基于径向基神经网络的可用输电能力概率分析

可用输电能力(ATC)是电力系统经济安全运行的一项重要指标.由于大量风电并网和用户用电行为的多样化,ATC的计算必须要考虑其带来的不确定源.而在对不确定源相关性的处理时,Nataf变换中标准正态分布域相关系数的求解尤为复杂,传统的基于辛普森数值积分和二分法的相关系数转换法耗时极其严重.在概率计算中,采用蒙特卡洛法基于最...     

基于径向基神经网络的输电线路动态容量在线预测

在线预测输电线路的动态热容量,合理安排负荷高峰时期运行方式和调度管理,对输电线路的安全和经济运行具有重要意义,同时也对确定风电等间歇式可再生能源的接入容量提供技术支持.为此,提出了利用径向基神经网络实现线路动态容量的在线预测方法.该方法首先利用径向基神经网络进行风速和日照辐射温度的在线学习和预测,基于IEEE 738标准进行输电线路动态容量的在线短期预测.利用典型的夏季和冬季实测数据进行动态容量预测后发现,预测未来1、2、4 h的动态容量的最大相对误差分别在10%、20%、40%以内.将短期的负荷预测与该方法结合起来,可为电力紧张地区和负荷高峰时期的智能调度提供决策支持.     

利用红外图像特征和径向基概率神经网络识别不同湿度条件下绝缘子的污秽等级

提出一种利用污秽绝缘子红外图像特征和径向基概率神经网络(RBPNN)来检测不同湿度条件下自然污秽绝缘子污秽等级的新方法。采用修正后的阿尔法滤波器和基于波谷的图像分割方法对绝缘子红外图像进行预处理。提取了不同湿度条件下的图像背景(周围环境)的平均温度、绝缘子盘面区域的最高温度、绝缘子盘面区域的平均温度、绝缘子盘面温度分布的方差值作为反映污秽等级的4个特征量。通过RBPNN建立了湿度及污秽特征与污秽等级之间的映射关系,并利用训练好的RBPNN识别绝缘子污秽等级;另外提出一种梯度算法与随机性方法相结合的算法来确定RBPNN的隐中心、宽度控制参数及权值矩阵。实验结果证明该方法能有效识别不同湿度条件下绝缘子的污秽等级。     

双径向基神经网络用于电力传输线故障诊断研究

提出了一种利用概率径向基神经网络和规一化径向基神经网络,构成智能故障诊断系统,进行电力传输线故障分类和故障定位的方法。同时,故障分类的结果加入到规一化径向基神经网络的输入矢量中,提高了故障定位结果的精确度,并且能够判断故障分类的正确性,从而提高了故障诊断系统的可靠性能。用所提出的方法进行电力输电线的短路故障诊断仿真测试表明,所提出的方法是可行、有效的。     

基于径向基神经网络的输电线路动态容量在线预测

在线预测输电线路的动态热容量,合理安排负荷高峰时期运行方式和调度管理,对输电线路的安全和经济运行具有重要意义,同时也对确定风电等间歇式可再生能源的接入容量提供技术支持。为此,提出了利用径向基神经网络实现线路动态容量的在线预测方法。该方法首先利用径向基神经网络进行风速和日照辐射温度的在线学习和预测,基于IEEE 738标准进行输电线路动态容量的在线短期预测。利用典型的夏季和冬季实测数据进行动态容量预测后发现,预测未来1、2、4 h的动态容量的最大相对误差分别在10%、20%、40%以内。将短期的负荷预测与该方法结合起来,可为电力紧张地区和负荷高峰时期的智能调度提供决策支持。     

基于神经网络的大型输电铁塔损伤识别研究

大型高压输电铁塔结构是我国电能的主要输送模式.近年我国南方遭遇的罕见冰冻灾害,导致大量铁塔倒伏导致重大经济损失,对其进行损伤识别研究已成为亟待研究的领域.应用神经网络理论,选用合理的网络模型和网络参数,提出了大型输电铁塔结构损伤识别的新方法,据此识别结构损伤位置和损伤程度,并以一500 kV输电铁塔为例进行了损伤识别.计算结果表明,该方法可以获得令人满意的识别精度.在结构参数化有限元模型存在误差的情况下,仍然可以获得较好的识别效果,该方法可以推广应用于其他铁塔结构体系的损伤识别.     

基于径向基函数神经网络的在线分布式故障诊断系统

作者建议使用分布式智能系统解决大规模电力网络的实时故障诊断问题,并为此提出了一种新的基于最小度排序的图形分割方法,它能够将大规模电力网络有效地分割为给定数目的连通子网络,并且各子网络的故障诊断负担近似相等,同时每个网络边界元件的数目最小。然后用径向基函数神经网络完成各子网络的故障诊断。所提出的分布式智能故障诊断系统已使用稀疏存储技术编程实现,并在IEEE14母线、30母线和118母线系统中进行了仿真研究。计算机仿真结果表明该故障诊断系统能有效地解决大规模电力网络的故障诊断问题。     

基于粗糙径向基神经网络的电网故障诊断新模型

在一种属性约简方法的基础上,利用粗糙集和径向基网络的优势,将二者充分融合,构建了一种电网故障诊断新模型,并对其进行了改造.通过对电网故障诊断算例的仿真实验比较表明,该模型减少了识别的主观因素,简化了网络结构,并且识别效果明显,分类能力强,具有很强的容错性和解释性,有很广阔的应用前景.     

基于粗糙径向基神经网络的电网故障诊断新模型

在一种属性约简方法的基础上,利用粗糙集和径向基网络的优势,将二者充分融合,构建了一种电网故障诊断新模型,并对其进行了改造。通过对电网故障诊断算例的仿真实验比较表明,该模型减少了识别的主观因素,简化了网络结构,并且识别效果明显,分类能力强,具有很强的容错性和解释性,有很广阔的应用前景。     

纤维增强铝基复合材料在输电导线中的应用

连续氧化铝纤维增强铝基复合芯输电导线以其重量轻、强度大、蠕变小、线膨胀系数小等优点,逐渐被研究人员重视。连续氧化铝纤维增强铝基复合材料是首次应用于输电导线,作为导线的承力部分。本文重点概述了纤维增强金属基复合材料的制备方法、性能特点、发展现状等。     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

量子遗传算法优化RBF神经网络及其在热工辨识中的应用

量子遗传算法是基于量子计算原理的概率优化方法,在量子门更新过程中,旋转角的大小直接影响优化的结果和进化的速度。文中针对模糊量子遗传算法(FQGA)容易导致系统陷入局部最优的缺点,将量子衍生交叉算法的思想引入FQGA,提出了一种新的量子遗传算法。同时利用该方法构造径向基函数神经网络进行非线性系统辨识。其特点是通过这种新的量子遗传算法,实现对RBF神经网络权值、宽度和中心位置等有关参数的估计。其速度快、精度高。通过RBF神经网络有效地完成了对非线性系统的辨识。对典型非线性函数辨识的测试表明：该方法有效地提高了量子遗传算法的计算精度和收敛速度。同时利用该方法设计了一种通用的热工对象模型辨识神经网络算法,编制了专用的模型识别软件,对某电厂循环流化床锅炉一次风对床温的动态特性进行辨识,结果表明该方法是一种精度比较高的辨识算法。     

电力负荷的径向基函数神经网络模型预测

由于基于反向传播(back propagation,BP)的神经网络模型自身固有的缺点,其电力负荷预测结果不理想,而径向基函数(radial basis function,RBF)神经网络模型具有全局逼近的性质,不存在局部最小问题,为此,针对中长期电力负荷预测,给出了RBF的预测原理,推导权值的更新方式,并和BP方法结果进行对比分析,结果证明基于RBF神经网络模型的方法收敛速度快、预报精度高、误差小。     

基于径向基函数神经网络的电网模糊元胞故障诊断

提出了基于径向基函数神经网络的电网模糊元胞故障诊断方法,旨在有效解决神经网络应用于电网故障诊断所面临的适应网络拓扑结构变化的可移植性问题。该方法以单个线路、母线和变压器为元胞对象,以保护各元胞的所有关联保护和对应的断路器为输入,建立了元胞通用神经网络诊断模型,并给出了故障诊断时模型的自动生成方法。此外,考虑到电网故障信息存在不完备性和不确定性,本文采用模糊矢状图来描述电网元件、保护和断路器之间的逻辑推理关系,并提取出蕴含不确定性的模糊推理规则,用于训练元胞通用神经网络。算例仿真结果表明,该方法简单、有效,能处理各种复杂故障情况,且能有效适应网络拓扑结构的变化,具有良好的容错性和可移植性。     

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。     

采用微分进化算法和径向基函数神经网络的热工过程模型辨识

在热工过程模型辨识中,被控对象动态特性往往表现出非线性、慢时变、大迟延和不确定性等特点,这使得难以对其建立比较精确的模型。为了达到精确建模的目的,提出一种基于微分进化算法和径向基函数神经网络的辨识方法。该方法采用基于能量分布正交最小二乘学习算法的径向基函数(radial basis function,RBF)神经网络,通过改进的微分进化算法,对神经网络辨识系统进行参数优化,使RBF神经网络能够更快、更精确地逼近实际系统的输出,达到精确建模的目的。仿真结果表明,在采用改进的RBF网络对热工复杂对象进行辨识时,通过微分进化算法进一步确定其最佳参数,可以取得更好的辨识效果。     

基于MEEMD与概率神经网络的贯通式同相牵引直接供电系统故障识别

针对贯通式同相牵引直接供电系统可能发生的雷击故障、雷击干扰和接地故障3种扰动进行建模分析和识别研究。在牵引网仿真模型的基础上,通过实验得到3种扰动的暂态特征。根据以上故障提出了改进总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)与概率神经网络(Probabilistic Neural Network,PNN)结合的智能识别方法。MEEMD分解故障暂态电流信号得到本征模态函数(Intrinsic Mode Function,IMF),分别用样本熵和排列熵提取IMFs分量特征,结合PNN进行故障识别,通过实验看出,基于MEEMD排列熵与PNN结合的智能识别方法能较好地识别牵引网的3种故障。     

应用近邻传播算法改进RBF的短期负荷预测

为了更有效地挖掘电力负荷样本数据的信息规律,提高径向基函数RBF(radial basis function)神经网络的预测精度,提出了一种引入近邻传播思想的RBF神经网络算法。该算法根据电力负荷数据的内部周期相似性规律,利用近邻传播算法将样本数据进行聚类处理,获取样本数据的类中心点,并将此作为RBF神经网络的中心矢量,同时根据类中心距离设置基宽,最终实现样本数据的训练以及未来电力负荷的短期预测。通过对未来一天的负荷预测,验证了该思路,为电力负荷短期预测提供了一种新方法。     

用RBF神经网络建立火灾探测器模型

火灾自动报警系统正朝智能化方向发展,但关键在于采用智能化的信号处理算法。本文探讨运用RBF神经网络建立火灾探测器模型。