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BP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310027)

[摘要]提出了一种基于改进BP神经网络的火电厂实时数据预测模型,即在标准BP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300MW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]BP神经网络;预测模型;火电厂;动量因子;自适应

[中图分类号]TP183[文献标识码]A[文章编号]10023364(2006)07001803

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
BP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Δwij(t)=η(9E/9wij)+α×Δwij(t-1)(1)
[2,3]
预测。本文针对标准BP算法收敛速度慢和易陷其中:Δwij为权值修正量,9E/9wij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BP算法,并选用某电厂300MW机组主给水流1.2自适应学习速率法
量数据进行改进BP神经网络训练,得出了满足火电标准BP算法中学习速率η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:
标准BP神经网络模型包括输入层,隐含层和输η×1.05E(k+1)<E(k)
η=(2)
出层,层与层之间通过权值和传递函数连接,学习过程η×0.7E(k+1)≥E(k)

资助项目:浙江大学第七期大学生科研训练计划项目
作者简介:陆王琳(1982),女,浙江宁波人,浙江大学机械与能源动力工程学院本科生。

18热力发电·2006(07)
基础研究

其中:E(k)为总误差。

1.3时序预测原理
时间序列的本质特征之一就是其相邻观测值的依
赖性。时序预测就是利用时间序列生成随机动态模
型,从而对未来时刻值进行预测。一步时序预测即根
据t时刻及以前时刻的值来预测t+1时刻值[5]。对于
样本来说,即用过去连续n(n≥1)个时刻来预测下一
个时刻的值,将训练样本分为k个长度为n+1并有重图1隐层节点数对模型预测精度的影响
叠的数据段(表1)[6]。
网络学习训练比较(学习样本数范围介于20～80)后
表1样本数据分段
发现当输入节点为10时,学习样本数在50个左右模
网络输入网络输出
型精度较高(图2)。当输入节点增加至15时,学习样
x(1),x(2),⋯,x(n)x(n+1)
本数在20个左右就可以达到精度要求。
x(2),x(3),⋯,x(n+1)x(n+2)
⋯⋯

x(k),⋯,x(k+n)x(k+n+1)

2模型预测精度影响因素

应用神经网络对火电厂机组测量数据进行时序预
测时,网络的拓扑结构对预测精度影响很大。本文选
图2学习样本数对模型预测精度的影响
用某电厂300MW机组主给水流量实时数据进行改
进BP神经网络的学习和训练。2.3动量因子
动量因子取值范围在(0～1)间,根据经验一般选
2.1输入节点数和隐层节点数取0.9左右,试验发现动量因子在(0.9～1)间取值对模
因为时间序列的预测是从历史数据中寻求未来的型预测精度影响很小。
变化趋势,因此输入数据的信息含量直接决定了最终
的预测精度。一般开始时,随着历史数据的增加,预测3实例分析
误差下降较快,预测精度增加,但当数据所含信息量近
于饱和时,预测误差下降逐渐变缓,预测精度基本不再3.1预测模型参数确定
提高。综合分析比较后发现,对于本文研究的主给水样本来自某火电厂300MW机组主给水流量实