[发明专利]一种基于小波神经网络的火电机组变负荷速率预测方法

权利要求书

1.一种基于小波神经网络的火电机组变负荷速率预测方法，其特征在于：包括以下的步骤：

S1：从火力发电厂DCS系统选取在一个负荷变动时刻能够反映火电机组运行状态的数据x₁,x₂,…,x_k,…,x_m作为输入数据，根据该变负荷时刻火电机组实际的负荷曲线得到变负荷速率d₁作为预测输出数据，并将R组(x₁,x₂,…,x_k,…,x_m,d₁)₁,(x₁,x₂,…,x_k,…,x_m,d₁)₂,……,(x₁,x₂,…,x_k,…,x_m,d₁)_R作为R组学习样本，将Q组(x₁,x₂,…,x_k,…,x_m,d₁)₁,(x₁,x₂,…,x_k,…,x_m,d₁)₂,……,(x₁,x₂,…,x_k,…,x_m,d₁)_Q作为Q组测试样本；设定期望误差或者最大训练次数，设定小波神经网络精度；其中，m≥1，R≥1，Q≥1；

S2：根据步骤S1中的输入数据和预测输出数据确定输入层个数为m、隐含层个数为n和输出层个数为1，其中n＝2m+5；用学习样本训练小波神经网络，如果误差小于期望误差或者训练次数达到最大训练次数，则停止训练小波神经网络；

所述步骤S2包括以下的步骤：

S2.1：初始化小波神经网络参数：用[-0.1 0.1]区间内的随机值初始化第k输入层到第j隐含层的连接权值w_jk、第j隐含层到第i输出层的连接权值v_ij、第j层的小波尺度参数a_j和第j层的小波位移参数b_j；

S2.2：将所述步骤S1中的输入数据和预测输出数据采用以下的归一化公式进行归一化：

Vi-minVimaxVi-minVi---(1)]]>

其中，V_i为需要归一化的数组，minV_i为需要归一化的数组中最小的元素值，maxV_i为需要归一化的数组中最大的元素值；

S2.3：依次输入R组学习样本，进行训练；设当前输入为第p组学习样本，其中，1≤p≤R；

S2.4：经过小波神经网络的计算后得到第i个输出层的输出数据：

yi(t)=Σj=0nvijψa,b(netj),(i=1,2,...,N)---(2)]]>

其中，y_i(t)为第i个输出层的输出数据，i＝N＝1，t为当前训练的次数，1≤t≤最大训练次数；

S2.5：记录已学习的学习样本个数p；如果p<R，则返回步骤S2.3继续进行第t次训练；如果p＝R，则继续进行步骤S2.6；

S2.6：计算步骤S2.4中得到的神经网络输出层的输出数据[y₁,y₂,…,y_i,…,y_N]与预测输出数据[d₁,d₂,…,d_i,…,d_N]的误差E：

E=12Σp=1RΣi=1N(dip-yip)2---(3)]]>

其中，i＝N＝1；

S2.7：如果步骤S2.6中得到的误差E满足期望误差或者步骤S2.3中的t等于最大训练次数，则终止学习；否则，继续进行步骤S2.8；

S2.8：用步骤S2.6中得到的误差E修正w_jk、v_ij、a_j和b_j，修正后的w_jk、v_ij、a_j和b_j为：

wjk(t+1)=-η∂E∂wjk+wjk(t)---(4)]]>

vij(t+1)=-η∂E∂vij+vij(t)---(5)]]>

aj(t+1)=-η∂E∂aj+aj(t)---(6)]]>

bj(t+1)=-η∂E∂bj+bj(t)---(7)]]>

其中，η为学习率，和的公式如下：

∂E∂wjk=-Σp=1RΣi=1N(dip-yip)yip(1-yip)vijψa,b,(netjp)xkp/aj---(8)]]>

∂E∂vij=-Σp=1R(dip-yip)yip(1-yip)ψa,b(netjp)---(9)]]>

∂E∂aj=Σp=1RΣi=1N(dip-yip)yip(1-yip)vijψa,b,(netjp)(netjp-bjbj)/aj---(10)]]>

∂E∂bj=Σp=1RΣi=1N(dip-yip)yip(1-yip)vijψa,b,(netjp)/aj---(11)]]>

其中，ψ_a,b'为函数ψ_a,b的导函数；将修正后的w_jk、v_ij、a_j和b_j的值替换原来的值，然后返回步骤S2.3进行第t+1次训练；

S3：用测试样本对步骤S2中得到的小波神经网络进行测试，判断小波神经网络是否达到步骤S1中设定的小波神经网络精度；如果达不到，则调整隐含层个数n、期望误差或者最大训练次数后，返回步骤S2；如果达到，则得到了一个训练合格的小波神经网络，继续进行步骤S4；

S4：利用步骤S3中得到的训练合格的小波神经网络对火电机组的变负荷速率进行预测，得到小波神经网络的输出结果，将输出结果反归一化之后得到最终预测结果。