基于免疫原理的径向基函数网络在线学习算法及其在热工过程大范围工况建模中的应用

针对现有径向基函数(RBF)神经网络训练算法在非线性动态系统大范围辨识中的不足,借鉴免疫原理,提出了一种新颖的RBF神经网络在线学习算法,通过分析RBF神经网络学习过程和免疫系统的相似性,采用免疫记忆、克隆选择、扩增和细胞凋亡机制在线动态调节网络隐层节点,并确定相应的数据中心和宽度,从而使网络具有在线学习和记忆新样本的功能,并将该网络应用于某300MW火电机组主汽压的多工况辨识.实验结果表明该算法不仅能精简网络的结构,而且能很好地适应对象的时变特性.     

基于神经网络的双馈风电机组转速PID控制仿真

为了提高双馈风电机组的转速控制性能,采用了基于BP神经网络的PID控制方案和基于RBF神经网络辨识的PID控制方案,在推导出双馈风电机组暂态电势恒定情况下随风速变化的二阶转速调节模型基础上,分别编制仿真程序,对风电机组转速控制进行了跟踪仿真分析.针对上述两种方案的缺陷,提出了基于RBF网络辨识的单神经元网络PID控制和基于RBF网络辨识的BP神经网络PID控制两种改进控制方案,达到了优化风电机组转速控制性能的目的.     

基于神经网络的双馈风电机组转速PID控制仿真

为了提高双馈风电机组的转速控制性能,采用了基于BP神经网络的PID控制方案和基于RBF神经网络辨识的PID控制方案,在推导出双馈风电机组暂态电势恒定情况下随风速变化的二阶转速调节模型基础上,分别编制仿真程序,对风电机组转速控制进行了跟踪仿真分析。针对上述两种方案的缺陷,提出了基于RBF网络辨识的单神经元网络PID控制和基于RBF网络辨识的BP神经网络PID控制两种改进控制方案,达到了优化风电机组转速控制性能的目的。     

基于工况辨识的重型燃气轮机性能评价方法研究

针对重型燃气轮机缺乏有效综合性能评价方法的问题,提出了一种基于工况辨识的重型燃气轮机性能评价方法。根据重型燃气轮机效率的影响因素确定了机组性能综合评价特征参数;选取机组多工况运行历史数据进行稳态筛选,并对筛选出的稳态运行数据进行基于多步K-均值聚类的工况辨识,实现机组稳态运行空间的工况划分;采用多元高斯混合模型确定各个工况下性能评价特征参数的基准值和阈值;最后建立基于熵权法的机组性能评价模型,实现了机组的综合性能评价。实例证明了所提方法的可行有效性。     

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。     

基于Matlab人机界面的无刷直流电机自适应控制

提出了基于改进的RBF神经网络的无刷直流电机自适应控制新方法.该方法首先利用由Matlab中的RBF神经网络函数设计出的人机界面平台对无刷直流电机进行离线辨识,确定RBF神经网络的网络结构及初始权值;再采用RBF神经网络在线算法在线辨识无刷直流电机模型,获得PID参数在线调整信息,并由单神经元PID控制器参数的在线自整定,实现系统的智能控制.由于该算法具有自适应确定网络结构和无需人为确定网络初始权值的优点,因此减少了网络训练的随机性,提高了训练精度.实验结果表明,该控制方法具有较高的鲁棒性和控制精度.     

径向基函数神经网络在电力变压器故障诊断中的应用

基于油中溶解气体分析法,采用径向基函数（radicalbasisfunction,RBF）神经网络模型对电力变压器进行故障诊断。为了提高诊断模型的辨识精度,分两步对RBF神经网络的模型参数进行辨识：首先采用减聚类算法确定RBF神经网络隐含层基函数的中心点,然后采用量子粒子群优化（quantum-behavedparticleswarmopti-mization,QPs0）算法求解基函数的宽度以及隐含层与输出层的连接权重。仿真实验结果表明,该方法的故障诊断正确率较高,达90．67％。     

基于RBF网络的高压开关设备状态评估技术在智能GIS上的应用

针对高压开关设备运行过程中常见的故障类型,提出了基于RBF(径向基函数)的高压开关设备可靠性评估模型,以自主研发的126 kV智能GIS样机为对象对该可靠性评估模型进行探索和研究。试验结果表明,相对于BP网络,RBF网络具有良好的学习和分类能力,训练速度快,误差率低,在开关状态评估中有很好的实用性和应用前景。     

回溯搜索算法改进RBF算法的锂离子电池SOC估算研究

随着电动汽车的发展和应用,动力电池SOC估算的意义越来越重要,为了提高SOC估算的精度,本文在标准RBF网络模型的基础上提出了利用回溯搜索算法改进RBF神经网络模型。通过对锂电池模型中的目标函数进行优化求解,利用寻找最佳的目标权值和阈值提高RBF网络模型的SOC估算精度。最后搭建了实验仿真平台,对改进前后的算法SOC估算进行了仿真对比分析,实验结果证明了改进后RBF网络比标准RBF网络算法SOC估算精度更高,并把估算误差降低到2%以内,对锂离子电池有较好的估算精度,具有一定的理论研究意义。     

基于RBF在线辨识的PID整定

针对非线性系统,提出一种新型的径向基函数(RBF)辨识网络的控制算法,根据RBF网络在线辨识被控对象的离散模型,得到被控对象Jacobian信息,利用BP网络在线自适应整定PID参数.通过RBF网络对系统在线辨识,克服不确定性对系统性能的不利影响,从而解决传统PID控制鲁棒性差及受精确数学模型限制的问题.通过实际算例验证,并与常规PID控制作对比,仿真结果表明,该控制算法有较强的自适应性和鲁棒性,其抗干扰和适应参数变化的能力都优于常规PID控制.     

IAFSA-RBF神经网络在短期负荷预测中的应用

为了提高人工鱼群算法AFSA(artificial fish swarm algorithm)的全局搜索能力及加快其收敛速度,提出一种将其与免疫算法IA(immune algorithm)进行结合的新方法,形成了免疫人工鱼群算法IAFSA(immune artificial fish swarm algorithm),...     

基于TOGAF的输电设备状态监测系统架构研究

以解决输电设备状态监测系统集成问题为目标,提出了一种基于TOGAF的输电设备状态监测系统架构,系统架构包含业务、数据、应用与技术4个部分。在数据架构设计中详细分析了各类数据源,设计了基于CIM的输电线路资产与量测模型,并把IEC61850模型扩展到输电线路领域;设计出了通用性强的输电线路状态监测应用架构与技术架构。解决了输电设备状态监测建设过程中的模型、接口等企业关键问题,有较好的实用价值。     

潜油电泵机组及井下传感器状态监测技术研究

建立了基于电力线载波通信的井下多参数状态监测系统结构,提了基于RBF网络时序预测的传感器状态监测方法,引入最近邻聚类算法的思想,提出了一种K-均值聚类算法初始中心选取方法.该方法能够根据样本序列的变化,自动调整初始聚类中心半径的大小,保证精确度的同时可提高计算速度,提出了一种根据故障传感器输出特性参数的变化对井下传感器故障类型进行分类的新方法,对提出的状态监测系统及传感器监测方法及技术的有效性进行了实验研究.实验结果验证了所提出方法的有效性.     

基于 OOB-GWO-SVR 的风电机组齿轮箱故障预警

针对风电机组齿轮箱超温出现的故障问题,提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。 首先,通过随机森林袋外估计确定特征变量,并采用滑动平滑滤波对输入变量进行滤波处理。 其次,构建灰狼算法优化支持向 量回归模型,根据最优模型输出的偏差值确定状态识别指标。 最后,通过时移滑动窗口设置阈值范围,当状态识别指标超出阈 值范围之外时立即报警。 实验结果表明,该模型能提前 87 min 对风电机组齿轮箱温度异常发出故障预警,并且预警效果优于 距离相关系数-GWO-SVR 模型、Pearson-GWO-SVR 模型和 OOB-SVR 模型。     

电力系统在线小干扰主导特征模式识别及强相关机组选择方法

首先介绍了电力系统在线小干扰计算方法的起源和发展、小干扰分析常用的发电机数学模型和特征值分析方法。在此基础上,依据特征根和阻尼比等信息,提出了小干扰分析的主导振荡模式的识别步骤,以及主导特征模式强相关机组的选择算法,给出了算法的终止条件;深入分析了振荡模式的相位特性,并利用其对强相关机组进行分群研究;提出了相关因子分群系数的概念及其含义。最后利用2个算例对所提方法进行了验证。     

含有分布式电源的广义负荷建模

随着智能电网技术的发展,配网侧将接入大量风机,传统负荷模型不能很好地描述负荷特性。以含有风电的广义负荷建模为目的,提出了含有风电的广义负荷模型结构,只需在综合负荷模型（synthetic load model,SLM）的虚拟母线上增加1台异步发电机。提出了参数辨识策略：先通过统计综合法得到聚合模型参数,然后采用总体测辨...     

定子水内冷方式发电机热故障在线监测方法

建立了定子水内冷方式发电机定子绕组的动态温度水力模型,通过推导与计算,得到描述定子绕组动态温度水力模型的解析表达式。用径向基函数(RBF)神经网络对模型参数进行辨识,求取了单调连续2个负荷之间定子线棒温度的过渡时间,以此作为监测发电机运行状况的判据。通过对某电厂一台600MW汽轮发电机进行计算,证明了该方法的正确性。用这种方法进行热故障在线监测最大的优点是不受定子线棒温度延迟时间的影响,具有较大的实用价值。     

基于改进型RBF神经网络的VSG转动惯量自适应控制

与传统同步发电机相比,虚拟同步发电机(VSG)具有参数灵活可调的优势,特别是虚拟惯量和虚拟阻尼能够对VSG稳定性产生显著影响.RBF神经网络对于连续非线性函数具有很好的逼近效果,且算法简单,学习能力强大,学习速度快,能够满足实时控制的需求.文中基于控制对象的特性,对RBF神经网络进行改进,并设计出一种全新的自适应控制策...     

基于深度学习的电容器介损角在线辨识

当前电容器介质损耗因素的计算方法为正向求解过程,即先对电容器工作电流和电压进行采样,再使用谐波分析等方法计算介损值,实践中算法稳定性不佳。为此提出了一种基于深度学习的电容器介损角辨识方法,采用一段时间的监测值训练深度学习网络,再使用该深度学习网络对新采样的信号进行辨识,判断介损角变化量(分辨率为0.001%)。给出了用于深度学习的介损角表示信号Dδ(t)的计算过程,证明了在讨论域内该信号的幅值即是介损角δ,且其波形形状包含监测装置受到的干扰。仿真实验证明该方法有效,比加汉宁窗的谐波分析法具有更好的抗噪能力。实际在线监测样本的计算结果表明其稳定性优于加汉宁窗的谐波分析法,且辨识结果不受电压互感器角差的影响。