基于分形神经网络的电力电子电路故障诊断

针对电力电子电路的故障,分析了故障产生的特征类型,提出了基于分形理论及BP网络故障诊断的方法。以三相整流桥路为例,利用分形理论建立了故障元与分形维数之间的关系,对故障信息做预处理。通过仿真试验提取出用于BP神经网络训练的学习样本,并构建了用于不同类故障的三层BP神经网络结构,继而确定故障点。     

神经网络在电机设计中的应用

将神经网络用于电机设计的方案调整过程中。建立了训练样本集,采用改进的BP算法,从多次训练中精选相关的学习效率系数及惯性系数,克服了标准BP网络学习速度慢、易陷入局部最小点的缺陷,并从实例上验证了该方法的准确性。     

基于BP神经网络模型的异步电动机故障辨识

针对目前三相异步电动机故障诊断方法存在的局限性及其缺陷,在利用小波包分析提取电动机故障信号特征量基础上,提出基于蝙蝠-粒子群及改进BP算法的异步电动机BP神经网络故障辨识模型,采用蝙蝠-粒子群算法优化BP神经网络结构参数,利用改进BP算法训练BP神经网络.仿真结果分析表明,该BP神经网络模型用于三相异步电动机故障辨识,辨识速度快、准确度高、可靠性好.     

基于BP2808的LED照明灯具电源应用设计技术

从技术和市场经济的角度对BP2808用于LED照明灯具电源设计技术进行分析,详细论述BP2808用于非隔离灯具电源设计的方案、工作原理和关键技术。     

BP神经网络在三相桥式全控整流电路故障诊断中的应用

针对电力电子技术中三相桥式全控整流电路中晶闸管的故障问题提出了基于BP神经网络故障诊断的方法。借助Matlab仿真软件建立了三相桥式全控整流电路的仿真模型。通过仿真试验提取出用于BP神经网络训练的学习样本,并确定出用于不同类故障的三层的BP神经网络结构。仿真结果表明了该方法的有效性。     

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。     

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.     

短期电力负荷的智能预测方法研究

为了提高电力系统短期负荷预测的精度,提出将基于模拟退火思想的改进粒子群优化（SAPSO）算法和误差反向传播（BP）算法相结合构成SAPSO—BP混合算法用于训练人工神经网络,对短期电力负荷进行预测。经实际算例验证,该混合算法能有效克服常规BP和PSO算法独立训练神经网络的缺陷,其收敛速度快于BP及PSO—BP算法,并且具有较高的短期电力负荷预测精度。     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态(State of Charge, SOC)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播(Back Propagation, BP)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,论文提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络初始权值及阈值(优化后的BP网络简称SAMEA-BP神经网络)。结合充放电实验数据,将提出的SAMEA-BP神经网络与BP、思维进化算法优化的BP (MEA-BP)神经网络用于锂离子电池的SOC估计,并对三种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。     

神经网络式电力负荷预测的混合计算

针对BP算法存在的缺陷 ,如训练速度慢 ,易收敛于局部极小点及全局搜索能力弱等 ,利用遗传算法能够进行全局最优化搜索这一特点 ,提出了一种新的用于BP网络训练的混合算法 ,即遗传算法与改进的BP算法相结合的混合训练方法 .将所提出的混合训练方法应用于神经网络式电力负荷预测中 ,结果表明 :所提出的算法与单一的BP算法相比 ,不仅可避免陷入局部极小点 ,而且提高了网络的训练速度和负荷预测精度     

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。     

遗传算法在前向神经网络参数估计中的应用

人工神经网络在很多领域有着成功的应用,神经网络参数估计有许多训练算法,BP算法是前向多层神经网络的典型算法,但BP算法有时会陷入局部最小解,遗传算法是一种随机优化技术,它可以发现全局优解。本文介绍了遗传算法在前向多层神经网络参数估计中的应用,并对标准遗传算法进行了适当的改进。结合具体例子给出了算法实现的操作步骤和实验结果。实验数据表明采用遗传算法得到的神经网络参数是最优的,神经网络的性能优于基于BP算法的神经网络性能。     

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.     

基于遗传算法优化BP神经网络的接触电阻预测

接触电阻是反应导体间电接触性能的重要参数,在实际的工程中往往采用经验公式对接触电阻进行计算,精度难以满足要求。为解决这一问题,将遗传算法(GA)与BP神经网络相结合对接触电阻进行预测。通过实验得到数据,分别利用遗传算法优化BP神经网络、BP神经网络以及回归分析模型进行训练和测试,并将各算法所得误差进行对比。误差对比结果表明：遗传算法优化BP神经网络的收敛效果优于其他两种算法,且遗传算法优化BP神经网络所得接触电阻模型的相对误差平均值比BP神经网络减少了4.01%,比回归分析减少了4.72%,且预测效果较稳定。利用遗传算法与BP神经网络相结合的接触电阻预测模型较单独使用BP神经网络预测模型具有更好的非线性拟合能力和更高的预测精度。     

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。     

基于遗传优化BP网络的振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,采用遗传算法对BP神经网络的初值空间进行多点遗传优化,得到最佳初始权值矩阵,在此基础上按误差前向反馈算法沿负梯度搜索进行网络学习;同时提出了一种用于BP神经网络遗传优化的染色体浮点编码方法,并描述了作用于染色体上的遗传操作算法。仿真研究表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到汽轮发电机组振动故障诊断中。     

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。     

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。     

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...     

遗传算法改进的BP神经网络对汛期三门峡水库泥沙冲淤量的计算

本文针对BP神经网络收敛速度慢和易于陷入极小值的问题，采用将遗传算法全局寻优和BP神经网络局部寻优相结合的方法，提高了BP神经网络的计算精度和收敛速度。应用该模型和一般BP神经网络模型对汛期三门峡水库的泥沙冲淤量进行了计算和预测。数值结果对比发现，经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时，迭代次数比一般BP神经网络模型也大大减少。因此适用于求解如计算水库泥沙冲淤量等非线性问题。