基于Chebyshev多项式的神经网络中长期负荷预测研究

高精度负荷预测在提高电力系统的安全性和经济性方面有着极其重要的意义,而现有的负荷预测方法因参数有限,难以完全反映其内在规律,因而导致预测结果不够准确.为此提出了一种基于Chebyshev多项式神经网络模型的预测方法.该方法使用递推最小二乘法训练神经网络权值系数,以获得高精度的参数估计,从而实现Chebyshev多项式神经网络模型对负荷量的最优拟合,再利用训练好的Chebyshev多项式神经网络模型实现中长期负荷预测.研究结果表明,该方法能较好模拟负荷变化规律,有效提高了负荷预测精度,在电力系统负荷预测中有较大的应用价值.     

不确定混沌系统的径向基函数神经网络反馈补偿控制

对不确定混沌系统控制问题, 研究了一种基于径向基函数神经网络(radial basis function neural network, RBFNN)的反馈补偿控制方法. 该方法首先用RBFNN对混沌系统的动力学特性进行学习, 然后用训练好的RBFNN模型对混沌系统进行反馈补偿控制. 该方法的特点是不需要被控混沌系统的数学模型,可以快速跟踪任意给定的参考信号. 数值仿真试验表明了该控制方法不仅具有响应速度快、控制精度高, 而且具有较强的抑制混沌系统参数摄动能力和抗干扰能力.     

不确定分数阶时滞混沌系统自适应神经网络同步控制

针对带有完全未知的非线性不确定项和外界扰动的异结构分数阶时滞混沌系统的同步问题,基于Lyapunov稳定性理论,设计了自适应径向基函数(radial basis function,RBF)神经网络控制器以及整数阶的参数自适应律.该控制器结合了RBF神经网络和自适应控制技术,RBF神经网络用来逼近未知非线性函数,自适应律用于调整控制器中相应的参数.构造平方Lyapunov函数进行稳定性分析,基于Barbalat引理证明了同步误差渐近趋于零.数值仿真结果表明了该控制器的有效性.     

基于扩展型Duffing振子的局部放电信号检测方法研究

目前, 小波阈值去噪法、数字滤波法、傅里叶频域变换法等常用的微弱信号检测方法所能达到的最低检测信噪比为-10 dB, 而双向环形耦合Duffing振子能达到的最低检测信噪比为-20 dB. 但是, 现场检测时常常会出现更低信噪比的放电脉冲信号, 因此现有检测方法就很难满足信号检测的实际需求. 为了有效解决该难题, 研究了一种扩展型Duffing振子的微弱脉冲信号检测的新方法. 该方法的主要思想是使用广义时间尺度变换, 将Duffing振子模型变换为扩展型Duffing振子模型, 有效扩展了微弱信号的频率检测范围. 仿真结果表明, 扩展型Duffing振子不仅具有良好的噪声免疫特性, 而且能有效检测到信噪比低至-40 dB的局部放电微弱脉冲信号, 进一步扩展了现有Duffing振子微弱信号检测方法的检测范围和应用领域.     

基于多项式神经网络模型的人口预测方法研究

为了提高人口预测精度,提出了基于多项式神经网络模型与递推最小二乘法的人口预测方法.方法完全避免了人为假设条件,充分利用我国六次人口普查数据来建立基于多项式神经网络模型的人口预测模型,并使用递推最小二乘算法递推计算多项式神经网络模型的加权系数.方法能有效预测中长期人口数据及其变化趋势.研究结果表明,中国将在2016年达到人口高峰1385亿.     

不确定混沌系统的多项式函数模型补偿控制

针对不确定混沌系统控制问题, 研究了一种基于共轭梯度法(conjugate gradient algorithm, CGA)的多项式函数模型 (polynomial-basis-functions model, PBFM)的补偿控制方法. 该方法首先用PBFM对混沌系统的动力学特性进行拟合, 然后用拟合好的PBFM模型对不确定混沌系统进行前馈补偿控制. 该方法的特点是不需要被控混沌系统的数学模型, 可以快速跟踪任意给定的参考信号. 数值仿真试验表明了该方法不仅具有响应速度快、控制精度高, 而且具有较强的抑制混沌系统参数摄动能力和抗干扰能力. 关键词： 混沌控制 多项式函数模型 共轭梯度法