基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

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GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

燃煤烟气中汞形态分布的神经网络预测研究

目前对燃煤电站烟气中汞形态浓度的预测模型尚不完善。将BP神经网络和GA遗传算法相结合组成GA-BP神经网络算法,用于燃煤烟气中汞形态浓度分布的预测。使用遗传算法对BP网络的初始权值进行优化,可以在解空间中定位出较好的搜索空间,然后采用BP算法在这个小的解空间中搜索出最优解。对75组燃煤电厂烟气中的汞浓度实测数据进行神经网络算法的训练和预测,结果表明GA-BP神经网络模型不仅可以预测燃煤烟气中汞形态浓度的分布,而且具有较高的预测精度。     

基于粒子群优化神经网络的变压器故障诊断

为克服电气分析应用中误差反向传播(BP)神经网络存在的不足,提出了一种利用改进粒子群算法优化神经网络的变压器故障诊断新方法。该法的惯性权重自适应调整,以平衡局部和全局搜索能力;收缩因子加快算法的收敛速度,有利于更快地收敛于全局最优解。利用改进的粒子群算法优化神经网络参数,并结合BP算法训练网络可有效地克服常规BP算法训练网络权值和阈值收敛速度慢、易陷入局部极小和遗传算法独立训练神经网络速度缓慢等缺点。最后,进行变压器故障实例分析的仿真结果表明,该算法具有较快的收敛速度和较高的诊断准确度,证实了该方法的正确性和有效性。     

基于主从神经网络的短期电力负荷预测研究

传统的BP神经网络在对负荷样本进行训练时容易陷入局部最小点,致使算法不收敛,网络训练失败。主从神经网络基于Hopfield神经网络的良好动态特性,2个Hopfield主网络和1个BP从网络构成,可以有效改善BP神经网络训练时易陷入局部最小的问题。由此,提出了一种基于主从神经网络的短期电力负荷预测方法,用主从神经网络对短期负荷样本进行训练。通过对某地实际负荷的训练并与实际符合对比验证,表明该方法具有更快的收敛速度、更小的训练误差和很好的预测效果,可进一步提高短期负荷预测效率。     

基于粒子群优化算法的神经网络在配电网线损计算中的应用

提出了一种将粒子群优化算法(PSO)训练神经网络用于配电网线损计算的方法。该方法使用由PSO训练的BP模型来拟合影响线损的特征参数与线损之间的复杂关系。实例计算表明,与BP算法及BP与GA结合算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度。     

准抗毁化电源蓄电池SOC预测的GA-BP网络方法

针对蓄电池荷电状态的预测问题,从蓄电池荷电状态与其可直接测量的外特性参数之间不确定的非线性关系出发,依据BP网络映射功能使其可以以任意精确度逼近非线性函数、遗传算法的良好全局搜索寻找最优能力使其解决BP网络盲目选择初始权值、阈值的问题,并利用数值最优化LM算法训练BP网络使其解决BP网络收敛速度慢和容易陷入局部最小值的问题,提出了一种蓄电池荷电状态预测的遗传算法和BP网络相结合方法.设计了准抗毁化电源蓄电池荷电状态的BP网络和GA-BP网络预测模型.仿真结果表明,预测模型经过训练后,可以通过蓄电池的实时外特性参数预测蓄电池的实时荷电状态;GA-BP网络的收敛速度和预测精确度均优于BP网络.验证了GA-BP网络预测方法的有效性.     

基于IGSA-BP网络的瓦斯涌出量预测模型

为提高煤矿瓦斯涌出量预测的精度和效率,提出一种基于改进的万有引力算法(IGSA)的BP神经网络IGSA-BP瓦斯涌出量预测模型。由于BP神经网络的初始权值和阈值对网络的预测精度和收敛速度有较大影响,采用改进的万有引力算法训练BP神经网络的初始权值和阈值,引入粒子群算法记忆与社会信息交流的思想,对万有引力算法(GSA)的速度与位置更新公式进行改进,采用Tent混沌映射增加GSA种群的多样性,使算法避免陷入局部极值并增强GSA的遍历搜索能力。结果表明,改进的万有引力BP神经网络预测结果的误差在0. 20 m~3/min以内,与未经改进的万有引力BP神经网络和粒子群BP神经网络相比,预测精度分别提高了近5倍和10倍,说明该方法对煤矿瓦斯涌出量具有更好的预测精度和收敛速度。     

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。     

基于RS和GA的动态模糊神经网络在短期电力负荷预测中应用

分析和探讨了粗糙集（RS）理论、遗传算法（GA）、模糊神经网络相结合的短期负荷预测方法。首先,对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息．最后用得到的属性作为模糊神经网络的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络DFNN（Dynamic Fuzzy Neural Network）,并采用具有全局寻优能力的遗传算法训练网络,克服了单纯BP算法易陷入局部最优解的缺点。用该方法与常用BP神经网络及Fuzzy法分别对某电网进行一周的日负荷预测．实例的对比分析表明了该方法收敛速度、预测精度和网络规模等方面都有较大改善。     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。     

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GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

基于遗传神经网络的太阳能集热器仿真研究

提出神经网络和数学模型相结合的方法建立太阳能集热器神经网络模型,并采用遗传算法对太阳能集热器神经网络模型进行优化,用以提高仿真模型的预测精度。在热管式真空管太阳能集热器实验数据的基础上,构建反向传输神经网络模型和遗传算法-反向传播神经网络模型,应用数学模型、反向传输神经网络模型和遗传算法-反向传播神经网络模型进行仿真计算,结果表明遗传算法-反向传播神经网络模型的计算精度高于数学模型和反向传输神经网络模型。同时该建模方法应用于太阳能集热器仿真,既提高了仿真模型的计算精度,又提高了仿真模型的通用性。     

模拟电路的融合智能故障诊断

提出了一种基于遗传算法、神经网络、模糊集理论与数据融合技术相结合的模拟电路故障诊断新方法。该法使用多类电路测试数据来解决由于测试节点不足而带来的故障信息欠缺等问题，采用遗传算法来优化BP网络的结构与初始权值分布。对每类测试信息各用一个独立的所提遗传神经网络进行初步诊断，得到基于各类测试信息的被诊断电路属于不同故障状态的可能性。在充分考虑每个神经网络输出信息重要程度的基础上，采用模糊积分融合方法进行决策融合。文中研究了其故障特征提取、样本选择、诊断系统结构、学习算法及其综合决策方法，并通过电路诊断实例，阐述了该方法的具体实现，验证了所提方法的鲁棒性。诊断结果表明：所提方法对容差模拟电路的多故障与单故障诊断均适用，故障定位准确率高。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

改进的遗传BP交叉训练算法及其在河流冰情预报中的应用

本文在对传统的遗传算法(GA)及BP网络进行一系列改进的基础上,将遗传算法与BP网络进行了有机的结合,提出了一种交叉训练算法.该算法的核心在于将BP网络训练过程划分为若干子步,使遗传进化机制和BP网络训练机制步进交叉进行,来保证网络训练的成功率和快速向全局最优区域逼近的目的.把该算法应用到松花江依兰、佳木斯江段封河、开河日期预报中,取得了良好的效果.