电力系统负荷频率控制LFC的小波神经网络辨识

《电力系统负荷频率控制LFC的小波神经网络辨识》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、维普资讯http://www.cqvip.com第34卷第9期继电器Vo1．34No．9342006年5月1日RELAYMay1，2006电力系统负荷频率控制LFC的小波神经网络辨识李正，杜成涛，杨文焕(上海理工大学电气工程学院，上海200031)摘要：建立了非线性的电力系统负荷频率控制LFC模型，利用递归NARMA模型的小波网络的实现方法对LFC模型进行了辨识，利用Akaikeg的最终预测误差准则FPE和信息准则AIC，进行了隐层节点数目和反馈阶次的计算，理论和仿真表明辨识模型可取得较好效果关键词：小渡神经网络；负荷频率控制；NARMA模型中

2、图分类号：TM71文献标识码：A文章编号：1003-4897(2006)09-0034-030引言c=d

3、变换建立起小波变换与网络参数之间的连接。(4)随着电力技术的发展，发电机组的容量日趋增如果满足框架特性：存在两个常数c和大，电网结构及其运行方式日益庞大和复杂。电力c，对于所有￡(R)中的，满足系统中的各个环节存在着非线性和多变量的交叉与融合，使系统的数学模型更加难以建立和求解，并且c≤∑=I<>I≤c(5)控制器控制参数的调整也很困难，即使对系统进行在求和中，<，>表示()的内积，求和范简化，对应不同时刻和不同的运行方式，也难以找到围为整个簇中的所有元素。那么就可以从所有合适的控制器参数。因此有必要研究新的更有效的框架(f)中的元素的线形组合

4、中恢复出原始信号。负荷频率辨识和控制方法。本文将小波神经网络应如果Ci=C⋯=C，那么框架是紧支框架，用于电力系统负荷频率辨识中。有下式成立：1小波神经网络的辩识模型)=C∑I<(D>I。(D：{(D∈}(6)将式(6)和神经网络联系起来，可得小波神经1．1小波神经网络网络：设函数∈L(R)nL‘(R)，且其Fourier变换／V．(0)=0，由经伸缩和平移得到一族函数：)一∑Wdet(D)寺[D一￡](7)=(detD)7[D一](1)考虑到式(7)的实用性，将其改为：{^∈R，D^=diag(d)，d∈R，∈Z})=：W[D一]+g(8)其

5、中：d和分别是伸缩和平移矢量。为母小波，为分析小波。如果的Fourier变换满足允许是用来处理在有限域中的非零均值函数，在小性条件，则称母小波为允许小波，允许性条件是波分解中，只需确定(d，￡)；相反，在小波网络中，需下式：要确定权值W、伸缩矢量和平移矢量。可以采用类似于多层前馈神经网络的结构来实现。常用的基金项目：上海理工大学青年科研基金(03XQNO08)小波函数有墨西哥草帽函数，Morlet小波，Meyer小维普资讯http://www.cqvip.com李正，等电力系统负荷频率控制LFC的小波神经网络辨识35波，Daubechies小波

6、等。这些函数有优良的时频局域FPE=E(1+蔷)／(1一蔷)(12)性，基本上满足允许性条件，通过选择适当的伸缩矢，)n量d和平移矢量t，可使满足框架特性。AIC=log(E)+(13)rJ1．2小波神经网络辨识模型其中：是代价函数，是训练样本的长度，Q是网Cybenko、Funahashi、Hornik等人分别用不同的络中需要调整参数的个数。方法证明了一个共同的结论，即仅含一个隐层的前赤池建议，当欲从一组可供选择的模型中选择馈网络能以任意精度逼近定义在中的一个紧集一个最佳模型时，AIC和FPE为最小的模型是最佳上的任意非线性函数。采用隐层单元

7、作用函数为有的。当两个模型之间存在着相当大的差异时，这个界连续函数。可以采用Sigmoid函数，也可以采用差异在式(12)和式(13)右边第一项得到表现；而当有界连续的小波函数。可将该理论应用于多层前馈两个模型间的差异几乎没有时，则第二项起作用，从小波神经网络。而参数个数小的模型是好的模型。可以采用非线性自回归滑动平均模型NARMA对于递归NARMA模型的小波神经网络，为了(nonlinearauto—regressivemovingaveragemode1)进简便计算，输出量和控制量的反馈阶次都相同，模型行系统辨识：阶次为五=m：／／,，m为

8、输出量的反馈阶次，n为控制Y()=(Y(一1)，⋯，Y(一／／,)；量的反馈阶次，则Q=4N+4N+2。选择隐／Z(一1)，⋯，／Z(一m))(9)层