Elman 神经网络在水电站入库流量短期预测中的应用.pdfVIP

第37卷 第7期 华 电技 术 V01．37 No．7 2015年 7月 HuadianTechnology Ju1．2015 Elman神经网络在水 电站入库流量 短期预测中的应用 李强，唐锋，陈卓，胡晨贺 (雅砻江流域水电开发有限公司，成都 610000) 摘 要：Elman神经网络具有适应时变特性的能力 ，对历史数据具有敏感性 ，具备 自主学习的优势，能以任意精度逼近任 意非线性映射。梯度下降法可使函数具有单调递减性、梯度收敛于0等特点。采用梯度下降法和Elman神经网络相结 合的方法进行水电站入库流量短期预测，比传统的BackPropagation神经网络预测精度具有明显的优势。 关键词：Elman；神经网络；梯度下降法 ；预测；入库流量 中图分类号：TK730 文献标志码 ：A 文章编号：1674—1951(2015)07—0001—03 动态地反映系统动态过程的特性。Elman的优点在 0 引言 于承接层延时与存储了来 自隐含层的输出，并作为 入库流量是汛期运行人员重点关注的数据之 隐含层的输入，形成一种闭环。这种网络结构对 以 一 ， 防洪度汛方案的编制、梯级水库调度图编制、洪 往数据具有敏感性，加强了网络本身分析动态信息 水预测、电站水位控制及发电经济效益评价都需要 的能力。此外，Elman神经网络能够以任意精度逼 参考入库流量 J。人库流量受27类气象因子、11 近任意非线性映射。 个海区等不确定因素影响 j，且在不同时期受到的 Elman网络结构如图2所示，以图2为例，El— 影响程度不同，并具有非线性、动态性的特点。雅砻 man神经网络的非线性状态空间表达式为 江流域气候属于川西高原气候，由于该流域跨越 7 个多纬度，加之二滩水电站上游地形复杂，谷岭高差 悬殊，影响二滩水电站入库流量的因素多变而复杂。 1 Elman神经网络 承接层 Elman神经网络是在BackPropagation(BP)神 经网络的基础上，在前馈式网络的隐含层中增加了 1个承接层，每个隐单元通过反馈状态向量到所有 隐单元 ’ 。BP神经网络拓扑结构如图1所示。 图2 Elman网络结构 隐含层的输入 7_ ()= W1。(k)+W2(比(k一1)))， (1) 隐含层的输出 。 (J})= (Ij}一1)， (2) 网络的输 出 输入层 输出层 Y(k)：g(W3(k))， (3) 图1 BP神经网络拓扑结构 式中：为m维输出结点向量 ；为 几维中间层结点 Elman的输入层、隐含层、输出层的连接类似于 单元向量；lI为r维输入向量；。为 维反馈状态 BP前馈式网络㈨，而承接层用来记忆隐含层单元前