主权项 |
一种基于小波神经网络的火电机组变负荷速率预测方法,其特征在于:包括以下的步骤:S1:从火力发电厂DCS系统选取在一个负荷变动时刻能够反映火电机组运行状态的数据x<sub>1</sub>,x<sub>2</sub>,...,x<sub>k</sub>,...,x<sub>m</sub>作为输入数据,根据该变负荷时刻火电机组实际的负荷曲线得到变负荷速率d<sub>1</sub>作为预测输出数据,并将R组(x<sub>1</sub>,x<sub>2</sub>,...,x<sub>k</sub>,...,x<sub>m</sub>,d<sub>1</sub>)<sub>1</sub>,(x<sub>1</sub>,x<sub>2</sub>,...,x<sub>k</sub>,...,x<sub>m</sub>,d<sub>1</sub>)<sub>2</sub>,……,(x<sub>1</sub>,x<sub>2</sub>,...,x<sub>k</sub>,...,x<sub>m</sub>,d<sub>1</sub>)<sub>R</sub>作为R组学习样本,将Q组(x<sub>1</sub>,x<sub>2</sub>,...,x<sub>k</sub>,...,x<sub>m</sub>,d<sub>1</sub>)<sub>1</sub>,(x<sub>1</sub>,x<sub>2</sub>,...,x<sub>k</sub>,...,x<sub>m</sub>,d<sub>1</sub>)<sub>2</sub>,……,(x<sub>1</sub>,x<sub>2</sub>,...,x<sub>k</sub>,...,x<sub>m</sub>,d<sub>1</sub>)<sub>Q</sub>作为Q组测试样本;设定期望误差或者最大训练次数,设定小波神经网络精度;其中,m≥1,R≥1,Q≥1;S2:根据步骤S1中的输入数据和预测输出数据确定输入层个数为m、隐含层个数为n和输出层个数为1,其中n=2m+5;用学习样本训练小波神经网络,如果误差小于期望误差或者训练次数达到最大训练次数,则停止训练小波神经网络;S3:用测试样本对步骤S2中得到的小波神经网络进行测试,判断小波神经网络是否达到步骤S1中设定的小波神经网络精度;如果达不到,则调整隐含层个数n、期望误差或者最大训练次数后,返回步骤S2;如果达到,则得到了一个训练合格的小波神经网络,继续进行步骤S4;S4:利用步骤S3中得到的训练合格的小波神经网络对火电机组的变负荷速率进行预测,得到小波神经网络的输出结果,将输出结果反归一化之后得到最终预测结果。 |