[发明专利]一种电力负荷的混沌相空间神经网络模型安全监测方法

说明书

技术领域

 本发明涉及一种电力负荷的混沌相空间神经网络模型安全监测方法，即以电力日负荷为研究对象，基于混沌理论，重构电力负荷相空间，并结合神经网络的模型和算法，研究如何提取电力负荷的动力学信息特征，探讨负荷相空间中的非线性预测方案，然后应用到实际预测和安全监测中的物理建模分析方法，属于电力领域。

背景技术

电力负荷数据作为水资源开发、优化配置、水库调度的重要依据。电力负荷预测对电力系统的安全经济运行起着十分重要的作用。电力系统的日负荷安全预测是电网为安排购电计划和输电方案的制定服务。实践中取得的电力负荷时间序列呈现出复杂性、不确定性、非线性的特点。而神经网络可以映射任意复杂的非线性关系，通过学习把样本隐含的特征和规律分布于神经网络的连接权上。基于混沌理论，重构电力负荷相空间，耦合神经网络模型，研究如何提取电力负荷的动力学信息特征，探讨负荷相空间中的非线性预测方案，再应用到实际预测和安全监测中是非常有意义的。

发明内容

本发明提出的一种电力负荷的混沌相空间神经网络模型安全监测方法，其技术方案如下。

1、采集电力系统日负荷数据构成日负荷时间序列。

2、求取四川省电力日负荷的自相关函数。

3、计算日负荷序列的饱和关联维数，从而证明序列的混沌特性。

4、建立电力负荷混沌时间序列的多维相空间，构成学习样本和教师值。

用自相关函数法确定最佳延迟时间τ，用饱和关联维数法确定最佳嵌入维数m，重构系统的相空间：

其中N=n-(m-1)*τ为向量序列的长度。

 

5、确定神经网络结构。由网络的输入层维数为m，即混沌相空间的嵌入维数，输出维数为一维（即预测的输出），隐层单元维数由试错法在网络训练学习中来确定。

6、数据的归一化处理。对所有的样本值、教师值和输出值用统一的归一化方法，用变换

将负荷换算为[0，1]区间的值。

7、网络的学习。混沌相空间中的任意两个相点和（其中T为预见期），它们在相空间中的非线性演化函数关系，由人工神经网络来拟合。虽然预测输出点为m维矢量，但实际上前（m-1）维是已知量，为简单起见取网络的输出为的第m个分量。（见图1）

对任意一个非线性单元的神经元j，其输入输出关系有：

               （1）

式中，x为神经元的输入，ω为连接权重，θ为阈值，y为该神经元的输出。f为激励函数，常用的是Sigmoid函数，即

                       （2）

神经网络的连接权重和阈值的学习按误差反向传播算法（BP算法），这是一种有教师的学习算法。学习过程包括正、反两个过程，首先按式（1）正向计算网络各层输出，再计算输出和教师值之间的误差，利用误差反向修改连接权和阈值，重复以上两个过程直到输出和样本教师值的误差小到某一设定值ε。

假设输入学习样本为k个，，输出的预测值为，对应的教师值为，目标函数为：

                                   （3）

连接权和阈值的修正采用梯度下降法，为了防止震荡和加速收敛，本文采用附加动量项的算法：

                        （4）

式中，分别输入层、隐层和输出层的连接权重或阈值，为迭代次数，η为训练速率, 为修改值，为动量因子。

 

8、预测模型。将混沌相空间的起报相点输入到神经网络，网络的输出即为预测值。

9、用变换对神经网络输出[0，1]区间的值还原成实际负荷值。

 

本发明有益效果：                                       

ⅰ.本发明说明电力日负荷具有混沌特性。通过计算电力日负荷序列的饱和关联维数，从而证明了日负荷序列的混沌特性。重构日负荷相空间，构成神经网络模型，利用BP算法进行网络的学习修正，并在相空间中对日负荷序列进行非线性预测。