基于前传神经网络的同步发电机进相能力建模方法

摘要

本发明公开了一种基于前传神经网络的同步发电机进相能力建模方法，其特征在于：按以下步骤进行同步发电机进相能力建模：1)进行发电机进相运行试验，获取训练样本和泛化检验样本；2)建立网络拓扑结构，采用基于前传神经网络的梯度最速下降法训练网络；3)采用检验样本验证网络的泛化能力。本发明基于多层前传神经网络具有逼近任意非线性输入输出关系的能力，提出应用发电机进相典型试验结果为训练样本对BP神经网络、径向基神经网络进行训练，建立同步发电机进相运行能力模型的新方法，解决了发电机进相试验结果泛化问题，该模型可作为发电机进相运行时参数监视、无功负荷调节和制定现场运行规程的依据。

主权项

一种基于前传神经网络的同步发电机进相能力建模方法，其特征在于：采用以下步骤建立同步发电机进相能力神经网络模型：1)进行发电机进相运行试验，获取训练样本和泛化检验样本；2)建立网络拓扑结构，采用基于前传神经网络的梯度最速下降法训练网络，所述前传神经网络为BP神经网络或径向基神经网络；3)采用检验样本验证网络的泛化能力，在所述步骤1)中，根据发电机的额定有功功率PN，在50％PN/75％PN/100％PN典型工况下，在以发电机激磁电势和主变高压侧电压之间功角70度为限计算出的对应有功工况下的最大允许进相无功功率限度内，进行不同进相深度的发电机进相试验，获得能够全面反映发电机进相特性的典型试验数据，并以此作为训练样本和泛化检验样本，在所述步骤2)中，采用三到四层BP神经网络；其中输入端为2个，分别为发电机有功功率、无功功率，输出层为2个线性神经元，分别为发电机与主变高压侧的功角值及电网电压量；隐层神经元采用双曲正切S型神经元或对数S型神经元；采用现有的Levenberg‑Marquardt优化算法，对网络进行训练；或者，在所述步骤2)中，采用三层径向基神经网络，其中输入端为2个，分别为发电机有功功率、无功功率，输出层为2个线性神经元，分别为发电机与主变高压侧的功角值及电网电压量，隐层为径向基神经元，采用MATLAB神经网络工具箱中的newrb函数建立发电机进相能力分析的RBF网络模型。