加精准利用,智慧园区增量配电网的顶层设计对于整个电力系统来说是一个样本需求。文中提出反向神经网络算法的增量配电网配变容载比修正优化分析,基于增量配最大化电网需要投资效益,规划配电变压器的容载比等重要经济指标,提出配电网点线面多层次评估体系,通过选择合适容载比精准用电,减少用户电力投入资金。并以某能化工智慧园区的增量配电网规划为实例,从该园区的负荷、电源等进行计算,重点对配变容载比进行了优化选取,并构建园区经济性综合能源系统平台,从数字信息化来决策经济性的调度和控制,促进工业智慧园区的科学用能发展,提高能源系统的综合效益。     

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。     

自组织映射神经网络用于动态电压稳定分析的新方法

介绍了一种利用人工神经网络(ANN)进行动态电压稳定分析的新方法。这种多层自组织网络(SHNN)综合利用了自组织映射网络(文中使用Kohonen网络)和多层感知机网络（MLP）。Kohonen网络把输入样本按运行条件的相似性进行聚类,从而使MLP网络的性能得到提高。使用2个SHNN模型,一个用于判定电力系统是否处于动态稳定,另一个预测动态稳定系统的PQ节点的电压幅值。通过动态模拟得到训练样本。最后对WSCC 9节点系统和New England 39节点系统进行数字仿真,证明了该方法的有效性。     

复合神经网络在电力系统暂态稳定评估中的应用

提出了一种基于复合人工神经网络的电力系统暂态稳定评估方法。该复合网络由Kohonen网络与若干径向基(RBF)网络组成。它结合了两种网络的优点,因此提高了稳定评估能力。分别采用Kohonen网络、径向基网络以及该复合网络对华中电网的仿真结果证实了该方法的优越性。     

龙羊峡水电站大坝安全监测系统改造设计方案

介绍了龙羊峡水电站大坝安全监测项目的设置、监测系统改造的思路及 过程、自动化监测系统的结构和功能特点等。该改造设计方案已于2000年初通过专家审查， 2001年开始实施改造。     

结合进化算法的人工神经网络在变压器故障诊断中的应用

人工神经网络在变压器故障诊断中有广泛的应用。常用的BP算法具有易陷入局部极小、收敛速度慢等缺点 ,给故障诊断带来不便。为此提出利用进化算法优化人工神经网络结构的初值 ,利用可靠性分析技术对输入数据进行处理 ,从而有助于较快获得最佳的权值矩阵 ,实现变压器故障诊断。     

BP神经网络对煤着火特性的预测

采用BP神经网络,以大量的煤质分析数据和热天平试验数据为基础,分3种情况建立了煤质工业分析、发热量与着火特性（着火温度、着火稳定性指标）关系的BP神经网络模型.结果表明,用BP神经网络可以达到很高的预测精度,同时还可以比较输入和输出的相关性.所得预测结果既可为燃煤采购提供依据,又可为锅炉运行提供参考.     

基于神经网络的电力系统短期负荷预测研究

电力系统负荷预测是电力生产部门的重要工作之一，作者利用BP神经网络进行电力系统短期负荷预测，在保证有足够的训练样本的前提下，对预测模型进行合理分类，构造了相应于不同季节的周预测，日预测模型，并对输入变量的选择，特别是温度的选取问题，进行了讨论，在神经网络训练的过程中，往往会出现过拟合的现象，给预测的结果带来不利的影响，为此在训练过程中，将样本随机地分离为训练集和测试集来防止这个问题，典型算例的计算表明，该方法是有效的。     

基于改进BP神经网络的火电厂实时数据预测模型研究

提出了一种基于改进BP神经网络的火电厂实时数据预测模型,即在标准BP算法中引入动量因子和自适应学习速率,以减少收敛振荡过程,加快学习速度。选用某电厂300MW机组主给水流量实时数据进行网络训练学习和校核,分析了输入和隐含层节点数、学习样本数和动量因子对模型预测精度的影响。实例分析表明,该模型有较好容错性,能满足火电机组性能分析的要求。     

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。     

一种基于神经网络的高压输电线故障分类器

故障分类器是输电线路保护中的基本模块。文中以一个实际500 kV输电网络为模型,提出了基于BP前馈网络 和Kohonen自组织特征映射网络的高压输电线路故障分类方法,并进行了仿真研究。结果表明：这种方法快 速、可靠,对输入信号容错性强,尤其在高阻接地故障时具有较好的分类性能,可以用于支持高速保护装 置。