变电站噪声预测和仿真分析

随着社会的发展,变电站噪声越来越受到人们的关注,因此有必要对变电站噪声进行研究。首先利用声级计对重庆和尚山110 kV变电站的噪声进行测量,并利用灰色GM(1,1)方法对变电站噪声进行预测,可以得到每月噪声的变化情况;然后利用径向基函数(radical basis function, RBF)神经网络对不同温度、距离的噪声进行预测。最后利用RBF神经网络对不同温度和变压器运行负荷时的噪声进行计算,为新建变电站的设计提供参考。     

超高压输电线可听噪声预测方法研究

为了研究输电线的可听噪声,本文建立了灰色理论、径向基函数(RBF)神经网络、灰色RBF神经网络和小波神经网络四种预测模型,并分析了每种方法的特点。每种预测模型都考虑了影响输电线路可听噪声的环境、地理位置、导线、线路结构参数等14个因素。结合实例,利用各种方法对输电线可听噪声进行了预测。利用灰色理论进行预测时,首先通过灰色关联分析计算了每个因素的关联度,然后选择灰关联度大于0.8404的6个因素建立了GM(1,7)预测模型。通过计算分析,灰色预测的结果最差,嵌入型灰色RBF神经网络和小波神经网络的预测精度较高,其平均相对误差分别为2.222%和2.853%,因此它们可以用来预测输电线的可听噪声。组合预测方法的预测精度比单一预测方法的精度好,并且组合的方法可以提高预测的稳定性。     

基于RBF神经网络与模糊控制的短期负荷预测

针对电力系统短期负荷预测,综合考虑温度、日期类型和天气等因素对短期电力负荷的影响,建立了径向基函数（Radial?Basis?Function,RBF）神经网络和模糊控制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预测日负荷进行了预测,并采用在线自调整因子的模糊控制对预测误差进行在线智能修正。实际算例表明RBF神经网络与模糊控制相结合提高了预测精度。     

火电厂实时监控系统测量数据预测的研究进展

分类介绍近年来国内外各种数据预测方法,重点论述各种人工神经元网络的数据预测应用情况,包括BP神经网络、Fuzzy神经网络、径向基神经网络(RBF)、自联想神经网络(AANN)、基于神经网络的偏最小二乘法(NNPLS)以及组合预测方法。针对火电厂测量数据的特点及实时监控系统的要求,可以考虑将NNPLS法运用在实时数据预测方面,利用其应用简单、收敛迅速、估计值对噪声和坏点敏感度低等优点提高预测的效率和精度。     

基于PCA和RBF神经网络的中长期负荷预测方法

针对电力系统负荷预测问题,利用径向基函数(RBF)神经网络补全历史负荷数据,然后在主成分分析(Principal Component Analysis,PCA)和RBF神经网络原理的基础上,结合PCA和RBF神经网络方法进行负荷预测。实例表明该方法能有效降低输入变量的维数,且具有较高的精度。     

基于多标签RBF神经网络的电能质量复合扰动分类方法

在径向基(RBF)神经网络和C-均值聚类算法的基础上,提出一种适用于电能质量复合扰动分类的多标签排位分类算法—多标签径向基函数法(ML-RBF)。首先,对常见的电能质量扰动及其组合而成的复合扰动进行离散小波分解,提取各层分解系数的规范能量熵作为特征向量;然后采用C-均值聚类算法将所得的特征向量映射为RBF神经网络的输入;最后通过RBF神经网络对该电能质量复合扰动类型进行预测。仿真实验结果表明,在不同的噪声条件下,ML-RBF可以有效分类识别电能质量复合扰动。     

基于复合神经网络的电力系统暂态稳定评估和裕度预测

提出一种基于复合神经网络的暂态稳定评估与故障临界切除时间(CCT)裕度预测新方法,它将概率神经网络(PNN)和径向基函数(RBF)网络组合使用,充分利用两者各自的优点,以提高暂态稳定评估能力和CCT裕度预测能力。该方法首先利用PNN进行暂态事故场景分类,分类时充分考虑了相邻故障样本类型重叠的影响;进一步采用RBF网络对分类结果进行裕度预测;最后,通过自检和校正以提高预测精度。利用New England 39节点系统,通过与反向传播(BP)神经网络、RBF神经网络等方法的比较,证明了本文方法的优越性。     

基于RBF神经网络的短期电力负荷预测

深入研究了温度、湿度以及风速等气象条件对电力负荷的影响,建立了基于径向基函数（RBF）神经网络进行短期负荷预测的模型。以广东省某地区月负荷数据作为原始数据,利用RBF神经网络的非线性逼近能力预测出日负荷曲线,并用实测数据对其进行了检验,同时与同等条件下建立的BP神经网络模型预测的结果进行了综合对比。结果表明,基于RBF神经网络模型预测的误差比BP神经网络模型预测的误差要小,其预测精度可以为供电企业对负荷进行合理的规划和准确的调度提供依据,具有一定的工程指导意义。     

基于RBF神经网络和BP神经网络的燃煤锅炉NO_x排放预测

基于某超超临界660 MW机组燃煤锅炉现场热态实验数据,利用MATLAB智能工具箱,分别采用径向基(RBF)神经网络和BP神经网络对该锅炉NOx排放特性进行建模,采用交替梯度算法对RBF神经网络预测模型进行输出层权值及RBF函数的中心与标准偏差值优化,对BP神经网络采用动量法进行改进。2种模型的仿真和预测结果对比分析表明:参数优化后的RBF神经网络预测模型预测结果的最大误差为3.0%,平均误差为1.75%;改进后的BP神经网络预测模型预测结果最大误差为6.6%,平均误差为4.5%;2种建模方法均具有较好的准确性和泛化能力,其中RBF神经网络模型的计算速度快,拟合和泛化能力更强。     

基于主成分分析的径向基函数神经网络在电力系统负荷预测中的应用

径向基函数(RBF)神经网络应用于电力系统负荷预测时,如果输入空间严重自相关及网络维数较高时,RBF神经网络的预测精度会下降.针对这一问题,文中提出了一种应用于电力负荷预测的改进RBF神经网络新方法.具体是利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效地解决了预测精度下降的问题.最后通过某省的实际算例验证了该方法的有效性.     

基于神经网络的锅炉过热器和再热器管壁温度预测研究

提出了采用BP神经网络和RBF神经网络对锅炉过热器和再热器壁温进行预测的方法,经过网络训练和测试,使预测的管壁温度有一定的准确度。RBF神经网络较BP神经网络误差更小,更稳定,更适合于预测锅炉过热器和再热器的管壁温度。     

自适应变系数粒子群和径向基神经网络在短期电价预测中的应用(英文)

分析了传统的粒子群优化(particle swarm optimization,PSO)算法和径向基(radial basis function,RBF)神经网络的优缺点,提出一种自适应变系数粒子群优化算法(adaptive variable coefficients particle swarm optimizer,AVCPSO)。该算法与RBF神经网络结合形成自适应变系数粒子群-径向基(AVCPSO-RBF)神经网络混合优化算法。基于此优化算法,建立了短期电价预测模型,并利用贵州电网历史数据进行短期电价预测。仿真计算结果表明,AVCPSO-RBF混合优化算法在短期电价预测中优于传统RBF神经网络法和PSO-RBF神经网络方法,克服了上述2种方法的缺点,改善了RBF神经网络的泛化能力,具有输出稳定性好、预测精度高、收敛速度快等特点,使用该方法得到的各日预测电价的平均百分比误差可控制在2%以内,平均绝对误差最大值为1.652RMB/MW·h。     

基于RBF神经网络的双碱法脱硫塔SO_2排放量预测方法

采用传统公式估算脱硫塔出口SO_2排放量的方法难以推广,现场实测又耗时耗财,对此,本文提出一种基于RBF神经网络的脱硫塔出口SO_2排放量预测方法,并以传统F-R修正的变梯度BP神经网络和以LM算法优化的BP神经网络(LM-BP神经网络)为对照模型,对双碱法脱硫塔在线监测数据进行预测。结果发现:RBF神经网络最大偏差和平均偏差均为0,优于变梯度BP神经网络和LM-BP神经网络。基于此,采用RBF神经网络作为预测模型,以平均烟气温度为101℃、平均脱硫塔清液pH=8.40、平均进塔清液流量与烟气流量之比(液气比)1.130 0 L/m3为输入参数,连续改变其中某一输入参数,分别预测其他参数对脱硫塔出口SO_2质量浓度折算值的影响。结果表明:脱硫塔出口SO_2质量浓度折算值随进口烟气温度升高而增大,在烟气温度高于110℃后出现波动;当烟气温度为101℃、液气比为1.130 0 L/m3时,最优脱硫塔清液pH为8.60;当温度为101℃、pH=8.40时,脱硫塔出口SO_2质量浓度折算值随液气比增大而减小。因此,基于RBF神经网络的脱硫塔出口SO_2排放量预测方法不仅能够有效预测双碱法脱硫塔出口SO_2排放量,而且能够对SO_2排放量进行优化控制。     

基于径向基函数优化的短期负荷预测方法

为提高短期负荷预测模型的精确度,研究了一种基于径向基函数(radial basis function,RBF)神经网络参数优化的短期负荷预测方法。首先,对短期负荷影响因素进行分析,建立了计及温度累积效应的温度变量量化模型和计及负荷修正的日期类型变量量化模型;其次,建立基于RBF神经网络的短期负荷预测模型,分别基于近邻传播算法和遗传算法对RBF神经网络隐层节点的中心矢量和基宽参数进行优化;最后,基于某地区轻工业行业的夏季负荷数据进行了算例分析,结果表明,相比于未考虑参数优化的预测模型,可在一定程度上提高短期负荷的预测精度。     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法。利用模糊逻辑和RBF神经网络的等价性将模糊逻辑和神经网络有机的结合来构成模糊神经网络,并对BP神经网络、RBF神经网络和模糊神经网络三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,模糊神经网络算法具有良好的收敛性能,除收敛速度快于BP神经网络算法和RBF神经网络算法以及稳定性强外,而且具有更高的起始收敛速率,更小的权噪声,更大的抑噪能力。     

基于AGA-RBF神经网络的短期负荷预测

针对RBF神经网络的不足以及传统遗传算法的特点,采用浮点数编码的自适应遗传算法(AGA)作为RBF神经网络的学习算法,来确定RBF神经网络隐含层的中心参数和宽度参数,形成AGA-RBF网络来进行负荷预测,并通过实例验证,该方法与RBF神经网络相比,能有效提高预测精度和改善网络性能.     

基于优化RBF神经网络的电力负荷预测研究

针对传统方法无法对现代电力系统负荷非线性模型进行有效预测的问题,提出采用RBF神经网络来实现电力负荷预测。在经典RBF神经网络的基础上,提出采用K交叉验证方法对网络结构进行优化并且给出了网络最优学习率的自应调整策略;在建模过程中,不仅利用以往的历史数据,而且充分考虑天气、政策等因素的影响,并根据预测周期的不同,合理分配了权重。试验结果表明,优化后的RBF神经网络性能更优,对于电力负荷的预测结果准确度更高,为电力负荷预测提供了一条有效途径。     

基于混沌CSO-WNN-RBF的光伏功率超短期组合预测

针对现有的光伏功率超短期预测方法难以得到所需复杂的气象数据,且光伏时间序列具有混沌特性,将小波去噪后的光伏电站的历史功率数据利用C-C法挖掘数据自身所包含的各影响因子.利用鸡群算法(CSO)对小波神经网络(WNN)的初值进行寻优,来提升WNN的预测性能.由于径向基函数(RBF)神经网络预测模型处理非线性输入输出关系具有较好的效果,将光伏功率时间序列分解为线性部分和非线性部分.提出一种CSO-WNN-RBF组合预测模型,利用CSO-WNN模型和RBF模型有序预测序列的线性部分和非线性部分,实现光伏电站输出功率的超短期组合预测.最后进行算例分析,将CSO-WNN-RBF预测模型与CSO-WNN预测模型、RBF预测模型进行预测效果对比.结果表明,所提方法在各天气类型中均保持良好的预测准确度和适用性.     

粒子群优化的神经网络模型在短期负荷预测中的应用

为了提高电力系统短期负荷预测精度,针对传统径向基函数(RBF)神经网络在负荷预测中存在的问题,提出一种新的预测模型:粒子群优化的RBF神经网络模型.粒子群算法是一种新的全局优化算法,有很强的全局寻优能力,用它来优化RBF神经网络的权值,并用优化好的RBF网络进行负荷预测.仿真在虚拟仪器LabVIEW和Matlab软件平台上进行,结果表明该预测模型精度高于传统RBF神经网络模型,具有一定实用性.     

基于BP与RBF级联神经网络的日负荷预测

在采用分段预测方法的基础上,利用小规模BP(back propagation)神经网络学习时间短和径向基函数(radial basis function,RBF)神经网络自身训练速度快的优点,提出了基于BP和RBF网络的级联神经网络日负荷预测模型,将影响日负荷变化的非负荷因素(气象、日类型等)与历史负荷因素分别加入BP和RBF网络中分开考虑,进一步简化了预测模型。计算实例表明,该模型较一般级联神经网络模型收敛更快速、高效,预测精度有了很大提高。