一种混合算法在配电网故障定位中的研究

对于复杂配电网中不止一处发生故障的现象,提出采用两种定位方法相结合的方式进行故障定位,首先根据配电网的拓扑结构运用分区理论将复杂的配电网进行分区,并采用遗传算法对分区后的简化模型进行一次定位,然后再用Bayes公式分别对每个故障区域进行二次定位,综合两次定位的结果最终确定故障区域.由于采用分区思想大大缩小了遗传算法可行解的维数,提高了定位速度;而运用Bayes公式对故障区域进行定位,使得定位的结果更加精确.通过仿真证明该方法在配电网故障定位中的可行性,结果也证实了该方法的准确性.     

配电网故障定位算法研究

针对配电网故障快速准确定位问题,研究了故障定位的矩阵算法,分析了不对称矩阵算法的基本原理,针对该算法存在判别盲区的缺陷,提出了在辐射网和树状网末端增加零节点编号的改进方法,消除了判别盲区;该方法具有简单、实时性强的特点,在配电自动化系统中有很强的实用性。论文最后用算例验证了该算法的有效性。     

一种配电网故障区段定位的改进矩阵算法

分析了现有配电网故障定位矩阵算法存在的问题,提出一种配电网故障区段定位改进矩阵算法。该方法以网络关联矩阵描述馈线区段和测控点的拓扑联接关系,根据故障发生时与故障馈线区段相连测控点的故障过电流特征,形成一种适用于各类型馈线区段故障判定的统一判据。该算法判据形式统一、计算量小,省去了规格化处理与多次设定正方向的过程,能够解决环网故障、馈线末端故障、多电源网络多重故障定位等问题。     

一种BP神经网络改进算法的研究

为提高神经网络传统BP算法的训练速度,以3层神经网络为例,通过对权值的分析与优化,推导出改良的BP算法——双权值迭代优化法,并对该算法与传统算法进行了比较,通过比较发现,新算法在保证精度的前提下可节省训练时间,同时对该算法特点进行了总结。     

狼群算法优化BP神经网络的电缆故障测距算法

故障信号频率分量的提取精度与故障测距的精度有很大的关系.针对这一问题,采用向后预测Prony算法提取故障电压信号的固有频率作为样本,应用狼群算法优化BP神经网络的结构,并对其进行训练,改善了易产生多个局部极小值的缺陷,提高了网络的训练效率和收敛速度,使得测距更加精确.通过ATP/Matlab仿真结果表明,该算法具有良好的鲁棒性和精确性.     

一种配电网故障定位的新方法

结合我国配电网的实际情况,提出一种能够确定配电网故障点确切位置的实用方法.该方法通过比较各节点电压确定故障区段,并将故障区段始端故障电压与本线路末端短路时的故障电压对比得出故障点距离.该方法适用于中性点不直接接地系统的各种短路故障的定位,并可应用于故障的自动在线检测.     

一种改进的BP算法神经网络

讨论了BP神经网络学习过程中的假饱和现象和激励函数对输出值的影响，将修改激励函数和构建假饱和预防函数相结合，实现加快网络学习速率。通过引入距离熵揭示了实际输出值、期望输出值以及能量函数三者的内在关联。对BP网络的应用实例编制了仿真程序，并与标准的BP算法进行比较。结果表明改进算法的学习收敛性大大地优于标准BP算法。     

BP神经网络算法的一种改进

为了减小标准BP算法中迭代次数并提高其收敛速度，提出了将负梯度下降法与DFP变尺度算法相结合进行权值修正的方法，在误差寻优初期，首先采用标准BP算法进行迭代，每迭代一次的工作量较小、所需存贮量较少，且对初始点的要求不高。当寻优过程开始接近最优时，更改寻优算法，即使用DFP变尺度算法。最后，通过MATLAl3实现。结果表明改进后的BP算法减少了迭代次数，提高了寻优的收敛速度。     

一种改进人工鱼群算法对BP神经网络的优化研究

针对BP神经网络存在易陷入局部极值的缺陷,提出一种基于改进的人工鱼群算法优化的BP神经网络.先用改进的人工鱼群算法优化BP神经网络的初始权值和阀值,然后再执行BP算法训练BP神经网络的权值和阀值.函数拟合仿真实验表明该优化方法提高了BP神经网络的泛化性能.     

一种改进的神经网络BP算法

提出同时对神经元温度常数Ｔ、位置常数θ、联接权值Ｗ进行调整的观点,并推导出相应的学习算法公式。对比试验表明：所给出的改进算法能有效地减少节点数、加速训练进程认识精度。     

基于智能优化算法及其优化BP神经网络的室内定位

目前,智能优化算法成为了很多研究方向的热点,但将其应用于室内TDOA定位的研究和文章较少,因此,本文旨在研究智能优化算法在室内TDOA定位方面的应用效果。首先,分别使用WSO、CSA、SOA、WOA、GWO和SSA这六种智能优化算法进行室内的二维TDOA定位,对比分析上述算法在室内定位领域的表现,并和传统的Taylor算法的定位误差进行对比;接下来,使用SOA算法对BP神经网络进行优化,使用优化后的SOA-BP进行定位,与基础的BP神经网络的定位误差进行对比。结果表明,本文使用的六种智能优化算法在室内定位领域有着不错的表现,各智能优化算法的效果相似,平均定位误差为0.44m左右,相较于传统的Taylor算法提升约9.2%;SOA-BP的定位误差相较于基础的BP神经网络降低超过30%。     

一种基于BP算法的融合神经网络

针对水电仿真系统水机温度建模中存在非线性动态数学模型问题,提出了一种采用融合神经网络的温度模型·并且为消除应用中神经网络训练速度慢、容易陷入局部极值的影响,采用了可变学习速度的VLBP算法作为更新网络梯度和权值的算法·在该模型的实际应用中,首先设置多个传感器采集温度参数,然后使用采集数据对神经网络进行离线训练,而后使用训练完成的网络对水机温度参数进行实时在线预测·通过现场数据和网络预测数据的对比分析,证明该模型的实际准确率可达96 5%,可以满足实际仿真的要求·     

一种优化 BP 神经网络训练样本的方法

BP神经网络训练样本的选取对网络的泛化能力有较大的影响,特别,怎样从高维大样本数据中选取合适训练样本是一个难点。本文运用因子分析法对大样本数据进行预处理,再利用分析所得的公因子进行聚类分析,这样既可以降低指标的维数,也可以减少样本的数量。实验证明,该方法简化了网络结构、加快了网络的收敛速度,对提高网络的泛化能力有一定的帮助。     

基于改进二进制蛇优化算法的配电网故障定位

分布式电源(Distributed Generations,DGs)大规模接入给配电系统带来更多不确定性、随机性,系统运行方式更复杂,传统故障定位方法难以适应新型电力系统构建。本文提出一种基于改进二进制蛇优化算法（Improved Binary Snake Optimization,IBSO）的新型故障区段定位方法。利用SPM混沌映射生成高质量的随机数序列,以提高算法种群中个体的随机性,并引入了遗传算法的动态变异策略,根据不同的搜索状态和进化阶段来调整变异率和变异方式,提高算法的灵活性和准确性。通过仿真证明,该方法适用于在含有分布式电源的配电网中定位单一和多重故障区段,相比蛇优化算法、传统二进制粒子群算法以及遗传算法在收敛性、快速性和准确性方面更优。     

一种神经网络结构优化算法研究

提出一种广义自适应前馈网络算法,通过调节参数 ,若满足预先设置的范围,那么输入层和各隐节点规模被认为是合适的,即令网络结构按精度和推广能力来综合考虑,且将输入层中一些无关因素删除,以避免维数灾难。     

一种基于灰度区间的BP神经网络算法研究

为了不断提高前向神经网络的学习能力,考虑在神经网络学习和训练的过程中引入灰色系统理论,设计出一种新型的神经网络算法（GBP）。该算法通过减少输入向量空间的灰度,使得神经网络的输入向量进一步优化,从而更加有利于神经网络的学习和训练。最后通过模拟实验表明,新设计的算法比经典的BP算法有更高的效率,该算法具有训练速度快、泛化能力强等特点,是一种有效的学习方法。     

一种新的快速BP神经网络算法--QLMBP

对反向传播（BP）算法中收敛速度最快的改进版本Levenberg-Marquardt BP（LMBP）进行了研究，找出了收敛速度的瓶颈：迭代控制参数的初始化会严重地影响到算法的选代次数；涉及的矩阵求逆是每次迭代中最耗时的计算；如果每次迭代中的误差平方和没有变小，该次迭代可能需要很长时间．本文通过上下三角（LU）分解去除耗时的矩阵求逆，并采取一维搜索来加速目标函数值的下降，使得LMBP不再依赖于迭代控制参数，从而提出了一种快速神经网络算法QLMBP．QLMBP算法的收敛速度比LMBP算法快100倍左右．     

基于PSO-EO算法优化的BP神经网络研究

PSO算法优化的BP神经网络解决了其收敛速度慢或不收敛等缺点,但PSO算法本身却存在早熟和局部收敛的问题。为此引入EO算法,用EO算法与PSO算法相结合对BP神经网络进行改进。通过实验表明:EO算法与PSO算法结合优化的BP算法具有良好的收敛性和较高的预测精度,其性能优于传统的BP算法及PSO优化的BP算法。     

一种具有全局最优的神经网络BP算法

建立了描述上半周加热、下半周绝热不均匀热流边界条件下的水平管内受迫层流与自然对流叠加的混合对流换热的数学模型。该模型考虑了管壁导热和流体的变物性，研究了不同流体（水和乙二醇水溶液）、不同热流方向对对流换热的影响。同时也进行了上半周加热、下半周绝热边界条件下的水平管内混合对流换热的实验研究。理论和实验研究的结果都表明了，重力场对水平管内流体层流对流换热的影响，为在地面重力场中进行模拟太空微重力环境中的空间辐射器的传热实验研究提供了必要的理论和实验依据。     

前馈神经网络中BP算法的一种改进

在传统的BP算法基础上,提出了一种改进的BP学习算法,先加入描述网络复杂性的量,使算法能够考虑到网络的连接复杂性,进而有可能删除掉冗余的连接甚至节点;接着提出对网络的学习步长的动态调整,以此来尽量避免传统学习中的学习速度过慢和反复震荡;然后给出新的算法是高阶非线性收敛的证明;最后通过实验说明的新的BP算法在一定程度上可减少网络的复杂性,有着比传统算法更快的收敛速度。