[发明专利]一种融合PLC技术与主元分析-BP神经网络的负荷预测系统

权利要求书

1.一种融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于它包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块，所述PLC逻辑控制器分别与所述触摸屏和智能网关连接，所述智能网关与所述存储模块连接，所述存储模块与所述运算模块和触摸屏连接，所述运算模块与所述主元分析模块和BP神经网络构建模块连接，所述主元分析模块和BP神经网络构建模块将计算得到的结果反馈给所述存储模块，所述主元分析模块包括归一、去均值处理，计算归一化矩阵的协方差矩阵和确定主元负载矩阵，所述归一、去均值处理，计算归一化矩阵的协方差矩阵和确定主元负载矩阵的实现步骤如下：

（1）、假设训练样本共有n个，而每个样本有m个观察量，则训练样本构成数据集；

（2）、归一化处理消除不同观测量量纲的影响，

；

其中， 为第i行第j列的样本矩阵的归一化矩阵；

为样本矩阵的第i行第j列的数值；

为样本矩阵的第j列的最小值；

为样本矩阵的第j列的大值；

（3）、去均值处理，

；

其中， 为去均值后的第i行第j列的样本矩阵的归一化矩阵；

为样本矩阵第j列的数值的平均值；

（4）、求解归一化矩阵的协方差矩阵，

；

其中，n为训练样本个数；

为步骤（3）中的去均值后的第i行第j列的样本矩阵的归一化矩阵， 为其转置矩阵；

（5）、求解所述协方差矩阵Z的特征值和特征向量；

（6）、根据方差累计贡献率CPV法计算确定选择主元的个数，

；

（7）、解得主元负载矩阵，

。

2.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述PLC逻辑控制器用于收集预测样本和训练样本，以及对所述训练样本进行负荷预测。

3.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述触摸屏内安装有触摸屏组态软件，所述触摸屏组态软件包括集成好的通讯接口以及相关数据传输函数。

4.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述运算模块包括数学应用软件，所述数学应用软件内设置有神经网络功能箱。

5.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述BP神经网络构建模块包括确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块。

6.根据权利要求5所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块的实现步骤如下：

（1）、输入层指所述BP神经网络输入，所述输入层的节点数与所述主元的个数相等；输出层指所述BP神经网络的输出，所述输出层的节点数等于末端负荷可能达到的所有值，在这里，假设末端负荷可能达到的所有值为k，所述隐含层指所述BP神经网络的中间层，所述隐含层的节点数为， 为1-10之间的常数；

（2）、所述BP神经网络的基本算法包括正向传递过程和反向传递过程两个过程，通过正向传递过程可计算出误差输出，进而再通过反向传递过程调整权值和阈值，具体步骤如下：

正向传递过程：

,

其中， 为当前节点j的权值和阈值所形成的矩阵；

为当前节点j与上一层的所有节点i之间的权值；

为上一层所有节点的输出值；

为当前节点j的阈值；

为激活函数；

反向传递过程：

误差信号反向传递过程是基于Widrow-Hoff学习规则的，假设输出层的所有结果为，误差函数如下：

；

其中， 为输出层实际的输出值。