基于改进BP神经网络的火电厂实时数据预测模型研究.pdf

《基于改进BP神经网络的火电厂实时数据预测模型研究.pdf》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、基础研究基于改进BP神经网络的火电厂实时数据预测模型研究陆王琳,李蔚,盛德仁,陈坚红,袁镇福,岑可法(浙江大学,浙江杭州310027)[摘要]提出了一种基于改进BP神经网络的火电厂实时数据预测模型,即在标准BP算法中引入动量因子和自适应学习速率,以减少收敛振荡过程,加快学习速度。选用某电厂300MW机组主给水流量实时数据进行网络训练学习和校核,分析了输入和隐含层节点数、学习样本数和动量因子对模型预测精度的影响。实例分析表明,该模型有较好容错性,能满足火电机组性能分析的要求。[关键词]BP神经网络;预测模型;火电厂;动量因子;自适应[

2、中图分类号]TP183[文献标识码]A[文章编号]10023364(2006)07001803随着计算机技术的发展,火电厂自动化水平不断由信号的前向传播和误差的反向传播两部分组成。引提高,机组的性能分析和故障诊断软件得到广泛应用,入动量法和自适应学习速率法,可以加快收敛速度和[4]而实时测量数据的准确性和可靠性是这些应用软件发减少过程振荡。挥作用的基础。利用神经网络独特的非线性映射能力[1]和自主学习能力,可以实现实时数据的时序预测。1.1动量法在机组运行中一旦发现测量数据有误,可以利用训练引入动量因子α目的是增加一个阻尼项以减少过

3、好的神经网络模型提供合理准确的预测值,保障机组程振荡,其实质是使网络在修正权值时,在每一权值的后续性能计算的准确性。变化上加上一项正比于上次权值修正量的值,其数学BP神经网络是一种应用最广泛的人工神经预测描述如下:网络,它独有的容错性和泛化能力能较好地进行时序Δwij(t)=η(9E/9wij)+α×Δwij(t-1)(1)[2,3]预测。本文针对标准BP算法收敛速度慢和易陷其中:Δwij为权值修正量,9E/9wij为误差梯度。入局部最小点等问题,提出动量法和自适应步长法来改进BP算法,并选用某电厂300MW机组主给水流1.2自适应

4、学习速率法量数据进行改进BP神经网络训练,得出了满足火电标准BP算法中学习速率η为固定值,为了提高预厂机组性能分析计算和工程应用要求的实时数据预测测精度,学习速率应足够小,从而导致学习过程较慢。模型。为解决这一问题,在训练过程中采用自动调整学习速率方法:先设一个初始学习速率,判断权值修正后总误1改进BP算法时序预测基本原理差是否下降,若是则说明学习速率低,可以增大学习速率;反之则应适当减小速率,可表示为:标准BP神经网络模型包括输入层,隐含层和输η×1.05E(k+1)

5、过程η×0.7E(k+1)≥E(k)资助项目:浙江大学第七期大学生科研训练计划项目作者简介:陆王琳(1982),女,浙江宁波人,浙江大学机械与能源动力工程学院本科生。18热力发电·2006(07)基础研究其中:E(k)为总误差。1.3时序预测原理时间序列的本质特征之一就是其相邻观测值的依赖性。时序预测就是利用时间序列生成随机动态模型,从而对未来时刻值进行预测。一步时序预测即根[5]据t时刻及以前时刻的值来预测t+1时刻值。对于样本来说,即用过去连续n(n≥1)个时刻来预测下一个时刻的值,将训练样本分为k个长度为n+1并有重图1隐层节

6、点数对模型预测精度的影响[6]叠的数据段(表1)。网络学习训练比较(学习样本数范围介于20～80)后表1样本数据分段发现当输入节点为10时,学习样本数在50个左右模网络输入网络输出型精度较高(图2)。当输入节点增加至15时,学习样x(1),x(2),⋯,x(n)x(n+1)本数在20个左右就可以达到精度要求。x(2),x(3),⋯,x(n+1)x(n+2)……x(k),⋯,x(k+n)x(k+n+1)2模型预测精度影响因素应用神经网络对火电厂机组测量数据进行时序预测时,网络的拓扑结构对预测精度影响很大。本文选图2学习样本数对模型预测

7、精度的影响用某电厂300MW机组主给水流量实时数据进行改进BP神经网络的学习和训练。2.3动量因子动量因子取值范围在(0～1)间,根据经验一般选2.1输入节点数和隐层节点数取0.9左右,试验发现动量因子在(0.9～1)间取值对模因为时间序列的预测是从历史数据中寻求未来的型预测精度影响很小。变化趋势,因此输入数据的信息含量直接决定了最终的预测精度。一般开始时,随着历史数据的增加,预测3实例分析误差下降较快,预测精度增加,但当数据所含信息量近于饱和时,预测误差下降逐渐变缓,预测精度基本不再3.1预测模型参数确定提高。综合分析比较后发现,

8、对于本文研究的主给水样本来自某火电厂300MW机组主给水流量实流量选取10～15个节点较为适宜。另外,增加样本学时数据,采集间隔为6s。选用15个数据点作为输入,习数,可以适当减少输入节点数。隐层选取30个节点,输出为1,进行一步时序