基于 Hopfield 神经网络的谐波电流检测方法

在对各种谐波电流检测方法进行简单比较的基础上,提出了一种基于Hopfield神经网络(HNN)的谐波电流检测方法.该方法将HNN优化理论用于电力系统的谐波检测,自适应地准确检测出电网基波和各次谐波分量的幅值和相角.采样数据处理速度快,实时性好,网络不需要预先进行训练.仿真结果表明,该方法具有很好的实时性、较高的检测精度以及自适应跟踪负载电流变化的能力.     

基于DSP的通用FFT算法在电网谐波检测中的应用

随着DSP在数字化处理和数字控制系统领域日渐成为一项成熟的技术,一种基于DSP的快速傅立叶变换(FFT)的实现方法被提出。该算法采用汇编语言实现,并采用目前控制领域最高性能的处理器TMS320F281x系列DSP对采样信号进行FFT运算,能快速检测出电网中三相电压、电流的各次谐波,以进行谐波的实时分析处理。通过实验和现场运行,验证了算法的正确性和高速性,可作为一种通用的算法应用于谐波检测。     

基于DSP的FFT算法在电网谐波检测中的应用

谐波检测是研究和分析谐波问题的出发点和主要依据。本文介绍基于数学变换的几种方法并讨论其优缺点,提出了一种实用且成熟的谐波分析方法,并对该算法中出现的问题进行分析从而提出解决方案。该算法采用汇编语言实现,然后用C语言结合每个模块,并采用目前控制领域最高性能的处理器TMS320C5509对采样信号进行FFT（FastFourierTransform）运算,可以快速检测电网中的三相电压、电流谐波以进行谐波的实时分析。仿真结果验证了算法的正确性和高速性。     

基于神经网络的电力系统谐波测量方法研究

提出了一种新的基于三角基函数神经网络的电力系统谐波测量方法,给出了该神经网络算法的收敛定理,并采用加窗插值算法修正基波频率的准确度．该方法不需要同步采样和整周期截断,可一次性获得电力系统基波及各次谐波的频率、幅值和相位．计算机仿真结果表明,该方法计算精度高,计算量小,收敛速度快．     

神经元自适应谐波电流检测系统的仿真研究

根据有源电力滤波器神经元自适应谐波电流检测方法的算法公式和系统结构,提出了神经元自适应谐波电流检测系统的一种模拟电路实现方案,并用ＰＳＰＩＣＥ软件做了计算机仿真研究。仿真结果证实了所提出的模拟电路实现方法的有效性和可行性。     

基于改进模糊神经网络的PID参数自整定算法

针对传统的PID控制算法参数整定困难,控制效果并不理想,将神经网络算法、模糊控制算法结合在一起,形成了模糊神经网络PID参数自整定算法,并且对模糊神经网络进行改进,将神经网络输入的状态变量进行模糊化和归一化处理,采用BP神经网络自整定PID控制器的参数,根据RBF神经网络得到受控对象的Jacobian信息。仿真结果表明,基于模糊神经网络的PID自整定控制效果较好,具有一定的应用前景。     

基于MATLAB的二次谐波制动变压器差动保护仿真研究

该文主要以电力系统变压器差动保护为研究对象,通过阐述基本的变压器差动保护工作原理,讨论了差动保护误动作的主要原因及存在的问题.利用Matlab中的Simulink程序搭建仿真电路,建立了二次谐波制动与电流差动速断保护相配合的变压器差动保护仿真模型,并对仿真结果进行有效分析.     

基于IASO-CCNN的自适应电力谐波检测

谐波检测环节对谐波治理能力有着很重要的影响,神经网络由于可以快速逼近非线性所以被广泛应用于谐波检测,传统的神经网络用于谐波检测时会存在收敛速度慢,精度不高的缺点,在传统神经网络的基础上,提出了级连神经网络(CCNN)构架,并利用改进蚁群算法(IASO)进行优化,通过MATLAB仿真验证,该算法不仅可以在线学习实时检测谐波,在精度与收敛速度上的表现也优于传统方式。     

基于线性神经网络的协整分析

利用线性神经网络进行协整系数的估计,首先检验变量的数据生成过程,再利用线性神经网络进行拟合,最后检验残差的平稳性,以确定变量之间是否存在协整关系.该方法具有简便、直观、精度高的特点.     

小波神经网络在电力谐波检测中的应用

电网谐波检测技术是影响有源电力滤波(APF)发展的关键技术之一。由于电网谐波具有固有的非线性、随机性、分布性、非平稳性和影响因素的复杂性等特征,对谐波进行实时准确检测较难,因此研究对电力系统中的谐波进行检测的方法非常重要。提出将小波和神经网络结合构成小波神经网络的谐波检测法,对小波神经网络进行了设计,仿真结果表明该方法能实时、精确地对电网谐波进行检测。     

基于神经网络的PWM优化消谐开关角算法

论述了用神经网络中的前向网络BP算法采计算脉冲开关角的一种计算方法，并进行了MATLAB仿真。仿真结果表明，使用该计算方法能快速准确地实现优化消谐。     

基于人工神经网络的电网谐波监测的方法

研究人工神经网络用于波形识别是一个新的研究领域。将神经网络这一新方法引入到电网谐波在线监测中，并就它在电网谐波在线监测应用中的一系列关键问题进行了较为系统的分析。提出了一种新型电网谐波在线监测系统模型，通过带通滤波器，采样存储器以及神经网络的在线监测电路，取得谐波信号，最终达到谐波补偿的目的。其在线监测部分主要利用模拟并行测量的基本原理，构造了一个用于电网谐波在线监测的特殊多层前向神经网络。并对其进行了仿真，仿真结果表明所提出的基于人工神经网络的电网谐波在线监测的方法是可行的和有效的。     

基于Chebyshev神经网络加密算法的研究

针对基于混沌神经网络的密码体制这个交叉学科进行了深入分析,指出了基于Chebyshev神经网络的加密算法并非如原文声称的那样安全．攻击者容易通过神经网络的同步来破译密码。     

基于优化BP神经网络算法的网络质量评价

针对现有的BP神经网络算法,提出了在变步长BP神经网络算法基础上的优化方案,并将其应用于网络质量评价当中.在优化方案中,对步长的上升和下降阶段分别采用不同策略进行优化.理论分析表明:优化后的算法能够克服传统算法权值收敛过慢,和变步长算法误差收敛中的震荡问题.仿真表明,优化后的算法会使神经网络的学习误差和网络质量分类的总体误差明显下降并大幅提高评价的准确性.优化算法较传统算法相比误差收敛过程更加稳定,且学习误差下降达9.64％,网络质量分类的总体误差下降达23.1％；优化算法的验证准确率在传统算法的基础上提高了19.65％,在变步长算法的基础上提高了9.88％.由此可见,优化算法在BP神经网络的预测精度方面起到了大幅度提高的作用.     

基于贝叶斯算法的神经网络优化方法

提出了一种近似建模的前馈网络训练算法一贝叶斯算法,该方法能对模型中的未知量构造其后验分布,提高网络的泛化性能,获取对应于后验分布最大值的权值向量．结果表明,贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．     

一种多传感器冗余的神经网络算法研究

把传感器硬件冗余技术,BP网络以及串闻联Elman递归神经网络结合起来,提出一 各新方法用于构造具有传感器故障检测,分离且具有冗余能力的智能传感器系统,这可以减少硬件冗余技术中使用传感器的个数,消除硬件冗余技术中对冗余传感器应具有相同参数特性的要求,同时可以提高系统预报的准确性,仿真结果验证了这一方法的有效性。     

基于改进的卷积神经网络邮件分类算法研究

针对传统文本分类方法中出现的维度过高和数据稀疏问题,通过对卷积神经网络(Convolutional Neural Network,CNN)和 inception V1 模型的深入研究,将两个模型融合起来,提出了一种基于 i-CNN 模型的 邮件分类方法;在卷积、池化操作中加入了 1×1 卷积核降低特征向量的厚度,减少了参数,提高了计算性能; 通过数据验证,i-CNN 模型对邮件的分类结果高达 92. 18%,在对比实验中,i-CNN 模型相对于几种机器学 习分类模型,取得了最高的分类精准率,在有无 inception 结构模型对比中,i-CNN 模型精准率高于 CNN 模 型;说明该模型具有较好的分类效果,且 inception V1 模型的融入能提高文本分类的准确率。     

一种基于前馈神经网络的火灾探测方法

讨论了基于模拟量探测器和前馈神经网络的火灾探测方法．以光学感烟、半导体感温、离子感烟和湿度模拟传感量为输入，以火灾概率和阴燃火灾概率为输出量对前馈神经网络进行训练，不仅可提取火灾环境的有效特征，而且可提高检测算法的可靠性     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.