上网电价预测中运用修正神经元输出函数对BP模型动态修正的探索

阐述了人工神经网络模型的基本原理,研究分析了BP神经网络模型非线性特性差和对实际情况反应"迟钝"等缺陷,提出了通过修正神经元输出函数对BP神经网络模型进行动态修正的优化方案,从而提高了BP神经网络模型的收敛速度.在此基础上,将修正后的BP神经网络模型引入到上网电价的预测中.模拟运行结果表明,修正后的BP神经网络模型可以更好地适应发电厂报价的复杂环境.     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

粒子群优化BP神经网络在短期负荷预测误差修正模型中的应用研究

短期负荷预测是电力系统安全稳定运行的前提与保证。误差修正模型是在考虑相关因素相似度识别的预测方法基础上,利用BP神经网络优秀的学习能力捕获相关因素与历史预测误差的非线性映射。针对BP网络存在的自身缺陷,采用改进粒子群算法优化BP网络参数,得到可靠的误差预测,建立误差修正模型对未来负荷进行修正预测。通过算例验证了其可行性和实用性,达到了提高短期负荷预测准确度的目的。     

消除外部环境因素干扰的MOA在线监测参数修正方法

针对电力系统中金属氧化物避雷器(MOA)的在线监测参数遭受外部环境干扰的问题,提出了一种消除外部环境因素干扰的MOA参数修正方法。首先对全相位快速傅里叶变换(FFT)法计算的相位值进行修正,以获取高精度的相位参数;再利用基于Levenberg-Marquardt算法的BP神经网络对MOA参数与温度、湿度进行三维曲面建模,并通过BP神经网络来逼近非线性模型;最后对MOA参数进行了修正。仿真试验结果显示:修正后的全相位FFT方法保留了相位平坦的特性,且避免了实际工程测量中相位偏移的问题,修正基波和3次谐波的相位偏差值达7.2°和21.6°;采用工程实测数据计算的全电流、相位差及阻性电流波动值分别降低了78.7%、68.0%和71.7%,使MOA参数具有平稳性,避免了环境干扰引起的参数波动,验证了所提修正方法的准确性和有效性。该方法可消除实际环境因素的干扰,实现工程上MOA参数的准确监测。     

基于神经网络响应面的有载分接开关底座动力学模型修正

为提高模型修正的精度和效率,发展了一种基于神经网络响应面的动力学模型修正方法,将该方法用于有载分接开关底座有限元简化模型的修正。首先,根据底座简化模型的误差来源确定待修正参数及其设计空间,采用均匀设计生成神经网络响应面模型的训练样本;然后,通过对样本数据的训练构造修正参数与动力学响应关系的神经网络响应面模型;最后,基于神经网络响应面模型,采用线性组合的多目标优化方法对底座简化模型进行修正,并将修正结果与超模型仿真数据进行对比。研究表明,基于神经网络响应面模型修正的底座简化模型的动力学特性与超模型结果基本一致,验证了该方法的有效性。     

基于气象因子与误差修正的改进卷积神经网络短期风速预测模型

针对目前神经网络短期预测风速收敛困难以及精度不高的问题,提出一种基于气象因子与误差修正的多尺度卷积神经网络(ME-MCNN)短期风速预测模型。选用我国北部某地区历史风速、日照、温度、湿度和气体压强作为预测模型输入变量进行仿真。结果表明,ME-MCNN模型较BP神经网络与传统卷积神经网络模型具有更高的预测精度。     

基于卡尔曼滤波的短期负荷多步预测修正模型研究

提出了一种短期负荷多步预测的修正方法。首先采用BP神经网络法建立短期负荷的分时多步预测模型,对于每一个初始预测值,采用卡尔曼滤波模型进行修正,以减少模型的累积误差,提高多步预测的效果。算例结果证明了所提方法不仅能够提高单步预测的预测效果,而且能够有效降低多步预测的误差,对于实现连续日短期负荷预测具有现实意义。     

基于R/S分析法的电价预测模型

在自由竞争的电力市场中,准确的电价预测对于电力市场所有参与者具有重要意义。针对电价突变性的特征给电价预测结果带来误差的问题,本文提出了一种基于R/S分析法的BP神经网络电价预测模型。运用R/S分析法对电价序列之间的关联性和相似性进行修正,并采用BP神经网络模型对电价进行预测。通过实验,验证了用R/S分析法修正后的数据进行电价预测模型具有更高的精确性。     

用相似性原理及人工神经网络预测电价

提出了用相似性原理和BP神经网络来预测日前市场出清电价的新方法,该法尤其适用于只能获得有限原始数据的情况。运用相似性原理对人工神经网络的训练模型进行选择,使其有与预测日相似的负荷特征。用选择出的相似训练模式对选定的BP神经网络进行训练,通过BP神经网络的反向传播过程不断修正模型中的神经元连接权值和阀值,实现对未来24 h市场出清电价的有效预测。对周末和节假日采用了峰值处理步骤后,此方法更加完整。最后以美国宾西法尼亚州、新泽西州和马里兰州公布的2002年数据进行了模型训练和预测,结果表明该方法所建立的预测模型具有较高的预测精度。     

基于BP神经网络实现印刷图像压缩重建的研究大标题

针对印刷图像压缩重建问题,构建BP神经网络模型,采用LM算法提高了运算速度。在印刷图像压缩重建训练过程中,对隐含层神经元个数设定进行了类比分析,峰值信噪比和压缩比率均达到预期效果。对印刷图像压缩重建后出现块效应效果进行了分析,提出了修正模型方法。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

BP神经网络在油浸式变压器过热性故障诊断中的应用

针对充油变压器绝缘故障诊断的三比值法的局限性,建立以变压器油中溶解气体含量为样本数据,对不同的隐含层数目进行仿真分析,通过比较确定了适用于变压器绝缘故障诊断的BP神经网络模型。研究表明,这种方法提高了神经网络的收敛速度,符合电力变压器故障诊断系统的实际情况,准确率高。     

基于GA-BP神经网络的反窃电系统研究与应用

为改善电力行业日益严重的窃电现状,对用户窃电嫌疑因子进行分析,提出了一种基于改进的遗传优化神经网络的评估模型.传统的BP神经网络算法存在一定的局限性,学习过程收敛速度慢,容错能力差,学习过程容易陷入局部极小值.针对BP神经网络存在的缺陷,利用遗传算法进行性能优化,有效地避免了陷入局部最优的问题.通过实例分析表明,提出的改进模型对窃电嫌疑因子的判断准确率达到88％以上,证明文中建立的评估模型针对窃电问题提供了一种切实可行的方案.     

基于差分进化算法与BP神经网络的变压器故障诊断

针对BP神经网络在识别变压器故障时容易陷入局部最优、诊断精度低、收敛速度慢等缺点,提出一种自适应差分进化算法与BP神经网络相结合的变压器故障诊断方法。该方法采用差分进化算法优化BP神经网络初始权值和阈值,将优化结果赋值BP神经网络进行网络训练,最终得到用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法比传统BP神经网络具有更高的诊断精度和更快的收敛速度,是一种更适合变压器故障诊断的高效方法。     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

BP网络用于声波法炉内切圆流场监测系统的模拟研究

利用声波法监测炉内切圆流场,传统的处理数据方法是优化求解法。但是,如果把这种优化求解法用于声波法监测炉内切圆流场的在线应用,就存在速度慢的缺陷。文章利用BP神经网络对数据映射速度快的优势,对优化求解法进行改进。首先,以一台模型锅炉为研究对象,确定BP神经网络模型结构。然后,对该网络模型进行训练与仿真研究,结果表明,BP网络可以快速、准确和稳定地映射炉膛四角切圆流场特性,把BP神经网络应用于声波法监测炉膛切圆流场的在线监测具有可行性。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于灰色BP神经网络的实验材料供应预测

针对单一BP神经网络对实验器材需求量预测准确度偏低的情况,提出了一种将灰关联分析与BP神经网络相结合的实验材料需求预测模型。先用灰关联分析法计算出影响需求量的各因子之间的关联度,然后选择关联度较大的3个优势因子作为BP神经网络的训练样本,建立了3层BP网络预测模型。以某实验材料的实际需求量为实例进行算法检验,对比分析了灰色BP网络模型和单一BP网络模型的预测准确性。实验结果表明：灰色BP网络模型将原有6 10 1的BP网络结构简化为3 6 1结构,灰色BP网络模型预测的最大相对误差仅为-1.36%,而单一BP网络模型的预测最大相对误差为-4.18%,灰色BP模型比单一BP模型的预测精度更高,结构更简单。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。