基于改进随机配置网络的同步发电机励磁电流预测方法技术

本发明专利技术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

【技术实现步骤摘要】
基于改进随机配置网络的同步发电机励磁电流预测方法


[0001]本专利技术涉及电气工程
，尤其涉及基于改进随机配置网络的同步发电机励磁电流预测方法。

技术介绍

[0002]同步发电机是一种常见的交流发电机，具有高效、可靠、功率因数可控以及对电压下降相对较低的敏感性等特点，在电力工程中具有广泛应用。在同步发电机运转过程中，经常会发生短路故障，导致温度过高或发生震动，影响电网的安全运转。因此，对同步发电机的故障监测是一个重要问题。发生短路故障，会导致励磁电流增大，因此可通过监测励磁电流的变化来判断同步发电机的运转状态。
[0003]由于同步发电机结构复杂，建立相关的机理模型具有较大困难，因此考虑以数据建模的方式来进行励磁电流的预测。依据五个实验参数数据进行建模，即负载电流，功率因数，误差，励磁电流变化以及励磁电流。励磁电流可由前四个参数表示，即前四个参数的变化会导致励磁电流值的变化。
[0004]随机配置网络(Stochastic Configuration Networks，即SCN)作为一种具有监督机制的增量生成模型，具有通用逼近性质，在解决数据回归和分类问题方面具有卓越的优势，已被应用于众多工程领域。但是，网络参数的配置和选择对SCN的效率有显著影响。SCN使用随机迭代搜索方法配置输入侧参数，具体方法是逐渐线性扩大搜索区间，在此区间随机产生大量权值和偏置参数，依次判定是否满足不等式约束并择优选择。该方法在一定程度上影响了网络的收敛速度。

技术实现思路

[0005]本专利技术要解决的技术问题是针对上述现有技术的不足，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，实现对同步发电机励磁电流的预测。
[0006]为解决上述技术问题，本专利技术所采取的技术方案是：基于改进随机配置网络的同步发电机励磁电流预测方法，包括以下步骤：
[0007]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；所述属性数据包括负载电流、功率因数、功率因数误差、同步发电机励磁电流变化和同步电机励磁电流；以负载电流、功率因数、功率因数误差、同步发电机励磁电流变化这4个属性数据作为SCN的输入样本数据，记为X＝{x1,x2,
…
,x
N
}，x
i
∈R4，i＝1、2、3、
…
、N，N为样本个数，以同步电机励磁电流作为SCN网络的输出样本数据T＝{t1,t2,
…
,t
N
}，t
i
∈R；
[0008]步骤2、初始化SCN网络的网络参数；设置SCN网络隐层节点的最大个数L
max
，初始化SCN网络的初始输出值f0＝0，初始输出误差e0＝[t1,t2,
…
,t
N
]T
,正则化参数0＜r＜1；初始隐层节点个数j＝0；
[0009]步骤3、建立SCN网络的优化模型，提升网络的收敛速度，如下公式所示：
[0010][0011][0012]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w
j
和b
j
的目标函数，w
j
和b
j
为第j个隐层节点的输入侧权值和偏置，g
j
为第j个隐层节点的激活输出，m为SCN网络的输出维度，e
j
‑
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，μ
j
为常数列{0}；
[0013]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j加1，增量生成改进的SCN网络；
[0014]步骤5、计算改进的SCN网络的隐层输出；
[0015]所述改进的SCN网络的隐层输出如下公式所示：
[0016][0017]其中，h代表激活函数；
[0018]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；
[0019]所述改进的SCN网络输出层和隐层之间的权值如下公式所示：
[0020][0021]其中，β
j,q
代表连接第j个隐层节点和第q维输出节点的权值；
[0022]步骤7、计算改进的SCN网络的网络输出和输出误差；
[0023]所述改进的SCN网络的网络输出如下公式所示：
[0024][0025]β
k
＝[β
k,1
,
…
,β
k,m
]T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0026]其中，f
j
为已配置好j个隐层节点的SCN网络的输出数据，β
k,m
代表连接第k个隐层节点与第m维输出数据之间的权值；
[0027]所述改进的SCN网络的输出误差如下公式所示：
[0028]e
j
＝e
j
‑1‑
β
j
g
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0029]其中，e
j
＝[e
j,1
,e
j,2
,
…
e
j,m
]为已配置好j个隐层节点的SCN网络的输出误差，e
j,m
代表具有j个隐节点的SCN网络的第m维输出误差；
[0030]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；
[0031]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，按公式(3)
‑
(5)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。
[0032]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：
[0033]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σ＞0和学习因子c1、c2、c3；
[0034]步骤S2、随机初始化种群中的第u个个体的位置p
u
和速度v
u
，其中，个体位置p
u
为权值和偏置组成的向量，将每个个体的脉冲率rv
u
均初始化为0，u＝1,2,
…
,po本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。2.根据权利要求1所述的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：步骤1所述属性数据包括负载电流、功率因数、功率因数误差、同步发电机励磁电流变化和同步电机励磁电流；以负载电流、功率因数、功率因数误差、同步发电机励磁电流变化这4个属性数据作为SCN的输入样本数据，记为X＝{x1,x2,
…
,x
N
}，x
i
∈R4，i＝1、2、3、
…
、N，N为样本个数，以同步电机励磁电流作为SCN网络的输出样本数据T＝{t1,t2,
…
,t
N
}，t
i
∈R。3.根据权利要求2所述的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：所述步骤2初始化的SCN网络的网络参数具体为：设置SCN网络隐层节点的最大个数L
max
，初始化SCN网络的初始输出值f0＝0，初始输出误差e0＝[t1,t2,
…
,t
N
]
T
,正则化参数0＜r＜1；初始隐层节点个数j＝0。4.根据权利要求3所述的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：步骤3所述SCN网络的优化模型如下公式所示：特征在于：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w
j
和b
j
的目标函数，w
j
和b
j
为第j个隐层节点的输入侧权值和偏置，g
j
为第j个隐层节点的激活输出，m为SCN网络的输出维度，e
j
‑
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，μ
j
为常数列{0}。5.根据权利要求4所述的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：所述改进的SCN网络的隐层输出如下公式所示：
其中，h代表激活函数。6.根据权利要求5所述的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：所述改进的SCN网络输出层和隐层之间的权值如下公式所示：其中，β
j,q
代表连接第j个隐层节点和第q维输出节点的权值。7.根据权利要求6所述的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：所述改进的SCN网络的网络输出如下公式所示：β
k
＝[β
k,1
,
…
,β
k,m
]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，f
j
为已配置好j个隐层节点的SCN网络的输出数据，β
k,m
代表连接第k个隐层节点与第m维输出数据之间的权值；所述改进的SCN网络的输出误差如下公式所示：e
j
＝e
j
‑1‑
β
j
g
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)其中，e
j
＝[e
j,1
,e
j,2
,
…
e
j,m
]为已配置好j个隐层节点的SCN网络的输出误差，e
j,m
代表具有j个隐节点的SCN网络的第m维输出误差。8.根据权利要求7所述的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：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σ＞0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...

【专利技术属性】
技术研发人员：刘晶晶，刘业峰，韩芳，黎虹，殷孝雎，庞新富，孙维堂，
申请(专利权)人：沈阳工学院，
类型：发明
国别省市：