基于BP网络的感应电机定子电阻观测器

在直接转矩控制系统中,感应电机定子电阻在低速时受温度影响而变化,影响控制系统的低速性能.为此,设计了基于反向传播(BP)神经网络的定子观测器,采用有导师学习(或称监督学习)的神经网络学习方法,通过试验,采集到定子电阻随其电压频率及定子绕组温度变化规律,利用MATLAB人工神经元网络工具箱就能快速实现BP计算,将其结果输入定子电阻观测器中,进行实时检测,计算出准确的定子磁链幅值,达到减小系统低速运行时转矩的脉动,提高了控制性能.     

粒子群优化BP神经网络在电梯群控系统中的应用

为了达到最优电梯群派梯指标,提出了一种基于粒子群优化的BP神经网络电梯群控方法,将带变异因子的改进粒子群优化技术应用到BP神经网络中,获得电梯评价指标中的满意度,以改进粒子群优化BP神经网络的初始权值和阀值。仿真结果表明,改进粒子群优化的BP神经网络算法减少了迭代次数,缩短了运行时间,证明了新方法的有效性。     

基于混沌优化粒子群BP神经网络的电力变压器故障诊断

针对电力变压器故障诊断问题,提出了一种基于混沌(Chaos)优化的粒子群(Particle Swarm Optimization)BP神经网络算法。该算法将混沌、粒子群和BP神经网络相结合,通过混沌粒子群算法寻优,得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。利用了混沌算法的遍历性和对初始值敏感的特点,对粒子群算法进行了参数优化,引入了早熟判断机制,并在早熟状态时进行了混沌扰动,使算法后期不易陷入局部最优。通过实例训练与测试表明,CPSO-BP神经网络算法在变压器故障诊断方面有较好的效果。     

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。     

基于粒子群优化神经网络观测器感应电机定子电阻辨识

针对感应电机模型参数时变性突出的问题,提出一种基于粒子群优化神经网络观测器感应电机定子电阻辨识方法。该方法首先通过构建一个含待辨识参数的非线性函数,然后根据神经网络的一致逼近任意非线性连续函数的性质,利用RBF神经网络逼近这个非线性函数,并在此基础上构造自适应观测器。采用伪降阶观测器结构,减少了参数辨识的计算时间;用粒子群优化算法对神经网络参数进行优化,提高了神经网络的收敛速度和逼近精确度。仿真和实验结果验证该方法鲁棒性强,动态性能好,具有较好的辨识效果。     

基于PSO训练BP神经网络的短期电价预测

以美国PJM电力市场为背景,利用历史负荷、系统剩余容量百分比和清算电价对未来时段电价的影响来进行短期电价预测,给出了一个发电侧竞价模型中利用PSO训练BP神经网络进行市场出清电价预测的实例。与使用传统BP神经网络预测的方法进行比较,结果表明,该方法具有更高的预测精度,并能收敛于全局最优解。     

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。     

基于粒子群算法的BP神经网络光伏电池建模

针对光伏电池复杂难以建模的非线性特性,本文提出一种基于粒子群算法(PSO)的反向传播(BP)神经网络建模方法.神经网络具有很强的非线性拟合能力,但同时也存在收敛速度慢、容易陷入局部极值、建模精度不高等缺点.本文采用粒子群算法来优化神经网络的内部连接权值,以改善神经网络的性能,并基于这种改进的神经网络构建光伏电池动态模型...     

基于免疫粒子群算法的电力系统无功优化

为提高粒子群优化(particle swarm optimization,PSO)算法的收敛性能,将免疫算法(immunity algorithms,IA)的免疫信息处理机制引入到标准粒子群算法,形成一种新的优化算法,即免疫粒子群算法。该算法将免疫算法的免疫记忆和自我调节机制引入PSO,并采用基于粒子浓度机制的多样性保持策略;同时,用免疫算法的"接种疫苗"和"免疫选择"来指导搜索过程。改进后的算法可以很好的保持优化过程中粒子群的多样性,抑制优化过程中出现的退化现象,保证算法的收敛精度和收敛速度。IEEE 30节点系统算例仿真表明,IA-PSO算法与标准PSO算法相比,能够及时跳出局部最优得到全局最优解,且收敛速度快、精度高。     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

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。     

基于改进型粒子群算法的扩张状态观测器

为了解决自抗扰控制器核心模块的参数难以整定的问题,提出了利用改进型粒子群算法的扩张状态观测器设计方法。研究了扩张状态观测器的数学模型,分析了影响观测信号跟踪精度的因素,给出了待定参数设计方法的具体步骤。该设计方法选择改进后的适应度函数作为性能优化指标,增加了惯性系数的自适应性,并引入速度钳制以防止陷入局部最优。最后通过计算和仿真实验分析,验证了所提方法的正确性和鲁棒性,对解决自抗扰控制器中其他模块的待定参数整定问题具有一定的意义。     

基于BP神经网络与改进粒子群的光伏MPPT算法

针对光伏阵列在环境突变情况下尤其是局部阴影下的多峰值现象,提出一种基于反向传播(BP)神经网络与改进粒子群的最大功率点跟踪(MPPT)算法。该算法利用BP神经网络近似定位最大功率点,并利用对粒子群算法中的惯性权重值进行非线性动态优化后的改进粒子群精确定位最大功率点。仿真结果表明,复合算法可以更好地跟踪最大功率点,有效避免前期易陷入局部极值的问题,提高了精度,减小了功率振荡。     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

基于粒子群与神经网络的间谐波测量算法研究

为了精确测量电力系统的非整数次谐波,提出一种基于粒子群与神经网络的混合算法。该算法通过FFT变换得出谐波个数和精度不高的谐波幅值、相位、谐波次数,然后初始化粒子群,再由粒子群优化算法训练神经网络,得出间谐波的各项参数。同时提出一种基于可变参数的神经元激发函数,使得谐波次数和权值一样参与调整,更有利于检测非整数次谐波。仿真实例表明,该算法能将频率相近的非整数次谐波分离,可快速、精确地获得非整数次谐波的各项参数。     

基于粒子群算法的配电网储能优质优化研究

随着经济发展由粗放式增长向集约型增长转变,对配电网储能进行优化成为了学术界的前瞻性研究,这对于我国加速发展意义重大。此次研究利用粒子群优化算法以及双层多目标优化配置数学方法,构建了基于粒子群优化算法的配电网储能优质优化研究模型,该模型在对主动配电网概率潮流进行计算的基础上,达到了提高广义电源运行效率的效果,从而为相关人员进行含广义电源的配电网管理提供了方法参考。以PG&E-69节点配电系统作为研究对象,对该模型进行验证。研究结果表明,智能算法类型对广义电源优化配置的影响并不大。同时较上层模型,下层模型对广义电源优化配置的效率更高,因而,要实现广义电源的高效运行,进而提高配电网的储能效果,必须实现双层模型的合理运用。所提研究可以为配电网储能优质研究提供一定的指导价值。     

粒子群神经网络辨识的机器人分数阶滑模控制

研究了一种粒子群算法优化的神经网络分数阶滑模变结构控制方法，并将其应用到工业机器人路径跟踪研究中。首先采用粒子群算法优化的神经网络辨识工业机器人的系统模型，训练得到与系统控制参数解析度最相关的模型；然后基于分数阶理论与滑模变结构理论设计了分数阶滑模变结构控制器，作为系统的主控制器应用到工业机器人轨迹跟踪控制系统中。仿真及实验结果表明，该方法具有良好的跟踪性能和快速性。