进化elman神经网络在实时数据预测中的应用 application of evolutionary elman neural network in real-time data forecasting.pdfVIP

No．12 第31卷第12期 电力自动化设备 V01．31 2011年12月 ElectricPowerAutomatinn D㈦201 Eq．ipmenl 1囝 进化Elman神经网络在实时数据预测巾的应用 王晓霞1，马良玉1，王兵树1，王涛2 (1．华北电力大学控制与计算机工程学院，河北保定071003； 2．华北电力大学数理学院，河北保定071003) 摘要：为了提高电站实时数据的准确性。提出了一种利用改进粒子群算法进化Elman神经网络的动态系统实时数据 预测方法。改进粒子群算法中．根据群体早熟收敛程度和当前最优解的大小对部分不活跃粒子进行变异．增强 了算法跳出局部最优解的能力。利用改进的粒子群算法训练Elman神经网络权值和自反馈增益因子．有效 MW机组的主蒸汽流量为 地解决了梯度下降法训练网络权值收敛速度慢、易陷入局部极值的缺点。以某300 具体对象。给出了该方法的算例．结果表明该方法能正确获取系统动态特性．具有较强的降噪能力．对异常数据 具有鲁棒性。与标准Elman神经网络进行比较．该方法具有较好的预测精度和泛化能力。 关键词：Elman；神经网络：实时数据：预测；粒子群优化算法：早熟收敛 183 中图分类号：TM62l：TP 文献标识码：A 络是一种极具潜力的动态系统辨识方法．但Elman 0 引言 神经网络采用梯度下降法训练网络参数．梯度下降法 电站性能在线监测、设备状态检测与故障诊断、 本身固有的学习速度慢．且易陷入局部极小值：自 机组运行优化等系统的实现依赖于现场数据的准确 反馈增益因子d通常由尝试确定．导致学习效率低。 获取。由于传感器故障、漂移和各种干扰的存在，运 行过程中不可避免地会出现热力参数失效．使基于 PatticleSwarm 数据开发的系统性能下降，甚至造成系统无法工作。 网络权值和自反馈增益因子．并将其应用于火电厂生 因此．为了保证机组运行的安全性和经济性．对生产 产过程实时数据预测中。取得了良好效果。 过程实时数据进行预测和验证是非常必要的。在机 1 Elman神经网络 组运行中一旦发现实时数据有误．需提供合理的预 测值以保证机组后续性能计算的准确性。 Elman神经网络一般分为4层：输入层、隐含 国内外学者对数据验证问题进行了广泛的研 层、承接层和输出层，其结构如图1所示：M】。输入 究．并且提出了多种方法．如基于机理模型的预测方 层、隐含层和输出层的连接类似于前馈网络．输入 层用于信号传输：输出层进行线性加权：承接层用来 法…、基于距离的检测方法f2]、统计学方法[3-5]、混沌方 记忆隐含层单元前一时刻的输出值．可认为是时延 法-6]、神经网络方法[7-9]以及支持向量机方法|10-11等。 利用神经网络的非线性映射能力．在一定运行范围 算子。因此前馈连接部分可以进行连接权修正．而 内．通过学习映射出各参数问的内在规律，可以实现 递归部分则是固定的。即不能进行学习修正。设网 测量参数的预测。但是．直接利用前馈神经网络对 动态系统进行辨识．由于网络的输出仅是当前输入 的非线性映射．实质上是将动态