[发明专利]一种双向优化BP神经网络滑模变结构的四阶电力系统混沌控制方法

权利要求书

1.一种双向优化BP神经网络滑模变结构的四阶电力系统混沌控制方法，其特征是：包括以下步骤：

步骤1：建立四阶电力系统混沌数学模型，对四阶电力系统混沌数学模型进行简化后建立受控系统；

步骤2：确定系统初始状态与目标平衡点，根据系统初始状态和目标平衡点确定指数趋近律的系数与滑动超平面的关系函数；

步骤3：在整体选择Sigmoid激励函数的基础上，进行BP神经双向优化；

步骤4：根据步骤2中所述关系函数，选取神经网络单输入和单输出的数据样本，对双向优化BP神经网络进行训练；

步骤5：根据训练好的双向优化BP神经网络应用于滑模变结构中逼近步骤2中所述关系函数，控制四阶电力系统中的混沌振荡；

所述步骤1具体为：

步骤1.1：通过下式表示四阶电力系统混沌数学模型：

其中，δ_m为发电机功角，ω_s为滑差角频率，δ为节点电压相角，U节点电压幅值，Q₁为负荷无功功率，P_m为机械输入功率，d_m为阻尼系数，M为惯性常数，m表示与发电机相关，E_m为发电机电动势，E'₀为网络瞬态电动势，Y′₀为网络导纳参数，θ'₀为网络阻抗角，Y_m为发电机导纳参数，θ_m为发电机阻抗角，Q₀为系统恒定无功功率，T为四阶电力系统化简负荷参数，K_qω、K_qv2为四阶电力系统化简负荷无功参数，K_pv与K_pω为四阶电力系统化简负荷有功参数，P₀为系统恒定有功功率，P₁为负荷有功功率；

步骤1.2：对四阶电力系统混沌数学模型进行简化后建立受控系统，通过下式表示简化后的受控系统：

其中，K_d和H_d为化简参数，u_i为控制量，i＝1,2,3,4。

2.根据权利要求1所述的一种双向优化BP神经网络滑模变结构的四阶电力系统混沌控制方法，其特征是：选取系统的初始状态，通过下式表示选取的系统初始状态:

[δ_m,ω_s,δ,U]＝[0.3,0,0.2,0.97]

通过下式表示系统目标平衡点:

确定指数趋近律，通过下式表示指数趋近律：

其中，η_i为指数趋近律系数，k为指数趋近律定值，系统状态的导数，n＝1,2,3,4。

3.根据权利要求1所述的一种双向优化BP神经网络滑模变结构的四阶电力系统混沌控制方法，其特征是：当(s₁-0.3366)＜0时，其中s₁₀为系统状态初始值，设系统在有限时间由负状态到达零状态，则在这段时间内s₁就变成了η₁的函数，通过下式表示s₁的η₁的函数：

当(s₁-0.3366)＞0时，在这段时间内s₁的η₁的函数为：

其中，为有限时间，为第一个系统变量的处于正状态的系统状态初始值，为第一个系统变量的处于负状态的系统状态初始值。

4.根据权利要求1所述的一种双向优化BP神经网络滑模变结构的四阶电力系统混沌控制方法，其特征是：根据系统初始状态和目标平衡点确定指数趋近律的系数与滑动超平面的关系函数，通过下式表示指数趋近律的系数与滑动超平面的关系函数：

其中，为关系式η_j-s_j化简参数，为关系式η_j-s_j化简参数，s_j为系统第j个系统状态，a_j为第j个滑模面预设值，j＝1,2,3,4。

5.根据权利要求1所述的一种双向优化BP神经网络滑模变结构的四阶电力系统混沌控制方法，其特征是：所述步骤3具体为：

步骤3.1：进行正向优化，正向优化BP神经网络选取Sigmoid激励函数，通过下式表示Sigmoid激励函数：

其中，f(x)为Sigmoid激励函数；

将隐藏在Sigmoid激励函数替换为具有logistic映射方程的激励函数，通过下式表示所述替换后的机理函数：

f_c(x)＝μx(1-x)；

其中，μ为可变参数，x为输入变量；

步骤3.2：进行反向优化，优化学习率λ，通过下式表示优化后的学习率λ：

其中，α∈(1.1,1.3)为增强学习率系数，E(i)为目标函数，λ(i)为学习率，β∈(0.7,0.9)为减弱学习率系数。