基于改进的神经网络油田配电网谐波预测研究

传统BP网络收敛速度慢,很难实现大量样本数据的处理及应用与进行实时预报。因而,与以往常规的梯度下降法不同,本文修正BP网络的阈值和连接权值采用Levenberg-Marquardt算法(简称L-M算法)。L-M算法的基本原理如下:

式中:I为单位阵;为一个非负值。依赖于的幅值,该方法光滑地在两种极端情况之间变法:即Guass-Newton法(当0)和标准梯度法(当)。该式即可作为BP神经网络的学习训练方法。

网络权值和偏差的变化量:

并以此不断来对网络进行调整训练,直至达到目标要求。由式(3)可知,L-M法实际上综合了Newton法和标准梯度下降法二者的优点,是Newton法和标准梯度下降法的结合。因而,以L-M算法设计的BP网络在精度及收敛速度方面都有很明显的优势。

根据公式(2)模型中的假设,训练过程中,输入为总的电流值和基波电流值,根据采样时间的不同每个周期选择8对样本,基波的幅值上限定位1.0,模型的输出为0.02、0.05和0.5幅值的5次谐波,这样输入共24对采样样本。

图2 基于L-M算法的BP神经网络

谐波预测模型建立

基于L-M算法的网络模型训练过程如图2所示,基于24对训练样本的的模型平均误差为0.0085,达到了一定的精度。为验证网络的泛化能力,重新生成40对样本,输出谐波幅值分别是0.4和0.08,仿真结果如图3所示。文中仿真数据采用阶跃跟踪信号,神经网络模型的仿真结果验证了L-M算法具有梯度法的全局特性,提供了牛顿法的速度和保证收敛的梯度下降法之间的折衷,收敛的迭代次数少,能快速完成网络训练。

图3 基于L-M算法的BP神经网络

谐波预测误差

5 结束语

本文结合油田的实际需求,建立了油田配电网简化的数学模型,以五次谐波为研究对象,设为神经网络的输出进行仿真研究,采用改进的BP神经网络方法对油田配电网谐波进行预测预报,并进行了测试样本验证。仿真结果验证了L-M算法的优越性,本文提出的神经网络预测油田配电网谐波能减少谐波污染,非常具有实用价值。因此,本课题的研究将对于我国在油田节能供电方面技术的提升、供电质量的提高以及高性能供电技术的发展都具有很大的意义,为使电能能够在油田中得到高效、低污染的应用开辟重要途径。