DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。     

大数据环境下基于BPNN模型的配电网规划适应性评价方法研究

分布式电源接入配电网等新技术的发展增加了配电网的复杂程度,使其网络规模、结构复杂程度和数据信息量日益提升,合理地设计大数据背景下的配电网规划评价指标,并利用电网大数据的分析技术对未来配电网规划的发展具有重大意义。以配电网规划方案适应性评价问题为研究目标、以后向传播神经网络(back propagation neural network,BPNN)算法为计算手段,分析大数据环境下未来配电网的规划问题,从网架结构、供电能力、装备水平、负荷特性及新元素并网5个方面,建立多维评价指标,对目标年配电网规划进行后评价。通过算例验证了该适应性评价指标建立合理,同时利用BPNN算法对目标配电网的规划进行后评价具有一定的优越性。     

基于广义回归神经网络的电缆接头温度预测

通过电缆接头温度监测电缆接头运行状况,是供电公司管理电缆运行的良好途径。利用已有的110kV单芯电缆运行试验数据,建立基于广义回归神经网络的电缆接头温度预测模型。研究分析结果表明GRNN模型相比BPNN模型具有较高的准确度和可靠性,克服了BPNN模型预测时训练过程中存在局部最小点、收敛速度慢等缺点,     

基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度，利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验，以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数，充填体动态抗压强度作为输出参数，建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型，并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。研究结果表明：CSSA-BPNN模型的平均相对误差为4.11％，预测值与实测值之间拟合的相关系数均在0.96以上，模型预测精度高。CSSA-BPNN模型的均方根误差为0.3950 MPa，平均绝对误差为0.3592 MPa，决定系数为0.9952，均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测，可大幅减小物理实验量，为矿山胶结充填体的强度设计提供了一种新方法。     

基于BP神经网络的蒸煮卡伯值预测模型

卡伯值反映了纸浆的硬度,是稳定纸浆质量的关键。本文利用BP人工神经网络与工厂实际数据建立了一个简单的卡伯值BP神经网络模型。且介绍了以BP网络为基础的卡伯值预测模型在蒸煮终点预报系统中的应用。将该模型的仿真结果与LUO模型进行比较,可知利用BP人工神经网络进行纸浆卡伯值预测是可行的,且具有很大的理论意义和实用价值。     

基于BPNN的陶瓷材料抗弯强度预测

误差反向传播神经网络具有能够正确逼近非线性映射关系的优点，将其运用到复相结构陶瓷材料抗弯强度预测当中，克服了陶瓷材料研究中单因素实验法不能正确反映抗弯强度与添加组分多因素之间复杂的非线性关系的弱点，通过抗弯强度预测和试验验证，该方法可行有效，为快捷、经济地开发研制新的陶瓷材料提供新的思路和有效手段。     

基于BPNN、SVR和RF模型的7050合金高温流动应力预测

采用Gleeble-3500热物理模拟机对7050铝合金进行等温热压缩实验，获得了合金在变形温度为300～450℃以及应变速率为0.001～1 s^-1条件下的应力应变数据。在此基础上，建立了经灰狼优化算法(Grey wolf optimization, GWO)优化的反向传播神经网络(BPNN)、支持向量机(SVR)和随机森林(RF)模型并验证其预测精度。结果表明：经过GWO优化的BPNN、SVR和RF模型预测精度高于原始模型；GWO-BPNN与GWO-RF模型的预测精度比较接近，且均高于GWO-SVR;在外推数据预测上，GWO-BPNN模型的预测精度更高，在内插数据预测上，GWO-RF模型的预测精度更高。不同机器学习模型对流动应力数据的拟合效果不同，其预测精度也存在差异。     

基于优化弹道的BPNN预测制导方法

针对飞行器再入滑翔过程,提出一种跟踪优化弹道的BPNN(BP neural network)预测制导方法。首先着眼于多约束下弹道生成的快速性,利用hp-自适应伪谱法进行弹道优化;然后利用弹道样本数据训练BPNN,建立飞行状态参数与终端状态参数之间的非线性映射关系,实现对终端状态的预测;最后为制导律设计了双层线性反馈校正算法,从而完成预测制导关键环节。仿真算例该表明制导方法能够良好地满足再入飞行约束和终端约束,同时可以较好地实现对优化弹道的跟踪,并具有一定的鲁棒性和航程适应性。     

结合ERDAS的基于BPNN遥感图像分类

基于改进BPNN的遥感图像分类,先利用ERDAS Imagine的Classifier模块对原始遥感图像进行聚类分析并对比,确定分类类别数.后在原始图像上采集各类别的训练样本和测试样本,通过输入训练样本集训练BP神经网络分类器.最后输入整幅遥感图像到训练好的分类器,得到分类图像.试验表明,其精度优于传统统计分类方法.