神经网络模型在用电负荷预测中的应用

在电力系统规划中,居民用电负荷的预测是一项重要的基础性工作。但影响居民用电负荷的因素很多,并且难以用一个线性表达式来表示。神经网络模型在处理非线性大系统的复杂问题中具有很大的优势,文中引入三层反向传播的神经网络模型（ＢＰ网络模型）对居民用电负荷情况进行了分析,并采用变化学习速率的方法对网络进行训练。     

NH_n,NH_m~+,NH_n~-(n=1,2,3;m=1,2,3,4)体系Gaussian-n和CBS-n方法物理化学性质的理论研究(一)NH,NH~+,NH~-体系

利用系统的理论方法研究ＮＨ，ＮＨ＋，ＮＨ－体系的物理化学性质：解离能，电子亲合势，离化能，质子亲合势，原子化能．这些方法有Ｇａｕｓｓｉａｎ－ｎ：Ｇ１，Ｇ２，Ｇ２（ＭＰ２）以及ＣＢＳ－ｎ：ＣＢＳ－４，ＣＢＳ－ｑ，ＣＢＳ－Ｑ，ＣＢＳ－ＡＰＮＯ．对所得结果及其误差进行比较和分析．     

前向网络的两种混合学习策略

针对前向网络反向传播算法（ＢＰ）训练缓慢和易于陷入局部极小的缺点以及反向运算的复杂性,利用ＢＰ算法监督学习特点、模拟退火（ＳＡ）算法在局部极小处的概率突跳特性和遗传算法（ＧＡ）的并行化群体搜索的特点,有效结合ＢＰ和ＳＡ算法以及ＧＡ和ＳＡ算法,提出了前向网络的两种混合学习策略即ＢＰ＆ＳＡ混合策略和ＧＡ＆ＳＡ混合策略。以异或问题为例,通过计算机仿真对混合策略与ＢＰ、改进ＢＰ算法的比较表明混合学习策略较大程度改进了前向网络学习的收敛性能和收敛速度,并一定程度上避免了反向运算的复杂性,是前向神经网络学习的有效算法。     

隐节点竞争BP模型

通过分析ＢＰ网络在局部极小状态下的微观特性，给出一种在隐藏层引入竞争机制的网络模型──隐节点竞争ＢＰ模型，试验表明该模型不仅有效地克服了局部极小问题，而且加快了学习速度。另外，还对本文提出的Ｏ竞争和已有的δ竞争进行了比较，并验证了Ｏ竞争的有效性。     

二(2,4,4-三甲基戊基)二硫代膦酸萃取钕的化学研究

测定了二（２,４,４－三甲基戊基）二硫代膦酸（ＨＢＴＭＰＤＴＰ）萃取Ｎｄ３＋的表观平衡常数为１０－１１．８。ＨＢＴＭＰＤＴＰ与Ｎｄ３＋形成的萃合物随皂化度的增大,萃合物颜色、组成均发生变化。萃合物中含有Ｈ２Ｏ,皂化度较高时有ＯＨ－进入萃合物取代ＢＴＰＭＰＤＴＰ－,与水合离子相比较,Ｎｄ３＋与ＨＢＴＭＰＤＴＰ的萃合物的紫外吸收峰的位置发生红移,ｆ－ｆ跃迁超灵敏吸收强度增大,说明萃合物中Ｓ－金属离子之间存在较大程度的共价性。     

BP模型的改进算法及其在负荷预测中的应用

分析了ＢＰ模型学习算法－累积误差逆传播算法在接近极小点时收敛速度变得异常缓慢的原因，并通过对连接权值的调整量引入权重系数，提出了一种改进的ＢＰ模型学习算法，大大加快了收敛速度，提出了收敛性。还利用的改进算法对某省中期负荷进行了预测，逄例结果表明了该算法的有效性。     

电力系统中谐波诊断的神经网络方法

本文提出了一种应用人工神经网络模型诊断电力系统中谐波含量的新方法。用误差反向传播模型（ＢＰ模型）取代传统的快速傅立叶变换方法，对ＢＰ模型进行训练，得到由电流（或电压）采样值映射出基波和谐波含量的ＢＰ模型。试验结果表明，该方法具有速度快、精度高的优点，硬件实现简单，同时具有在线应用的特点。     

CORBA/IOP的语义初探

用π－演算刻划ＣＯＲＢＡ／ＩＯＰ环境下涉及多个ＯＲＢ的分布式对象计算过程，重点描述多个ＯＲＢ之间的互操作过程．构造了一个高度简化的ＣＯＲＢＡ／ＩＯＰ的π－演算模型．借助于这个模型，演示了ＣＯＲＢＡ／ＩＯＰ支持分布式对象计算这个性质．     

基于PMU的忻州电网负荷频率响应特性研究

电力系统在发生频率波动时的调节性能可通过电力系统的负荷频率响应特性反应出来，是维持电力系统频率稳定的一大性能，由于其波动性大较难测量。该文采用基于同步相量测量装置（PMU）的测量技术对忻州电网的负荷频率响应特性进行了研究。     

NHn,NHm~+,NHn~-(n=1,2,3;m=1,2,3,4)体系Gaussian-n和CBS-n方法物理化学性质的理论研究(二)NH_2,NH_2~+,NH_2~-体系

利用系统的理论方法研究ＮＨ２,ＮＨ２＋,ＮＨ２－体系的物理化学性质：解离能,电子亲合势,离化能,质子亲合势,原子化能．这些方法有Ｇａｕｓｓｉａｎ－ｎ：Ｇ１,Ｇ２,Ｇ２（ＭＰ２）以及ＣＢＳ－ｎ：ＣＢＳ－４,ＣＢＳ－ｑ,ＣＢＳ－Ｑ,ＣＢＳ－ＡＰＮＯ．对所得结果及其误差进行比较和分析．     

模糊神经网络中长期负荷预报研究

采用动量法、自适应学习率和异变换函数对BP算法进行改进,并通过模糊神经网络对中长期负荷进行预测,还针对BP算法中隐层节点难以确定的不足,大胆采用预测误差曲面方法,使隐层节点个数选择具有科学的依据,算法计算表明,采用模糊神经网络提高了预测精度。     

基于自编码神经网络的高分辨率距离像降维法

为了提高支持向量机(SVM)分类效率,大幅减少以高分辨率距离像(HRRP)功率谱为特征的支持向量机目标识别分类器的计算量,采用自编码神经网络深度学习方法,实现高维、非线性HRRP功率谱的数据降维。在此基础上,提出了Autoencoder-SVM模型,综合利用自编码神经网络的特征提取能力和SVM的分类能力。仿真结果显示,在HRRP功率谱降维方面,自编码神经网络的降维效果远好于核主成分分析和等距映射算法,其降维结果对SVM分类结果影响甚微,但大幅缩短了SVM的计算时间;同时,在隐层节点数相同的情况下,随着隐含层数的增加或者深度的增加,自编码神经网络数据降维或特征提取效果更好。     

EEG classification based on probabilistic neural network with supervised learning in brain computer interface

Aiming at the topic of electroencephalogram (EEG) pattern recognition in brain computer interface (BCI), a classification method based on probabilistic neural network (PNN) with supervised learning is presented in this paper. It applies the recognition rate of training samples to the learning progress of network parameters. The learning vector quantization is employed to group training samples and the Genetic algorithm (GA) is used for training the network’s smoothing parameters and hidden central vector for determining hidden neurons. Utilizing the standard dataset I(a) of BCI Competition 2003 and comparing with other classification methods, the experiment results show that the best performance of pattern recognition is got in this way, and the classification accuracy can reach to 93.8%, which improves over 5% compared with the best result (88.7%) of the competition. This technology provides an effective way to EEG classification in practical system of BCI.     

关于BP算法在负荷预测相关问题探讨

本文在研究了神经网络的模型建立问题基础上,探讨了电力负荷BP算法的建模方法,包括对BP网络模型建立中的隐含层数确定、隐含层节点数确定、训练次数与精度的关系、学习速率的选择、初始权值、训练样本的选择及归一化处理等相关问题进行了较深入定性和定量分析,并通过算例进行了比较实验,得出有益结论。     

基于极限学习的过程神经网络研究及化工应用

针对过程神经网络在化工过程建模中学习速度慢、易陷入局部极值等问题,借鉴极限学习机算法训练网络参数的思想,提出了一种新型的基于极限学习的过程神经网络(EL-PNN).ELPNN网络以过程神经网络的方式得到隐含层的输出后,不再使用梯度下降法进行参数调整,而是根据极限学习机算法通过广义逆直接求解输出权值.同时,为了进一步提高网络的泛化性能,考虑结构风险,在EL-PNN网络中加入风险比例参数.以高密度聚乙烯装置进行验证,结果表明,该网络具有学习速度快、建模精度高的特点,为过程神经网络在复杂化工生产中的应用提供了新思路.     

基于模糊回归支持向量机的短期负荷预测

支持向量机(SVM)是一种新颖的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点.模糊数学在不确定性、不精确性及噪声引起的问题上,有其特有的计算分析操作,能有效地分析和处理模糊信息.研究了一种模糊回归支持向量机模型,该模型将两者有机结合,发挥了各自的优点.将其应用到电力系统短期负荷预测,仿真结果表明,所提方法不仅具有与支持向量机方法相同的预测精度,且提供了更多的有用信息.     

基于BP算法的成绩预测模型

BP网络是一种典型的多层前向网络,由输入层、隐含层和输出层组成,通过学习样本训练模型后即可用于数据的预测,适用于实现网络教学系统的成绩预测功能。训练样本作为BP网络的学习数据集,对于BP网络模型的训练具有重要的作用。模型选取网络教学系统中能够影响学习成绩的相关因素作为输入数据,包括学生在线学习时间、学生学习能力、作业成绩和测试成绩,利用已有学生成绩作为训练BP网络的期望输出。将这些数据进行归一化处理即可用于训练BP网络模型。训练过程中,全局误差基本呈下降趋势,收敛效果较好。经过训练后的模型可预测出学生的成绩,并转化为相应的等级,对学生下一步学习进行指导,提出适合的教学策略。通过测试表明该模型可以用于教学系统中的学习成绩预测,获得了预期效果。     

基于简约学习前馈补偿的永磁直线同步电机跟踪控制

针对永磁直线同步电机易受端部效应、负载扰动和参数不确定等因素影响的特点,提出一种使用学习滤波器的简约学习前馈补偿控制策略.为消除端部效应的影响,设计多个低维B样条网络进行学习前馈补偿,从而达到良好的补偿效果;为保证系统的稳定性,在学习前馈控制中增加学习滤波器.仿真结果表明,该策略对非周期性输入信号具有良好的跟踪特性,同...     

过热汽温的模拟柔性神经网络直接自适应控制系统

提出一种模拟复合正交柔性神经网络,并应用于电厂过热汽温的直接自适应控制方法。模拟柔性神经网络被用作为过热汽温控制系统中的主、副调节器,以改善控制系统的动态性能。神经网络采用5层网络结构,网络隐层节点采用带参数的Sigmoid函数构成的Laguerre（拉盖尔）复合正交多项式。网络在学习过程中,输入层与隐层之间不用调整权值,仅连续调整输出层与隐层之间的权值和隐层中Sigmoid函数的参数,以提高网络的学习适应性。网络隐层节点（处理元）是复合正交多项式的展开项,展开项的多少决定着网络的学习速度和精度。通过对具有严重参数不确定性、扰动以及大迟延的电厂过热汽温被控对象进行仿真研究,结果表明控制系统的干扰和超调明显减小,在控制系统的动态性能上,所提控制方法优于常规控制方法。电厂过热汽温控制取得了令人满意的效果。     

基于优化极限学习机的非侵入式负荷识别

在极限学习机的非侵入式负荷识别算法中,由于输入权值和隐含层阈值的随机产生容易导致误判,鉴于此,提出了一种改进的遗传算法优化极限学习机方法.对遗传算法中选择算子进行改进,改进方法为求解出个体的适应度值,并按从小到大的顺序完成排序,将排完序的种群等分成4份,按照比例从4份中择优组成新种群,对新种群中剩余个体再从适应度较大的...