基于ANN的在线参数自适应预测算法的研究.pdf

《基于ANN的在线参数自适应预测算法的研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于ANN的在线参数自适应预测算法的研究StudyonANNBasedAdaptivePredictionofOn-lineParameterofElectricDevice杨武荣命哲陈德桂（西安交通大学电气工程学院710049）YangWuRongMingzheChenDegui（Xi’anJiaotongUniversity710049China）摘要本文从一个新的角度研究了基于人工神经网络（ANN）的预测问题，针对在线参数的特点，提出一种基于ANN的自适应预测算法，研究了训练样本噪声，采样频率与信号频率对算法性能的影响，对算法作出改进。并从预测算法的

2、通用性和速度等方面对该算法进行了评价。将该算法应用于电力设备在线参数的预报，预测结果表明该算法是有效的。关键词：人工神经网络在线参数自适应预测中图分类号：TM732AbstractAnewartifieiaIneuraInetwork（ANN）basedonadaptivepredictionmethodisproposedac-cordingtothecharacteristicoftheon-Iineparameters.Theeffectsofsomefactorssuchasnoiseintrainingda-ta，sampIingfreguenc

3、yandsignaIfreguencyarestudiedandsomeimprovementsaremade.Thenewmethodhassuchfeaturesasi）It’saroIIingpredictionbasedonIimiteddata；ii）Itisauto-adaptivebyobtainingthecharacterinreaI-time；iii）Itsspeedisfastenoughtopredictthechangingon-Iineparameters.Thismethodisusedtopredicttheon-Iinep

4、arametersofeIectricdeviceandtheresuItshowsitsvaIidity.Keywords：ArtificiaIneuraInetwork，on-Iineparameter，adaptiveprediction进行了研究，取得了一定成果。1引言但现有的预测技术基本上是针对现有大量数由于人工神经网络（ANN）具有处理复杂非线据，预测下一时刻或下一阶段的状态，属于静态预性信号的能力。自20世纪90年代以来，各国学者测的范畴。随着预测性能的提高以及生产实践的需开始利用ANN来进行非线性预测，并取得了相当要，在线参数的动态预测逐渐

5、提到议事日程。在设程度的进展。MarceIoC.Medeiros等人提出一种混备状态在线监测领域，常常需要根据历史数据和当合线性-神经网络模型用于时间序列的预测，并采前监测的数据预测某物理量在下一时刻或一段时期用该方法对太阳黑子数目进行了预测，跟传统方法内的数值，这对于正确地了解故障特征量的变化趋相比，该方法具有更高的精度［1］。OtavioA.S.势，从而合理地安排检修周期，具有十分重要的意Carpinteiro等人提出一种分级人工神经网络模型，义。在工业控制领域，预测控制方法提供了在复杂并将其用于电力负荷预测，取得了良好效果［2］。环境下有效利用过程信

6、息实现优化控制的途径［7］。WiktorCharytoniuk等人也采用ANN进行短期电力负而这种方法的基础在于合适的在线参数预测算法。荷预测［3］。文献［4］~［6］对于人工神经网络预研究易于工程实现的在线参数预测算法，正是为了测技术及其在大型回转机械故障诊断领域内的应用适应上述需要。杨武男，1975年生，现在西安交通大学攻读博士学位，发表论文近10篇，主要研究方向为电气设备在线监测和故障诊断。荣命哲男，1963年生，博士，博士生导师，副院长，发表论文40余篇，3项科研成果分获国家自然科学奖、教育部科技进步奖。73上述的滑动时间窗可以很好地反映在线参数的

7、2ANN预测原理及预测算法评价指标特点。首先，它可以动态地将不断更新的采样数据采用ANN进行预测，就是要利用其非线性处纳入窗口范围并能将窗口的中心定位在最能反映系理能力，建立神经网络预测模型。该模型可用如下统当前特征的数据段；其次，通过适当地选取窗口预测方程表示［S］宽度，可以同时满足实时性和准确性的需要。I本文选用合适的人工神经网络结构，利用上述x（I）=!f（iX）x（I-i）+!（I）（l）i的动态滑动时间窗技术，提出一种在线参数预测算f（iX）=（f（xI-l），（xI-2），⋯，（xI-I），!（I））法。以下详细探讨该算法的实现并对算法的性能做

8、（2）出评价。式中!（I）———I时刻的白噪声基于时变序列中不同时