基于BP网络的凝汽器故障隶属函数及模糊诊断方法

针对ＢＰ网络学习收敛速度慢和易陷入局部最小点的不足，提出了自适应学习率的ＢＰ网络算法，该算法从根本上解决了ＢＰ网络学习率的取值问题和收敛速度慢的问题，并有效地克服了ＢＰ网络易陷入局部最小点的问题，并将这种改进的ＢＰ网络算法应用于确定凝汽器故障的隶属函数及模糊诊断中。     

BP网络的改进算法及其在旋转机械故障诊断中的应用

针对ＢＰ网络用于高速旋转机械的故障诊断时学习收敛速度慢和易出现局部最小点的不足，采用自适应学习率和绝对误差等距离逼近方法，对其参数进行了研究。结果表明，这两种方法有效地提高了ＢＰ网络的收敛速度，并给出了自适应学习率、慢性因子、隐层单元数的合取值范围和推荐值。     

汽轮发电机组并发故障的诊断

经较成熟的ＢＰ神经网络为基础，论述了神经网络技术在旋转机械故障诊断中的应用问题，提出了用并行ＢＰ网络解决并发故障分类问题的方法，并采用自适应经和绝对误差等距离逼近法改善ＢＰ网络的学习性能，最后以振动频谱为特征，就汽轮发电机组机械中常见的２０种故障模式的分类和训练学习进行了仿真试验和分析。     

基于多网络协同推理的故障诊断策略

首先分析了ＢＰ网络用于故障诊断的优势和局限性，提出了解决这局限性的对策，选择了一种自组织社会网络模型与多个单一故障诊断的ＢＰ网络一定完成故障诊断推理，     

汽轮发电机组故障预测方法

提出了一种基于有序思想的ＲＭＬＰ网络汽轮发电机组故障的预测方法。通过比较，证明该法优于常规的ＢＰ算法，为预知汽轮发电机组的状态制定检修计划提供了一种可行的方法。     

BP网络在汽轮机调节系统参数估计中的应用研究

将ＢＰ网络应用于汽轮机调节系统的参数辨识，训练与测试结果表明，ＢＰ网络在系统参数评估时具有较高的可靠性和估计精度，误差在５％以内的置信度达９０％以上。     

热电厂热负荷预测的神经网络模型

提供了一种基于改进的ＢＰ网络－合成ＰＢ网络的热电厂热负荷预测模型,并对网络结构的构造方法及拟合精度进行了讨论,实际预测结果表明,基于合成了ＢＰ网络的预测模型能很好地实现对热电厂热负荷的预测。     

人工神经网络用于电厂故障诊断

该文介绍了自组织特征映射人工神经网络模型在电厂系统故障诊断中的应用。通过与常规的ＢＰ网络用于汽轮机故障诊断中的应用的比较，得出：自组织模型具有自学习功能，运算速度快，类型识别能力强的优点，应用前景广阔。     

风力机系统的神经网络模型辨识

应用人工神经网络的建模方法，采用多层感知器的模型结构，利用自适应学习速率的ＢＰ学习算法，辨识出风力机系统的功能模型，并把辨识模型的仿真结果与系统实验测量数据相对比，开展了与经典系统辨识方法的比较研究，以检验神经网络模型的可靠性。实验结果表明，这种新的风力机系统建模方法具有很高的精度。     

应用神经网络模糊控制器的发动机怠速控制

应用模糊控制理论设计了一个用于发动机怠速控制的模糊控制器,并用ＢＰ人工神经网络实现这种模糊控制器输入输出的映射关系,在神经网络训练中采用了先进、有效的变尺度学习算法。最后给出了控制仿真结果。     

基于PCA-GABP神经网络的发动机负荷特性预测

针对BP算法存在的不足,本文提出了一种PCA-GABP神经网络方法预测发动机负荷特性,该方法由主成分分析(PCA)和遗传神经网络(GABP)两部分构成,采用PCA技术减少网络输入变量、精简网络结构、提高学习效率;GABP算法采用局部改进遗传算法优化神经网络权值,并采用自适应学习速率动量梯度下降算法对神经网络进行训练。预测结果表明该方法在准确性和收敛性方面都优于BP算法。     

基于改进FFT-BP的电力谐波检测算法

传统的FFT-BP算法在处理多种谐波信号叠加而成的复杂信号时,存在弱信号为了"迎合"网络的整体误差最小值,会发生严重的偏移,并反过来影响强信号的检测精度;学习率和动量因子被设为定值,易导致运行时间过长或无法收敛至最小值;激励函数为定函数,无法检测间谐波信号等问题。对此,提出一种改进的FFT-BP算法,利用预处理得到的谐波参数信息,限制参数迭代的搜索区域,并将学习率、动量因子和激励函数一起参与网络的调节。仿真试验表明,与传统FFT-BP算法相比,该算法解决了小信号的偏移问题,可以处理谐波与间谐波叠加而成的复杂信号,且运算速度更快、检测精度更高。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

基于遗传算法的压气机性能曲线拟合方法研究

为了研究人工神经网络在压气机性能曲线拟合中的应用,分别利用BP神经网络、RBF神经网络、极限学习机以及BP-GA神经网络对某微型燃气轮机压气机的性能映射关系进行模拟,分析了不同网络模型在压气机特性曲线拟合上的优劣,以及样本容量对不同神经网络模型性能的影响。结果表明:BP-GA神经网络模型不仅收敛速度快,而且精度高;相比传统BP神经网络模型,其平均绝对百分比误差可控制在0.189%以内,训练时间可缩短至19.07 s;当样本容量较少时,传统BP神经网络模型不再适用,而基于遗传算法的BP-GA模型仍然保持较高的精度。     

基于DPBIL-SVM混合模型的电力现货市场出清价预测研究

为准确预测现货市场出清价,利用改进的基于种群增量学习的进化算法(DPBIL)对SVM参数进行优化,构建了基于DPBIL-SVM的混合预测模型,将该模型应用于挪威电力市场短期电价预测中,并与灰色GM(1,1)模型和BP人工神经网络模型进行比较。结果表明,所提模型能够将现货市场出清价预测误差控制在5%以下,合格率97%,效果优于灰色GM(1,1)模型和BP人工神经网络模型,符合现货市场实际报价的要求。     

基于遗传算法的BP神经网络在水利定额编制中的应用

针对BP神经网络易陷入局部最优和遗传算法全局搜索速度过慢的缺点及水利定额编制中存在非线性和复杂性的实际状况,提出采用遗传算法(GA)优化BP神经网络在水利定额编制中的问题。实例分析表明,优化后模型(GA-BP神经网络)结合了BP神经网络的非线性逼近、局部寻优能力和遗传算法的全局搜索特性,在稳定性、预测精度、收敛速度上均优于BP神经网络,可运用于水利定额编制。     

神经网络自学习PID控制器的研究

从兼顾人工神经网络控制系统自学习能力和实时性角度出发，通过构建新的人工神经网络自学习PID控制器的结构，控制系统的样本拾取，更新与优化均采用在线学习方式，使控制系统具有较强的自学习能力。在分析了目前广为应用的多层前向神经网络误差反向传播算法(BP)的局限性及原因的基础上，提高了改进的BP算法-自适应动量项BP算法。从而提高了神经网络的收敛速度和收敛精度，并通过实例验证了自学习PID控制器的可行性及改进算法的合理性。图6参4     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.