《基于GRNN的电力系统的长期故障发生次数预测分析案例》2400字.docxVIP

基于GRNN的电力系统的长期故障发生次数预测分析案例

目录

TOC\o1-3\h\u84661.1GRNN的原理 1

3801.2算例分析 3

在电网规划的某些场景下，需要长期的电网故障预测数据来指导电网规划和投资方案的制定。而上文所提的WNN模型只适合进行输变电设备短期的故障发生次数的预测，对于输变电设备长期故障次数的预测则会产生很大的误差。为此，本章提出了基于GRNN的电力系统输变电设备的长期故障次数预测方法，并通过实际算例证明了本文所提方法的准确性和可行性。

1.1GRNN的原理

GRNN的定义和框架最早于1991年提出，经过近二十年的发展完善，相关理论和建模方法已经逐渐完善。从数学本质上来说，GRNN网络模型具备一般神经网络不具备的高度的稳定性和适应性，正因为这些特点，GRNN被广泛应用于处理和解决控制系统、医药金融、交通网络规划调度和食品科学领域中的非线性逼近和长期数据预测问题上。

这里需要补充说明一下，与WNN模型的三层结构不同的是，GRNN模型是四层结构，除了一般的输入层、模式层和输出层外，还多了一个求和层。具体的结构如下图3-5所示，并对每一层的工作原理进行详细的解释说明。

图3-SEQ图3-\*ARABIC5GRNN的结构图

对于输入层而言，根据输入数据的维数来设置本层的神经元数目，由图3-5可以看出，相关数据信息经过简单分布的神经单元传递给下一层的模式层。

第二层是模式层，主要作用是进行样本数据的接收和处理。在此层的神经元的传递函数如式(3-6)所示：

(3-6)

其中，i和n分别表示模式层神经元的编号和模式层神经元的总数，X表示的是模式层输入变量，Xi为输入量对应的神经元学习样本，表示的是高斯函数的系数，在某些文献中也被称为广义回归神经网络的平滑因子，以下简称平滑因子。

第三层为求和层。现阶段的理论研究主要是基于以下两种类型的神经网络进行求和运算。第一种，是在模式层传递函数的基础上，对神经元的传递函数进行加权求和，相应的计算表达式如式3-7所示：

(3-7)

模式层中第i个神经元与求和层中的第j个分子求和神经元之间的连接权值只作为第i个输出样本Yi中的第j个元素，传递函数如式(3-8)所示：

(3-8)

另一种计算公式则相对简单，pi仍取式(3-7)，直接对模式层所含神经元的输出进行简单的算术求和，并且将神经元与模式层之间的连接权值设为常数1。则传递函数可以简写为式(3-9)：

(3-9)

第四层就是输出层，输出层中的神经元数目等于学习样本中输出向量的维数k，各神经元求和层的输出相除，神经元j的输出对应估计结果的第j个元素，如式(3-10)所示:

(3-10)

GRNN模型的数学基础是基于非线性回归分析进行推导建立的。为了方便读者理解，作者首先定义以下参数含义：Y表示的是实际输出，和其他变量之间存在耦合关系，并不是独立存在的变量。与之对应的，x表示的是独立变量，则Y相对于x的回归分析，从数学计算上来看，实际上是计算最大概率出现的y。f(x,y)表示的是独立变量x和独立变量y之间的联合概率密度函数。当x的观测值X已知时，则y相当于对X的条件均值，可以用下式(3-11)表示：

(3-11)

其中，表示GRNN模型的预测输出。然而，一些问题依然存在。正如上文所提及的，GRNN模型在求解问题的时候采用的还是梯度下降的方法，这导致最终的结果往往是局部最优解，而非全局最优解，此外，如果GRNN的平滑因子选取的值不合适，会导致最终结果误差较大，预测模型适应性和泛化性能较差。为此，本文采用GA中的遗传、变异操作来替代GRNN模型训练过程平滑因子最优值寻找过程，以提高电力系统输变电设备长期故障预测的准确性。

GA来源于生物界的遗传、变异和进化现象，是以达尔文进化论“优胜劣汰”法则为基础推导出的一种随机搜索算法。通过模拟产生自然界中的物种种群，在可行域内将待求问题的最优解看作是一个目标种群，通过不断的进化、选择和变异，初始种群不断向目标种群靠拢，直至达到目标种群，此时初始目标函数得到最优解。该算法原理简单，易于操作实现，求解问题的收敛性和鲁棒性好，因而被广泛应用，在1.2节中将详细介绍遗传算法的计算流程。此方法同样可以被用来优化WNN的预测结果和网络参数，在此不再详述。

1.2算例分析

通过引入GA来替代原先广义回归神经网络训练过程中平滑因子的最优值寻找过程，将克服以往求得局部最优解导致的预测误差较大的缺点，此外，将显著提高系统的求解效率和模型的适应程度，降低求解时间和计算复杂度。具体的计算步骤如表3-2所示。

表3-SEQ表3-\*ARABIC2利用GA-GRNN模型进行长期故障预测计算流程

步骤

详细说明

Step1

给定GA的一些基本参数，确定