用于磁化曲线拟合的高精度混合型径向基函数神经网络

铁磁材料的主磁滞回环是强非线性函数 ,其精确拟合是电力系统暂态仿真中的一个重要课题 ,应用人工神经网络对其进行模拟是一种新尝试。作者针对前馈神经网络的反向传播 BP学习算法收敛速度慢和径向基函数 (RBF)神经网络在拟合中光滑性 (内插和外推能力 )差的缺点 ,提出了一种新型的混合型径向基函数神经网络 ,有效地克服了 BP神经网络和普通径向基函数神经网络在铁磁材料主磁滞回环拟合方面的缺点 ,实际应用获得满意结果。

表面响应模型在磁化曲线拟合中的应用

利用表面响应模型与遗传算法相结合的方法,将其应用于变压器模型仿真过程中磁化曲线的拟合。并且在FORTRAN语言环境下实现了该算法。通过与传统的最小二乘法相比较,验证了该算法可较大幅度地提高拟合精度,在非线性曲线拟合、设备优化设计领域等具有良好的应用前景。