电力定价策略的多目标优化模型及其应用

针对电力定价问题,综合考虑了电力生产过程中的能源利用效率、能源消费等多方面的影响,建立了以最大经济效益和最小环境污染为目标的多目标优化模型.该模型采用用电需求与电价的协整分析表征一定电力定价策略下的消费者行为,采用成本利润模型表征生产者行为,以消费者和生产者行为模型为约束条件.若将环境污染排放量最小的目标转化成约束条件,则多目标问题转化为单目标优化模型求解.在当前电力定价的邻域附近选择一系列定价策略,求解约束条件子模型,得到不同电价模式下经济效益,选择使得经济效益最大的电力定价即为模型最优解.以电力短缺最为严重的2008年以及2009、2010年为例,计算出电价分别为569.72、580.19、598.14元/(MW·h),均高于实际各年度的平均销售电价,由此可见电力定价应适当上涨.此外,经济社会参数的变化对最优定价策略有明显的影响:排污量限制收紧10％,最优电价将上涨1.09％;GDP增长率升高1个百分点,最优电价将上涨1.08％;单位生产成本升高1个百分点,最优电价将上涨0.74％.     

用于大工业过程建模的新型小波神经网络结构

提出一种新的小波神经网络结构 ,旨在解决输入变量比较多、变量分先后次序起作用的一类问题。该网络结构类似于多层前向神经网络 ,不同的是将一部分输入节点移至隐层 ,输入变量不是由同一层输入 ,而是根据变量起作用的前后次序分别在网络的不同层输入 ,从而使网络的规模减小 ;同时 ,隐层神经元的激励函数是一维小波函数 ,避免了多元小波函数带来的维数灾难问题。因此 ,该神经网络是处理高维问题的有效工具 ,尤其适用于包含多道加工工序的大工业过程的建模。将该神经网络用于热连轧产品质量建模 ,并经过了实测数据拟合与检验。试验结果表明 ,提出的小波神经网络结构是可行的 ,而且有很好的应用前景。     

训练前向神经网络的全局优化新算法及其应用

把填充函数法与BP算法相结合，提出一种训练前向神经网络的混合型全局优化新算法。该算法首先由BP算法得到一个局部极小点，然后利用充函数使BP算法跳出局部最优，得到一个更低的极小点。重复此过程最终求得全局最优解。最后给出一个应用实例。     

基于小波神经网络的大型多辊热连轧机产品质量模型

依据小波的非线性逼近能力和神经网络的自学习特性，提出一种适合高维输入的小波神经网络建模方法。这种小波网络结构类似多层感知器，不同的是隐层神经元的激励函数为小波函数，分别对3种小波函数进行试验，利用多种优化算法训练神经网络，经比较，选择B－样条函数为激励函数，利用L－M算法较为理想，成功解决了32维输入的大型多辊热连轧机钢板材质量建模问题，经过8600组实测数据拟合和检验，测试结果表明，拟合命中率达82．3％，测试命中率达80．5％，表明了该方法的有效性。     

改进的SR1拟牛顿法的2n步q二次收敛性

为了从理论上证明基于新拟牛顿方程的改进拟牛顿方法比传统的拟牛顿方法有更好的收敛效果，对改进的ＳＲ１拟牛顿方法进行了深入的研究，在变尺度矩阵序列正定有界的条件下，证明了算法在每ｎ＋ｐ（ｐ≥１）步迭代中至少有ｐ步是好的（ｑ超线性步），进而证明了算法的２ｎ步ｑ二次收敛性。