[發(fā)明專利]一種電力系統(tǒng)中變電站短期電能質量預測方法

無效

• 申請?zhí)枺?/td>: 201210434409.5
• 申請日: 2012-11-05
• 公開（公告）號: CN103020728A
• 公開（公告）日: 2013-04-03
• 發(fā)明（設計）人: 薛俊茹;宋銳;張海寧;孔祥鵬;叢貴斌;劉可;趙世昌;王軒;梁英;李春來;楊嘉;馬勇飛;楊軍;楊立濱;張杰;張展;杜永濤
• 申請（專利權）人: 青海電力科學試驗研究院;北京一同宇科技發(fā)展有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 西寧金語專利代理事務所 63101
• 代理人: 哈慶華

1.一種電力系統(tǒng)中變電站短期電能質量預測方法，其特征在于：所述的方法包括如下步驟：

（1）BP神經(jīng)網(wǎng)絡引入步驟　采用BP神經(jīng)網(wǎng)絡，即誤差反向傳播神經(jīng)網(wǎng)絡，是人工神經(jīng)網(wǎng)絡中應用最廣的一種神經(jīng)網(wǎng)絡；在人工神經(jīng)網(wǎng)絡的實際應用中，BP神經(jīng)網(wǎng)絡廣泛應用于函數(shù)逼近、模式識別和分類、數(shù)據(jù)壓縮、預測等領域，80%-90%的人工神經(jīng)網(wǎng)絡模型都是采用BP神經(jīng)網(wǎng)絡或者是BP神經(jīng)網(wǎng)絡的變化；

（2）BP神經(jīng)元三層BP神經(jīng)網(wǎng)絡學習步驟　BP神經(jīng)元是BP神經(jīng)網(wǎng)絡最基本的組成部分，其中，????????????????????????????????????????????????為BP神經(jīng)元的輸入，?代表BP神經(jīng)元之間的連接權值，?為閾值，f為BP神經(jīng)元的傳輸函數(shù)，y為BP神經(jīng)元的輸出，有??

??????????????????????????????????????????(1)

BP神經(jīng)網(wǎng)絡輸入向量為；BP神經(jīng)網(wǎng)絡目標向量為；BP神經(jīng)網(wǎng)絡中間層單元輸入向量為，BP神經(jīng)網(wǎng)絡輸出向量為；BP神經(jīng)網(wǎng)絡輸出層單元輸入向量為，BP神經(jīng)網(wǎng)絡輸出向量為；BP神經(jīng)網(wǎng)絡輸入層至中間層的連接權值為，?，?；BP神經(jīng)網(wǎng)絡中間層至輸出層的連接權值為，?，?；BP神經(jīng)網(wǎng)絡中間層各單元的輸出為，?；BP神經(jīng)網(wǎng)絡輸出層各單元的輸出為，?；參數(shù)；

三層BP神經(jīng)網(wǎng)絡的學習過程如下：

1），初始化，給每個連接權值和、閾值和賦予區(qū)間[-1,+1]內的隨機值；

2），隨機選取一組輸入和目標樣本、提供給BP神經(jīng)網(wǎng)絡；

3），用輸入樣本、連接權值和閾值計算中間層各單元的輸入，然后用通過傳遞函數(shù)計算中間層各單元的輸出：

，????????????????(2)

??????????????，????????????????(3)???

4），利用中間層的輸出，連接權值和閾值計算輸出層各單元的輸出，然后通過傳遞函數(shù)計算輸出層各單元的響應：

????????????，?????????????????????(4)

??????????，?????????????????????????(5)

5），利用網(wǎng)絡目標向量，網(wǎng)絡的實際輸出，計算輸出層的各單元一般化誤差：

???????????，?????????????????(6)

6），利用連接權值、輸出層的一般化誤差和中間層的輸出計算中間層各單元的一般化誤差：

??????????，??????????????????(7)

7），利用輸出層各單元的一般化誤差和中間層各單元的輸出來修正連接權值和閾值：

????，?，?，?????(8)

?????，?，?，?????(9)

8），利用中間層各單元的一般化誤差，輸入層各單元的輸入來修正連接權值和閾值：

?????，?，?，?????(10)

??????，，，????(11)

9），隨機選取下一個學習樣本向量提供給網(wǎng)絡，返回到步驟3)，直到個訓練樣本訓練完畢；

10），重新從個學習樣本中隨機選取一組輸入樣本和目標樣本，返回步驟3），直到網(wǎng)絡全局誤差E小于預先設定的一個極小值，即網(wǎng)絡收斂；如果學習次數(shù)大于預先設定的值，網(wǎng)絡就無法收斂；

（3）BP神經(jīng)網(wǎng)絡的設計步驟

BP神經(jīng)網(wǎng)絡的設計主要包括輸入層、隱含層、輸出層及各層之間的傳遞函數(shù)幾個方面，使用的軟件是matlab；

1），網(wǎng)絡層數(shù)?BP神經(jīng)網(wǎng)絡是一種多層前饋型網(wǎng)絡，根據(jù)神經(jīng)網(wǎng)絡的理論，給定任何一個連續(xù)函數(shù)，都可由一個三層BP神經(jīng)網(wǎng)絡來實現(xiàn)，輸入層與隱含層各節(jié)點之間，隱含層與輸出層各節(jié)點之間可通過調整的權值來連接；本方案選取的BP神經(jīng)網(wǎng)絡為三層結構，即輸入層、輸出層和一個隱含層；

2），輸入輸出數(shù)據(jù)選取如下所示，若某變電站是以每3分鐘測得一個點，那么一天就有480個點，將第一天到第五天的連續(xù)5天數(shù)據(jù)作為樣本的輸入，將第9天的數(shù)據(jù)作為樣本的輸出，建立映射關系，得到該指標的數(shù)據(jù)模型；

3），傳輸函數(shù)?BP神經(jīng)網(wǎng)絡傳遞函數(shù)是BP神經(jīng)網(wǎng)絡的重要組成部分，BP神經(jīng)網(wǎng)絡經(jīng)常采用S型的對數(shù)或正切函數(shù)，在某些特定的情況下還可能采用純線性（purelin）函數(shù)；

logsig函數(shù)，即S型的對數(shù)函數(shù)，函數(shù)返回值位于區(qū)間[0,1]中；

?????????????????????????????????(12)

tansig函數(shù)，即S型函數(shù)的正切函數(shù)，函數(shù)返回值位于區(qū)間[-1,1]中；

???????????????????????????(13)?

BP神經(jīng)網(wǎng)絡從輸入層到隱含層和隱含層到輸出層的傳遞函數(shù)分別采用logsig函數(shù)和tansig函數(shù)；

BP神經(jīng)網(wǎng)絡的創(chuàng)建：net1=newff(p,t,[40,20],{?'logsig','tansig'})

其中,newff()為BP神經(jīng)網(wǎng)絡的創(chuàng)建函數(shù)；p表示輸入數(shù)據(jù)，t表示輸出數(shù)據(jù)，[40,20]表示BP神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)為40個，BP神經(jīng)網(wǎng)絡輸出層節(jié)點數(shù)為20個；{'logsig',?'tansig'}表示BP神經(jīng)網(wǎng)絡隱含層的傳遞函數(shù)為'logsig'，BP神經(jīng)網(wǎng)絡輸出層的傳遞函數(shù)為'tansig'；

4），設置模型的參數(shù)

?net1.trainParam.epochs=1000;?%創(chuàng)建迭代次數(shù)

net1.trainParam.lr=0.01;?%創(chuàng)建速度

net1.trainParam.goal=0.00001;?%目標精度

5），BP神經(jīng)網(wǎng)絡的訓練?BP神經(jīng)網(wǎng)絡創(chuàng)建后，要進行訓練；

net2=train(net1,p,t)；

其中，train()為BP神經(jīng)網(wǎng)絡的訓練函數(shù)，net1為剛才創(chuàng)建的BP神經(jīng)網(wǎng)絡，p為BP神經(jīng)網(wǎng)絡的輸入訓練樣本數(shù)據(jù)，t為BP神經(jīng)網(wǎng)絡的目標訓練樣本數(shù)據(jù)，net2為訓練好的BP神經(jīng)網(wǎng)絡；

6），BP神經(jīng)網(wǎng)絡的測試?BP神經(jīng)網(wǎng)絡的性能好壞主要看其是否具有很好地泛化能力，而對泛化能力的測試不能用訓練樣本的數(shù)據(jù)進行檢驗，而要用訓練樣本以外的測試樣本數(shù)據(jù)來進行檢驗；

Y=sim(net2,ptest);

其中，sim()可對BP神經(jīng)網(wǎng)絡進行仿真，net2為訓練好的BP神經(jīng)網(wǎng)絡，ptest為BP神經(jīng)網(wǎng)絡的輸入測試樣本數(shù)據(jù)，Y為BP神經(jīng)網(wǎng)絡的測試結果；

E=Y-L；

其中，Y為BP神經(jīng)網(wǎng)絡的測試結果，L為BP神經(jīng)網(wǎng)絡的輸出測試樣本數(shù)據(jù)，E為BP神經(jīng)網(wǎng)絡測試樣本數(shù)據(jù)的絕對誤差；

mae(E)即平方絕對誤差，是BP神經(jīng)網(wǎng)絡的一種性能分析函數(shù)；

7），保存以上的具有很好地泛化能力的模型，在以后的數(shù)據(jù)預測中，能夠將每連續(xù)5天的數(shù)據(jù)來作為輸入，通過該模型預測未來第9天的數(shù)據(jù)。