[發(fā)明專利]基于大數(shù)據(jù)與貝葉斯神經(jīng)網(wǎng)絡(luò)的AGC系統(tǒng)辨識(shí)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810503450.0
• 申請(qǐng)日: 2018-05-23
• 公開（公告）號(hào): CN108985313A
• 公開（公告）日: 2018-12-11
• 發(fā)明（設(shè)計(jì)）人: 彭道剛;趙慧榮;田園園;蘇燁;何鈞;高升;孫宇貞;梅蘭
• 申請(qǐng)（專利權(quán)）人: 上海電力學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/08;G06Q50/06
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 宣慧蘭

1.一種基于大數(shù)據(jù)與貝葉斯神經(jīng)網(wǎng)絡(luò)的AGC系統(tǒng)辨識(shí)方法，其特征在于，包括以下步驟：

S1、采集AGC系統(tǒng)的歷史數(shù)據(jù)，對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)處理后得到樣本數(shù)據(jù)；

S2、對(duì)貝葉斯神經(jīng)網(wǎng)絡(luò)初始化；

S3、計(jì)算隱含層、輸出層各神經(jīng)元的輸入和輸出，計(jì)算實(shí)際輸出與貝葉斯神經(jīng)網(wǎng)絡(luò)輸出之差，并按照MSE標(biāo)準(zhǔn)計(jì)算誤差；

S4、判斷誤差是否達(dá)到要求，如果達(dá)到要求，則進(jìn)行步驟S6，否則，對(duì)輸出層與隱含層之間的權(quán)值和闕值進(jìn)行修正，對(duì)輸入層與隱含層之間的權(quán)值和闕值進(jìn)行修正，更新各連接權(quán)值，學(xué)習(xí)次數(shù)加1；

S5、重復(fù)步驟S3～S4，直到達(dá)到誤差要求或者最大學(xué)習(xí)次數(shù)；

S6、計(jì)算貝葉斯神經(jīng)網(wǎng)絡(luò)隱含層和輸出層的最終結(jié)果，得到辨識(shí)的數(shù)學(xué)模型。

2.根據(jù)權(quán)利要求1所述的基于大數(shù)據(jù)與貝葉斯神經(jīng)網(wǎng)絡(luò)的AGC系統(tǒng)辨識(shí)方法，其特征在于，所述步驟S1具體包括：

S11、采集AGC系統(tǒng)的歷史數(shù)據(jù)，采用平滑方法去除歷史數(shù)據(jù)中的噪聲；

S12、對(duì)歷史數(shù)據(jù)進(jìn)行零初始化和歸一化處理；

S13、采用近鄰法從歷史數(shù)據(jù)中選擇得到樣本數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的基于大數(shù)據(jù)與貝葉斯神經(jīng)網(wǎng)絡(luò)的AGC系統(tǒng)辨識(shí)方法，其特征在于，所述步驟S11中平滑方法采用LOESS平滑方法，該方法具體包括：

S111、以歷史數(shù)據(jù)中任意數(shù)據(jù)點(diǎn)x_i為中心確定一個(gè)區(qū)間，區(qū)間寬度取決于參加局部回歸的觀察值個(gè)數(shù)；

S112、定義所述區(qū)間內(nèi)所有點(diǎn)的權(quán)值；

S113、將所述區(qū)間內(nèi)的點(diǎn)擬合為二次曲線，得到擬合值y_i；

S114、對(duì)歷史數(shù)據(jù)中每個(gè)點(diǎn)進(jìn)行步驟S111～S113的處理，得到一組平滑點(diǎn)，x_i的平滑點(diǎn)就是x_i在擬合出來的直線上的擬合點(diǎn)(x_i,y_i)，將所有點(diǎn)用短直線連接，得到LOESS回歸曲線，根據(jù)LOESS回歸曲線得到LOESS平滑結(jié)果。

4.根據(jù)權(quán)利要求3所述的基于大數(shù)據(jù)與貝葉斯神經(jīng)網(wǎng)絡(luò)的AGC系統(tǒng)辨識(shí)方法，其特征在于，所述步驟S112中的權(quán)值是通過立方加權(quán)函數(shù)T(u)定義：

其中，u＝Δ_i(x)/Δ_(q)(x)，Δ_i(x)＝|x_i-x|表示點(diǎn)x到xi的距離，xi表示歷史數(shù)據(jù)的任意數(shù)據(jù)點(diǎn)，x表示歷史數(shù)據(jù)中除x_i之外的其他數(shù)據(jù)點(diǎn)，Δ_(q)(x)表示Δ_i(x)的最大值。

5.根據(jù)權(quán)利要求3所述的基于大數(shù)據(jù)與貝葉斯神經(jīng)網(wǎng)絡(luò)的AGC系統(tǒng)辨識(shí)方法，其特征在于，所述步驟S114中根據(jù)LOESS回歸曲線得到LOESS平滑結(jié)果的過程包括：

定義誤差函數(shù)為擬合值與實(shí)際值的差值的平方和，利用梯度下降法使LOESS回歸曲線逼近y＝θ_ix_i，y表示輸入或輸出數(shù)據(jù)平滑曲線，θ_i表示x_i處平滑曲線的斜率，從而得到LOESS平滑結(jié)果。

6.根據(jù)權(quán)利要求2所述的基于大數(shù)據(jù)與貝葉斯神經(jīng)網(wǎng)絡(luò)的AGC系統(tǒng)辨識(shí)方法，其特征在于，所述步驟S12中零初始化處理具體包括：

其中，u^*(k)、y^*(k)、u(k)、y(k)分別表示輸入數(shù)據(jù)零初始化后的值、輸出數(shù)據(jù)零初始化后的值、輸入數(shù)據(jù)零初始化前的值、輸出數(shù)據(jù)零初始化后的值，N為常數(shù)，表示取數(shù)據(jù)的前N位的均值作為數(shù)據(jù)的初始值。