一种基于遗传算法和神经网络的故障诊断方法

针对人工神经网络中常用的反向传播算法存在易陷入局部极小点和对初值要求较高的缺点,提出一种基于遗传神经网络的电力电子电路故障诊断方法.该方法在BP神经网络拓扑结构确定的情况下,先用遗传算法来训练网络的权值和阈值,经过若干代的交叉、变异后得到稳定的权值和阈值;再将它们赋值给BP神经网络作为初始值,重新训练.实例表明优化后的...     

基于改进神经网络的一种新型MPPT预测方法

针对传统最大功率追踪(MPPT)算法存在跟踪速度慢、准确度不高和局部阴影等问题,采用基于改进遗传算法优化的BP神经网络对最大功率点进行追踪.该算法针对传统BP神经网络预测算法的不足,采用梯度下降法与高斯牛顿法相结合的学习算法来提高收敛速度,并采用遗传算法优化的BP神经网络避免陷入局部最小值.在总结现有研究成果的基础上,提出了一种线性度更好的预测模型.经现场测量数据与MATLAB编程仿真得出,新型预测模型有效缩短了MPPT的跟踪时间,并明显提高了预测准确度,更有利于神经网络算法对最大功率点进行实时快速追踪.     

基于人工鱼群神经网络算法的建筑能耗预测

为克服传统BP神经网络方法在建筑能耗预测的不足,提出了一种基于时间序列自相关分析的人工鱼群神经网络预测模型。对建筑标准能耗进行自相关分析,确定输入变量的维数,结合人工鱼群算法寻优速度快、易跳出极值等优点,对BP神经网络的初值权值和阈值进行优化,建立能耗预测模型,并用模型对西安某高校建筑一个月的能耗值进行预测。结果表明,较传统的BP神经网络模型,人工鱼群神经网络预测模型具有更快的收敛速度,预测精度在±1%左右,预测误差随着迭代次数的增加而降低。     

基于人工神经网络小电流接地选线方法研究

针对小电流接地故障选线方法进行了研究,使用人工神经网络模型实现接地故障选线。为了提高神经网络算法的性能,使用一种改进的神经网络算法,对遗传算法中的相应遗传算子以及染色体结构进行改进,通过自适应交叉变异概率的引入,从全局均衡和优化初始网络权重以及BP网络结构。使用110 k V/35 k V的配电系统作为小电流接地故障选线实例分析,对常规神经网络算法和改进神经网络算法进行对比。研究结果表明,改进神经网络算法的输出误差要低于常规神经网络算法,正确选线率要高于常规神经网络算法。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

基于粒子群优化的BP神经网络在火电厂大气环境评价中的应用

利用粒子群优化算法对传统的BP神经网络算法改进,建立了基于粒子群优化BP神经网络的评价模型,并将其应用到火电厂大气环境评价研究中。结合粒子群优化算法的全局寻优能力和BP神经网络算法的局部搜索优势,有效防止了网络陷入局部极小值,同时能保证评价结果的准确性。火电厂实例验证结果表明:利用粒子群优化的BP神经网络模型进行火电厂环境评价不仅计算简便,而且评价结果具有较高的可靠性。     

改进遗传模拟退火神经网络的双相机标定算法

针对双目相机标定算法中BP神经网络精度低、收敛性差的问题，提出了一种基于改进遗传模拟退火算法的BP神经网络优化方法(improved genetic simulated annealing algorithm-BP,IGSAA-BP)。该方法通过改进遗传模拟退火算法的适应度扩展，交叉、变异概率和退火准则来改善BP神经网络的性能，为BP神经网络提供了最优权值和阈值。将IGSAA-BP神经网络与BP神经网络和TGSAA-BP神经网络两种相机标定算法进行对比，利用其标定的真实值与预测值相差结果得出结论，3种标定方法进行相机标定的平均标定精度分别为0.02、0.71和0.28 mm。结果表明，IGSAA-BP神经网络可以提高双目相机的标定精度，提高全局寻优能力，加快收敛速度。     

蚁群前馈神经网络在煤灰熔点预测中的应用

提出了一种蚁群前馈神经网络模型。采用蚁群算法和BP算法相结合的方法训练神经网络,可避免单纯BP算法容易陷入局部最优的不足,降低算法对初值的敏感性。应用蚁群前馈神经网络建立了灰熔点的模型,并对模型的预测性能进行了验证。结果表明,该方法的预测精度比单一的BP神经网络模型有较大提高,训练后的网络模型可以用于煤灰熔点的预报。     

遗传算法在过程信号的盲分离中的应用

盲分离神经网络算法存在着容易陷入局部极小点、收敛速度慢的缺点。提出采用遗传算法优化盲分离神经网络权值的初值,与遗传算法结合形成GA-HJNN算法,可迅速得到最佳盲分离神经网络的权值矩阵,实现对过程信号的去噪。通过实验对两种算法进行了比较。     

基于移民算子遗传BP神经网络的模拟电路故障诊断

针对传统BP神经网络实现模拟电路故障诊断时存在的缺陷:容易收敛于局部最优值且训练时间过长等,提出了利用遗传算法(GA)优化的BP神经网络来对模拟电路进行故障诊断的方法.实验结果证明,优化后的BP网络可有效地避免收敛于局部最优值,大大地缩短了训练时间.同时为了提高遗传优化的收敛速度和精度,避免"早熟"现象,本文提出了一种引入移民算子的遗传算法,仿真结果表明了该算法的有效性.     

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。     

遗传神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络中存在的一些缺陷,实现准确、快速预测电力系统负荷的目的,作者通过将遗传算法与神经网络结合,构造了一种遗传神经网络来进行电力系统短期负荷预测,方法的思路是：首先,利用遗传算法有指导地计算神经隐层节点数,从而确定一个较合理的神经网络结构;其次,由遗传算法从初始权值的解群中选取出一个优秀的初始权值,克服初始权值选取的盲目性;最后,将得到的神经网络结构和优秀的初始权值结合起来,利用改进的BP算法进行电力系统短期负荷预测,仿真计算表明该方法达到了提高预测精度和改善网络性能的要求。     

电力变压器的智能故障诊断研究

将基于改进遗传算法（IGA）和误差反向传播（BP）算法相结合构成的IGA-BP混合算法用于训练神经网络。该混合算法有效克服常规BP和传统GA算法独立训练神经网络的缺陷,并应用于电力变压器溶解气体分析的智能故障诊断。实验诊断结果表明,IGA-BP混合算法的收敛速度快于BP及GA算法,并且具有较高的诊断准确率。     

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。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

基于蚁群BP神经网络的动态测量误差预测

针对BP算法在神经网络参数学习中局部性能好但易陷入局部极小值而蚁群算法拥有良好的全局性能的特点,提出了神经网络的综合训练方法(蚁群BP算法,ACBP Algorithm)即首先利用蚁群算法对神经网络参数进行全局搜索训练,然后再利用BP算法对参数进行局部学习。设计了一种自适应蚁群算法,一定程度上解决了传统蚁群算法收敛速度和拓宽搜索空间之间的矛盾。最后利用仿真实例验证了ACBP神经网络较之BP神经网络和AC神经网络在动态误差预测方面的优越性,得出了相关结论。     

遗传小波神经网络及在电机故障诊断中的应用

本文给出了基于优化遗传算法的小波神经网络故障诊断模型。首先利用改进的遗传算法对神经网络的权值和阈值进行遗传操作,获得具有一定遍历性的初始权值和阈值,然后再利用神经网络的L-M训练方法进行训练,克服了BP神经网络搜索速度慢和容易陷入局部极值的缺点,保证了训练过程收敛,而且故障识别的能力和精度也大大提高。同时引进比小波分析具有更强高频分析能力的小波包技术,并将其应用到故障信号的特征频率分析中,以得到的结果作为改进遗传神经网络的输入信号,保证训练网络的准确性。通过对电机故障进行仿真试验,证实该方法的有效性及正确性。     

在电力通信预警中优化的BP神经网络模型研究

阐述了当前电力通信预警中存在的问题和常用算法,针对在电力通信预警中,BP神经网络模型存在易陷入最小值、收敛速度慢的问题,提出了一种应用遗传算法对BP神经网络模型的初始权值和阈值进行优化的方法。选取52节点典型电力通信预警模型,分别对传统BP神经网络模型和遗传算法优化网络模型进行仿真试验。经过遗传算法优化的BP神经网络模型收敛速度快、拟合精度高,能够有效提高电力通信预警的反应速度和响应准确度。     

遗传算法和神经网络结合的PSD非线性校正

针对光电位置传感器(PSD)检测系统在大坝变形观测中所呈现的非线性问题,建立改进的遗传算法和LM-BP神经网络结合的模型,对PSD的非线性进行补偿?该方法先用遗传算法对LM-BP网络的权阈值进行优化后再用LM-BP网络逼近任意非线性函数的特点对实际位置数据与理想值进行拟合后并进行测试,经过多次任意产生的种群优化后选择较为优秀个体作为神经网络的和阈值,并对任意位置进行校正,仿真结果表明,该方法克服了LM-BP网络对初始权阈值的依赖和泛化能力弱的特点,多次实验平均误差都小于1%,其泛化能力优于标准的遗传算法和神经网络结合的模型。