买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：沈阳工学院

摘要：本发明提供基于改进随机配置网络的同步发电机励磁电流预测方法，涉及电气工程技术领域。该方法首先获取同步发电机工作的历史属性数据，并对数据进行归一化后作为训练样本，用于训练SCN网络；然后初始化SCN网络的网络参数，并建立SCN网络的优化模型；再将训练样本输入SCN网络，基于已经初始化的SCN网络参数和优化模型，通过G‑BAPSO方法计算输入层和隐层之间的权值和偏置，通过最小二乘法计算隐层和输出层之间的权值，增量生成改进的SCN网络；判断其输出误差是否大于设定阈值，若是，则继续添加隐层节点，直至输出误差小于设定阈值；最后将待预测的同步发电机属性数据输入改进的SCN网络，预测同步发电机励磁电流值。

主权项：1.一种基于改进随机配置网络的同步发电机励磁电流预测方法，其特征在于：包括以下步骤：步骤1、获取同步发电机工作的历史属性数据，并对数据进行归一化后作为训练样本，用于训练SCN网络；步骤2、初始化SCN网络的网络参数；步骤3、建立SCN网络的优化模型，提升SCN网络的收敛速度；步骤4、将步骤1的训练样本输入SCN网络，基于已经初始化的SCN网络参数和优化模型，通过G-BAPSO搜索方法计算输入层和隐层之间的权值和偏置，生成隐层节点，使隐层节点个数加1，增量生成改进的SCN网络；步骤5、计算改进的SCN网络的隐层输出；步骤6、通过最小二乘方法计算改进的SCN网络输出层和隐层之间的权值；步骤7、计算改进的SCN网络的网络输出和输出误差；步骤8、判断改进的SCN网络的输出误差是否大于设定阈值，若是，则重新执行步骤4-8继续添加隐层节点，直至改进的SCN网络的输出误差小于设定阈值，否则执行步骤9；步骤9、将待预测的同步发电机属性数据输入改进的SCN网络，预测同步发电机励磁电流值，从而监测电力系统的运行状态；步骤3所述SCN网络的优化模型如下公式所示： 其中，公式1为优化模型的目标函数，公式2为优化模型的约束条件，为关于wj和bj的目标函数，wj和bj为第j个隐层节点的输入侧权值和偏置，gj为第j个隐层节点的激活输出，m为SCN网络的输出维度，ej-1,q代表SCN网络已配置好j-1个隐层节点之后的网络输出数据的第q维误差，μj为常数列{0}，r为正则化参数；所述通过G-BAPSO方法计算输入层和隐层之间的权值和偏置的具体方法为：步骤S1、G-BAPSO方法参数初始化，包括最大迭代次数maxgen、种群中个体数量popsize、个体边界下界popmin和上界popmax、最大脉冲率R0、脉冲频率增强系数σ0和学习因子c1、c2、c3；步骤S2、随机初始化种群中的第u个个体的位置pu和速度vu，其中，个体位置pu为权值和偏置组成的向量，将每个个体的脉冲率rvu均初始化为0，u＝1,2,…,popsize；步骤S3、迭代搜索种群中个体位置的全局最优解，获得群体全局最优位置；步骤S3.1、设定SCN网络的优化模型中的目标函数为适应度函数，计算隐层输出，并代入适应度函数计算种群中每个个体的适应度，记录初始种群中个体的最佳位置和最佳适应度；步骤S3.2、判断种群中个体的最佳适应度是否满足SCN网络的优化模型中的约束条件，若满足，记录最佳适应度对应的个体位置为全局最佳位置zbest；否则，重新调整正则化参数r值，直到满足优化模型中的约束条件；步骤S3.3、遍历每个种群个体，搜索种群中个体位置的全局最优解，获得当前迭代次数下的群体全局最优位置；步骤S3.3.1、对种群中每个个体，判断式8和9是否均成立；若式8和9均成立，则直接按照式10更新个体位置；否则，基于SCN网络的优化模型的目标函数，按照公式11-14计算目标函数的梯度，按式15更新个体速度，进而按式16更新个体位置；rvurand18fitnessumeanfitness9pu＝zbest+rand210其中，rand1是[0,1]区间服从均匀分布的随机数，fitnessu代表第u个个体的适应度，meanfitness代表种群的平均适应度，zbest代表当前种群中最优个体的位置，rand2代表[-1,1]区间上服从均匀分布的随机数； 其中，wj,s表示SCN网络第j个隐层节点与第s个输入节点之间的连接权值，xs表示第s维输入数据，d为输入样本的特征数，代表配置好j-1个隐层节点后，SCN网络第i个输入样本第q维输出数据的误差，代表第i个输入样本在SCN网络的第j个隐层节点的输出；vt+1＝vt+c1rand1pbt-pt+c2rand2gbt-pt+c3grad15pt+1＝pt+vt+116其中，t代表迭代次数，vt代表第t次迭代中的个体速度，c1,c2,c3代表学习因子，rand1，rand2代表服从均匀分布位于0-1区间的随机数，pt代表第t次迭代中的个体位置，pbt代表第t次迭代中的个体最优位置，gbt代表第t次迭代中的种群中所有个体的最优位置，grad代表目标函数的梯度，步骤S3.3.2、将更新的个体位置代入适应度函数更新个体的适应度值；步骤S3.3.3、通过公式17更新种群中每个个体的脉冲率；rvut+1＝R0[1-e-σt]17其中，rvut+1代表第t+1次迭代中第u个个体的脉冲率；步骤S3.4、判断是否达到最大种群规模，若是，则执行步骤S3.5；否则，重复执行步骤S3.3；步骤S3.5、依次遍历种群中个体，更新个体最优位置和群体全局最优位置；步骤S3.5.1、判断种群中个体的适应度值是否满足式18，若是，则用当前个体最优位置替换个体的历史最优位置；否则，不进行更新；fitnessufitnessgbestu18其中，fitnessgbestu代表第u个个体的历史最佳适应度；步骤S3.5.2、判断种群中个体的适应度值是否满足式19，若是，则更新群体全局最优位置；否则，不进行更新；fitnessufitnesszbest19其中，fitnesszbest为种群的历史最佳适应度；步骤S3.6、判断是否达到最大迭代次数，若是，则执行步骤S4；否则，重复执行步骤S3.5；步骤S4、获取种群的群体全局最优位置，该全局最优位置即为SCN网络的输入层和隐层之间的最优权值和偏置，以此配置SCN网络的新增隐层节点。

全文数据：

权利要求：

百度查询： 沈阳工学院 基于改进随机配置网络的同步发电机励磁电流预测方法