非线性系统的神经网络辨识.docVIP

《热动力系统动态学》课程论文 题 目： 基于BP神经网络对电力系统负荷的预测控制 学 院： 动力工程学院 专 业： 动力工程及工程热物理 姓 名： 赵 乾 学 号： 20091002055 指导教师： 杨 晨（教授） 成 绩： 2010年7月30日 基于BP神经网络对电力系统负荷的预测控制 摘要：电力系统的负荷曲线受很多因素的影响是一个非线性的函数，该文文献提出应用BP神经网络对电力负荷系统的预测控制，来抽取和逼近这种非线性函数。通过MATLAB仿真实验得到，对电力系统的短期负荷预测与实际负荷之间的误差很小，具有很好的应用前途。 关键词：BP神经网络，预测控制，电力负荷 引言 随着智能控制理论研究的不断深入及其在控制领域的广泛应用，神经网络[1]、遗传算法[2-3]模糊理论[4]等方法被应用于系统模型预测和辨识。其中，由于BP神经网络 (Back Propagation，BP)由于具有非线性逼近能力强，网络结构简单，学习速度快等优点已被广泛应用于对非线性系统的建立和预测。电力系统负荷的预测对电力系统和电厂设备的控制、运行和计划都有着重要的意义。电力系统负荷的变化一方面有未知不确定因素引起的随机波动，另一方面又具有周期变化的规律，使得负荷曲线具有相似性，而神经网络具有较强的非线性映射能力，能对负荷的变化具有很好预测性。 1.BP神经网络辨识理论基础 BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。 1.1BP算法内容 基本BP算法包括两个方面：信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正从输出到输入的方向进行[6]。 … … … … … … … 输出变量 输入变量 输入层 隐含层 输出层 图1 BP网络结构 图中：表示输入层第个节点的输入，j=1,…,M； 表示隐含层第i个节点到输入层第j个节点之间的权值； 表示隐含层第i个节点的阈值； 表示隐含层的激励函数； 表示输出层第个节点到隐含层第i个节点之间的权值，i=1,…,q； 表示输出层第k个节点的阈值,k=1,…,L； 表示输出层的激励函数； 表示输出层第个节点的输出。 根据信号的前向和反向的过程传播式的最后推导出最后式子为下面四个式子 1.输出层权值调整公式： （1-1） 2.输出层阈值调整公式： （1-2） 3.隐含层权值调整公式： （1-3） 4.隐含层阈值调整公式： （1-4） 算法的流出图为如下图二所示： 结 束 结 束 参数初始化：最大训练次数，学习精度，隐节点数，初始权值、阈值，初始学习速率等 批量输入学习样本并且对输入和输出量进行归一化处理 计算各层的输入和输出值 计算输出层误差E(q) E(q)ε 修正权值和阈值 Yes N Yes 开 始 图2 BP算法程序流程图 1.2 BP算法的不足 BP算法因其简单、易行、计算量小、并行性强等优点，目前是神经网络训练采用最多也是最成熟的训练算法之一。其算法的实质是求解误差函数的最小值问题，由于它采用非线性规划中的最速下降方法，按误差函数的负梯度方向修改权值，因而通常存在以下问题[5]： （1）学习效率低，收敛速度慢 首先，BP算法是利用误差函数对权值的一阶导数信息来指导权值调整，以求最终误差达到