基于自组织特征映射的连续多日负荷预测方法研究

针对影响连续多日每日最大负荷的因素较多且构成复杂,连续多日负荷预测方法少难度大、含节假日的连续多日负荷预测精度低等问题,分析了近几年工作日电力负荷数据特点,研究了自组织特征映射(Self-Organizing Feature Map,SOM)聚类算法并将其用于负荷数据的预处理,研究了节假日负荷的特性,总结了其负荷变化规律并加以区分预测,提出了一种基于自组织特征映射神经网络的连续多日负荷预测新方法。该方法区分普通工作日与节假日,普通工作日采用自组织特征映射神经网络聚类方法对日最大负荷进行特征提取,建立了以周期特征相似的历史数据作为训练样本的神经网络模型,节假日设定假日影响因子单独预测。运用某市近年的负荷数据进行预测,算例结果显示综合预测误差为3.21%,表明该方法预测精度完全满足实际需求,为连续多日最大负荷预测提供了一种可行的方法。     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

基于RBF网络的电力市场清算电价预测

采用RBF网络模型对电力市场中的清算电价进行预测，聚类算法采用改进的模糊C均值聚类，减小了野值对输出结果的影响，隐层的输出采用聚类结果的隶属度函数，省掉了对径向基函数宽度的计算。通过美国加州电力市场公布的历史数据对该模型进行验证，结果表明该模型应用于电价预测具有较高的预测精度，并且具有训练速度快、不存在局部极小和过拟合等优点。     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

基于RBF神经网络的工件模式识别

为了提高工件识别速度,根据实际待识别零件特征将零件分成两大类(旋转类、拉伸类),并预留了两类可识别零件,由训练速度快、结构简单、识别准确率高的RBF神经网络来实现模式识别,并根据零件图像特征选取了面积比、平滑度、三阶矩、一致性、熵等5个特征为训练样本作为神经网络的输入,实例证明这种方法切实可行,且其训练速度快,识别准确率高.     

核模糊聚类和BP神经网络的切削工艺绿色度评价

为了对切削工艺绿色度进行客观有效评价,提出一种基于核模糊聚类算法和BP神经网络的工艺绿色度评价模型。根据面向绿色制造的工艺规划方法,建立切削工艺绿色度评价指标体系。通过核模糊聚类算法划分训练样本集,提升样本分类精度。利用BP神经网络建立工艺绿色度评价模型,基于训练结果自适应获取输入到输出的模糊规则,提高评价效率。通过汽车零件的切削工艺绿色度评价实例,验证了核模糊聚类和BP神经网络的切削工艺绿色度评价方法有效性。     

基于模糊聚类的零部件重组策略与方法研究

综合考虑基于同构、几何、精度、材料、性能等属性的冗余零部件相似准则，建立了问题的形式化描述模型，采用欧几里德贴近度来计算零部件之间的相似度，提出了基于模糊聚类的重组算法，探讨了重组方案的分析和调整策略。以摩托车液压盘式制动器的制动盘重组为实例，证明了基于模糊聚类的零部件重组策略和方法具有一定的有效性。     

RBF网络用于变压器油击穿电压的多参数关联预测

基于变压器油性能参数之间的关联性,在Matlab平台下研究建立变压器油关键参数——击穿电压的多参数关联预测方法.利用RBF网络建立击穿电压与4个强关联性指标的关系模型,并与BP网络模型进行对比;采用模糊C聚类方法处理大量的训练样本,以聚类结果来训练网络,从而解决大样本训练网络时网络结构复杂、性能不佳等问题;仿真结果表明...     

小负荷短期预测中一种模糊聚类方法的探讨

由于影响负荷的随机因素很多，小容量负荷受冲击负荷影响较大，传统模型中的相似目选择一般采取夹角余弦法，选取的精度有待提高。模糊聚类分析是模糊数学中一种有效的分析方法，应用模糊聚类分析中基于目标函数的方法可对负荷的历史样本进行高精度的分类，所采用的HCM算法有效地提高了分类精度；在此基础上运用AGO回归算法进行合理的数据拟合后得到预测结果。算例证明，此方法是十分有效的，提高了小负荷短期负荷预测的精度。     

基于熵聚类RBF神经网络的机械臂轨迹跟踪控制

为了提高机械臂轨迹跟踪控制的快速性和精确性,提出了基于熵聚类神经网络算法的机械臂运动控制器。分析了RBF神经网络原理,使用熵聚类算法得到原始数据的聚类中心数和聚类中心值,从而确定了神经网络结构和基函数中心值,避免了传统算法中使用K-means方法的重复迭代过程,使用梯度下降法调整神经网络传递权值;将神经网络辨识与神经网络控制相结合提出了机械臂运动控制器;经实验验证可以看出,相比于传统的RBF神经网络方法,基于熵聚类神经网络算法的控制器在轨迹跟踪快速性和精度上均具有明显优势。