基于BP神经网络的开关电源可靠性预计

针对开关电源的可靠性预计问题,提出了基于BP神经网络的预计方法.根据开关电源的各个功能模块选取合适的神经元,确定了神经网络的初始权值、学习步长等性能参数,建立了开关电源可靠性预计的三层BP神经网络模型,进行了开关电源可靠性性能参数的可靠性预计.通过比较分析神经网络法和数学模型法两种方法对开关电源可靠性预计的结果,表明了神经网络法在开关电源的可靠性预计上更加准确可靠.     

基于BP神经网络的图像分割实现

运用BP神经网络方法对图像进行分割。对神经网络进行训练以确定节点间的连接和权值,再用训练好的神经网络对新输入的图像数据进行分割。实验表明:该算法能够有效地分割图像,图像分割边缘清晰,在处理图像中由于信息不足而产生的模糊不确定问题时更加符合实际。     

基于BP神经网络的城网供电可靠性预测方法

传统的供电可靠性评估方法是以准确的配电网结构和多年的元件可靠性历史数据为基础的,难以实现城市复杂配电网远期供电可靠性指标的预测。为此文章提出一种基于BP神经网络的城市电网供电可靠性预测方法,首先找出影响供电可靠性指标的几个主要特征量,包括最大负荷、架空线平均长度、线上平均分段开关台数、线上平均联络开关台数、线路平均配变台数和线路平均配变容量,将这些特征量的历史数据作为输入样本对人工神经网络进行训练,利用训练好的网络就可以预测规划目标年的城市电网供电可靠性指标。对某城市电网的应用结果表明该方法是有效的,所采用的BP神经网络具有较好的收敛性。通过对影响供电可靠性的相关因素进行灵敏度分析还可以获得对供电可靠性指标较敏感的相关特征量,供电企业可以据此制定提高可靠性的相关措施。     

基于DGA的改进BP神经网络的变压器故障诊断方法

介绍了基于DGA的改进BP神经网络电力变压器故障诊断方法,并进行了仿真。     

基于BP神经网络的电路故障诊断方法

介绍了BP神经网络的电路故障诊断方法、故障诊断的原则及BP网络的算法，实验证明所提出的方法是有效可行的。     

基于BP神经网络的变压器故障诊断

基于溶解气体分析(DGA)的变压器故障诊断法能发现用电气试验不易发现的轻度故障,还可以在初期阶段就判别正在缓慢发展的事故,是变压器内部故障早期诊断的最佳方法。     

基于BP神经网络的绝缘子泄漏电流量预测方法

电力系统中绝缘子泄漏电流量跟很多因素有关，其预测模型是一个复杂系统，采用普通的拟合方法，很难找到合适的映射函数。将BP神经网络应用到绝缘子泄漏电流量预测中，建立预测模型，测试结果表明，该预测模型的预测误差小于1％，达到实际生产对模型的要求。     

基于BP神经网络和线性神经网络的间谐波分析方法

传统的线性神经网络,其激励函数是固定函数,所以不能对间谐波的频率进行调整,而基波频率微小的偏差将导致谐波检测出现较大的误差。笔者在采用BP神经网络的高精度基波检测的基础之上,采用激励函数参数可调的线性神经网络来分析间谐波。理论分析和仿真结果都表明,无论有没有噪声,文中提出的方法都具有较高的检测精度,自适应能力较强,其中检测与偶数次谐波比较接近的间谐波的优势更明显。     

基于多因素小波分析的神经网络短期现货电价预测方法

一般采用小波分解的电价预测方法是将历史电价分解后分别预测,预测过程中没有引入其他电价影响因素,或者是直接引入未经小波分解的影响因素。提出一种小波分析与神经网络相结合的预测方法,将历史电价和历史负荷都进行小波多分辨率单尺度分解,分解成概貌电价、细节电价和概貌负荷、细节负荷。在此基础上,用历史概貌电价和概貌负荷序列训练BP神经网络,预测出未来的概貌电价;用历史细节电价和细节负荷序列训练BP神经网络,预测出未来的细节电价。将概貌电价和细节电价进行重构,得到最终的预测电价。对美国PJM电力市场的实际电价(LMP)进行预测,验证了该方法的有效性和可行性。     

基于BP神经网络的下一交易日出清电价预测

利用历史负荷和清算电价对未来时段出清电价采用3层BP神经网络模型进行预测, 将出清电价看成一个多输入单输出系统.把一天中每个小时按输入影响大小分成五类,然后采用BP网络分别建模预测.并采用美国New England电力市场2002年的电价数据进行了训练和预测分析,最终得到比较理想的出清电价预测结果.     

基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与识别

针对配电网系统电能质量扰动的非平稳性、突变性和短时持续性问题,提出一种基于提升小波和改进BP神经网络的扰动定位与识别新方法。首先用Euclidean分解算法得到db4小波提升方案;然后对扰动信号进行提升小波分解,结合模极大值对扰动突变点峰值进行定位检测;再利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并进行扰动识别训练。仿真结果表明,该方法能更好地获取扰动时刻信息,定位快速且精度高,能有效地克服传统BP神经网络易陷入局部极小点和收敛速度慢的缺点,对配电网系统电能质量扰动识别率高。     

城市配电网络系统用户供电可靠性浅析

结合城市配电网络系统特点,对影响城市配电网系统供电可靠性的主要原因进行分析,提出提高城市配电网系统供电可靠性的途径和措施。     

一种基于BP神经网络的谐波检测方案

通常的谐波检测方案是对各次谐波（如1～50次）使用快速傅里叶变换（FFT）进行检测,然而用电单位往往并不关心所有次数谐波的具体数值,而仅关心关键次数的谐波或几个总体指标。为此,设计了一套新的谐波检测方案,以BP神经网络作为实现算法,不需要计算各次谐波即可实现对用户所关心的个别指标或总体指标的检测,而且要实现上述检测目标,通过对BP算法、DFT算法、FFT算法进行计算量分析,证明了该方案在计算量方面的优越性。使用一组实测谐波数据对方案进行仿真验证,结果表明该方案简单可行,可达到与FFT相近的检测精度。     

基于BP神经网络群的中压配电网电压降落估算

对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。     

采用改进BP神经网络算法预测短期电力负荷

介绍了BP神经网络算法的原理以及对其采用非线性阻尼最小二乘法Levenberg-Marquardt进行优化的的方法。针对短期电力负荷的特点,设计了预测短期电力负荷的BP神经网络模型和预测流程,并结合具体实例,采用MATLAB神经网络工具箱编程。与实例结果的比较表明,此方法预测短期电力负荷具有实用价值。     

基于BP神经网络的变压器故障诊断及其应用

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究一种基于BP神经网络算法的变压器故障诊断方法.通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明本算法的有效性.     

基于可靠性成本- 效益分析的电网规划

传统电网规划是以电网的直接投资费用最小为目标来满足一定可靠度的电网规划。电网规划的目的是保证电网的供电可靠性,而没有考虑由于电网的扩展所产生的经济效益,这样规划出的电网并不能获得最佳的社会效益。该文通过引入缺电成本,将可靠性与经济性结合在一起,在此基础上提出了一种新的电网规划成本-效益分析方法与数学模型,该方法将缺电成本作为供电总成本的重要组成部分,并且用缺电成本的大小来衡量可靠性效益的高低,将规划的可靠性成本与可靠性效益统一在对电网的经济性评估上。对规划方案进行了分析和评价,进一步完善了成本-效益分析方     

基于BP神经网络的动力电池SOC估算

电池荷电状态(SOC)的预测是影响电动汽车发展的关键技术之一,采用经典BP神经网络控制算法完成了动力电池的SOC估算研究。通过设计工况实验,在Matlab中对该算法进行了仿真验证,结果表明该算法能够很好地拟合动力电池充放电特性,误差可以减小到5%以内。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于BP神经网络的电池SOC估算

针对传统动力电池的SOC估计方法的不足,通过编写Matlab程序建立了基于Levenberg-Marquardt (LM)算法的BP神经网络,对其进行了训练及检验.用所建神经网络模型对电池剩余电量进行预测,最大误差小于0.1％.结果满足精度要求,从而验证了所建BP神经网络能够有效地预测蓄电池电压、电流、温度和SOC之间的映射关系.对提高动力电池的能量效率,延长电池的使用寿命具有重要意义.实验表明,此方法提高了电池SOC计算的精度,达到了井下移动救生舱的应用要求.