基于改进BP神经网络的火电厂实时数据预测模型研究.pdfVIP

基于改进BP神经网络的火电厂实时数据预测模型研究.pdf

  1. 1、本文档共4页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于改进BP神经网络的火电厂实时数据预测模型研究.pdf

基础研究 基于改进 B P 神经网络的 火电厂实时数据预测模型研究 陆王琳 , 李  蔚 , 盛德仁 , 陈坚红 , 袁镇福 , 岑可法 (浙江大学 , 浙江 杭州  3 10027) [摘  要]  提出了一种基于改进 B P 神经网络的火电厂实时数据预测模型 , 即在标准 B P 算法中引入动量 因子和自适应学习速率 , 以减少收敛振荡过程 ,加快学习速度 。选用某电厂 300 M W 机组主给水流量实时 数据进行网络训练学习和校核 ,分析了输入和隐含层节点数 、学习样本数和动量因子对模型预测精度的影 响 。实例分析表明 ,该模型有较好容错性 ,能满足火电机组性能分析的要求 。 [关键词]  B P 神经网络 ; 预测模型 ; 火电厂 ; 动量因子 ; 自适应 [ 中图分类号] TP 183    [文献标识码]A    [文章编号] 1002 3364 (2006) 07 00 18 03   随着计算机技术的发展 ,火电厂 自动化水平不断 由信号的前向传播和误差的反向传播两部分组成 。引 提高 ,机组的性能分析和故障诊断软件得到广泛应用 , 入动量法和自适应学习速率法 ,可以加快收敛速度和 而实时测量数据的准确性和可靠性是这些应用软件发 减少过程振荡[4 ] 。 挥作用的基础 。利用神经网络独特的非线性映射能力 和自主学习能力 ,可 以实现实时数据的时序预测[ 1 ] 。 1 . 1  动量法 在机组运行中一旦发现测量数据有误 ,可以利用训练 引入动量因子 α目的是增加一个阻尼项以减少过 好的神经网络模型提供合理准确的预测值 ,保障机组 程振荡 ,其实质是使网络在修正权值时 ,在每一权值的 后续性能计算的准确性 。 变化上加上一项正比于上次权值修正量的值 ,其数学 B P 神经网络是一种应用最广泛的人工神经预测 描述如下 : 网络 ,它独有的容错性和泛化能力能较好地进行时序 Δ ( ) η( ) α Δ ( ) ( ) w ij t = E/ w ij + × w ij t - 1 1 [2 ,3 ] Δ 预测 。本文针对标准 B P 算法收敛速度慢和易陷 其中: w ij 为权值修正量, E/ w ij 为误差梯度 。 入局部最小点等问题 ,提出动量法和 自适应步长法来 改进 B P 算法 ,并选用某电厂 300 M W 机组主给水流 1 . 2  自适应学习速率法 η 量数据进行改进 B P 神经网络训练 ,得出了满足火电 标准B P 算法中学习速率 为固定值 ,为了提高预 厂机组性能分析计算和工程应用要求的实时数据预测 测精度 ,学习速率应足够小 ,从而导致学习过程较慢 。 模型 。 为解决这一问题 ,在训练过程中采用 自动调整学习速 率方法 :先设一个初始学习速率 ,判断权值修正后总误 1  改进 BP 算法时序预测基本原理 差是否下降 ,若是则说明学习速率低 ,可以增大学习速 率 ;反之则应适当减小速率 ,可表示为 :

文档评论(0)

尐丶丑 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档