动态神经网络模型和在电力负荷建模中的应用.pdfVIP

第 24 卷 第 4 期 华 　北 　电 　力 　大 　学 　学 　报 Vol. 24 No. 4 1997 年 10 月 Journal of North China Electric Power University Oct . 　1997 动态神经网络模型及在电力负荷 建模中的应用 章　健 　贺仁睦　韩民晓 (华北电力大学电力系 , 北京 　100085) 分析了静态神经网络在动态电力负荷建模中存在的问题 ,提出了适用于动态 摘 　要 　 负荷建模的动态神经网络模型 ,并且给出了具体的训练算法。通过对一个实际工业负荷 建模 ,证明了所提方法的可行性及有效性。 关键词 　静态神经网络 　动态神经网络 　动态负荷模型 中图分类号 　TM 628 　　引　言 电力负荷的本质非线性以及电力负荷在电力系统动态过程中会面临较大跨度的电压、 频率扰动使其非线性特性充分表现出来 ,这就要求建立非线性的负荷模型 , 以便更准确地描 述负荷的动态行为。许多应用实例表明 ,人工神经网络所具有的非线性映射能力和高度并 行运算能力为非线性动态负荷模型的辨识提供了一条有效的途径。但目前在神经网络动态 负荷建模中普遍采用的是处理静态函数逼近问题的训练方法 ,该方法对动态负荷建模是一 种间接的方法 ,并且存在动态回响测试[ 1 ] 效果与模型结构复杂程度的矛盾。针对这一问题 , 本文提出了动态神经网络模型及训练算法 ,该模型的辨识过程与动态负荷模型的最终使用 方式相一致 ,对于相同的结构 ,所辨识模型的动态回响效果一定不次于现有方法辨识所得模 型的动态回响效果 ,并且可以在简单的模型结构下获得满意的动态回响效果 ,特别适用于动 态负荷建模。 1 　静态神经网络负荷模型及训练方法 神经元网络之所以可以作为一种建模方法源于它的非线性映射能力 。正象传递函数可 以作为线性系统模型的一般描述一样,人工神经元网络潜在地提供了非线性模型的一般描 述。近年来国内外大批学者掀起了利用神经网络建模的应用研究热潮[ 2 ] 。在作为系统建模 特殊领域的电力负荷建模中 ,也有许多国内外学者开展了这项研究 ,并且取得了一些成果。 但目前在动态负荷建模中广泛采用处理静态问题的前馈式神经网络模型 , 网络训练采用误 ( ) 差反向传播算法 Back - Propagation ,简称BP 算法 或其改进算法。其基本过程如下 : 设拟训练的神经网络为 p 输入、s 输出前馈式网络, 如图 1 所示 本文课题受国家自然科学基金资助。 　收稿日期 :1996 - 11 - 11 。 © 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved. 2 华 　　北 　　电 　　力 　　大 　　学 　　学 　报 　　　　　　　　　1997 年 若给定实测激励 u ( t ) ,响应 y m ( t ) , t = 1 ,2 , …,Nt 则用于训练的样本对选为 y m ( t) x ( t) y m ( t) y m ( t - 1) , …, y m ( t - N y) , u ( t) , u ( t - 1) , …, u ( t - M u) , t = L , L + 1 , …, N t 。 其中, N y , M u 分别为响应和激励的时延 阶数, L = max ( N y , M u) + 1 。 图 1 　静态神经网络模型 用这组样本对反复训练, 调整权重 ( ) ( ) W h , W 0 , 直到神经网络的输出 y ( t) 与实测响应 y m ( t) 之间的误差小于指定的阈值为 ( )