風(fēng)速的波動(dòng)會(huì)引起風(fēng)電機(jī)吸收無功的變化

《風(fēng)速的波動(dòng)會(huì)引起風(fēng)電機(jī)吸收無功的變化》由會(huì)員分享，可在線閱讀，更多相關(guān)《風(fēng)速的波動(dòng)會(huì)引起風(fēng)電機(jī)吸收無功的變化（9頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、風(fēng)速的波動(dòng)會(huì)引起風(fēng)電機(jī)吸收無功的變化，當(dāng)系統(tǒng)電壓由于風(fēng)電波動(dòng)而下降時(shí)，機(jī)端無功補(bǔ)償量也會(huì)下降，造成無功缺額的增大，進(jìn)一步惡化電壓水平，造成電網(wǎng)崩潰。同時(shí)當(dāng)風(fēng)電機(jī)停機(jī)后，風(fēng)電場(chǎng)的有功輸出減少，無功需求也相應(yīng)減少，系統(tǒng)會(huì)失去這部分無功負(fù)荷而導(dǎo)致電壓水平偏高［7］。為了解決這個(gè)問題，目前的變速風(fēng)電機(jī)都能實(shí)現(xiàn)無功控制功能，從而提高系統(tǒng)電壓的穩(wěn)定性。 （2）當(dāng)風(fēng)電場(chǎng)容量在系統(tǒng)中所占比例較大時(shí)，其輸出功率的隨機(jī)波動(dòng)會(huì)對(duì)電網(wǎng)的頻率產(chǎn)生很大的影響。當(dāng)常規(guī)火電機(jī)組或調(diào)頻機(jī)組的可調(diào)容量較小時(shí)，可能會(huì)出現(xiàn)備用不足的情況，從而造成較大的頻率變化風(fēng)速隨時(shí)間的變化而變化，具有時(shí)間序列的趨勢(shì)性和隨機(jī)性，風(fēng)電場(chǎng)的可靠性模型

2、研究主要是確定風(fēng)速的隨機(jī)模型。目前風(fēng)速模型主要有三種：第一種為正態(tài)分布［45］，通過歷史數(shù)據(jù)的分析得到風(fēng)速分布的均值和方差，則得到概率分布函數(shù)；第二種為Weibull分布，其分布函數(shù)為： cc 式中： c、k——和分布函數(shù)形狀有關(guān)的因子；v風(fēng)速大小。 第三種為Rayleigh分布，其分布函數(shù)為［44］: /（V）=（評(píng)E 風(fēng)速概率模型確定后結(jié)合風(fēng)電機(jī)和常規(guī)機(jī)組的停運(yùn)模型，可以產(chǎn)生整個(gè)系統(tǒng)的容量模型，從而可以評(píng)估整個(gè)發(fā)電系統(tǒng)的可靠性本文的主要研究工作包含三個(gè)方面，首先研究的對(duì)象為含有大量風(fēng)電的電力系統(tǒng)，其次要研究這種系統(tǒng)的優(yōu)化調(diào)度方案，另外，由于風(fēng)電的引入給系統(tǒng)帶來了更多的風(fēng)險(xiǎn)，因此

3、需要考慮系統(tǒng)不確定性風(fēng)險(xiǎn)對(duì)系統(tǒng)的影響，最后形成一種合理有效的綜合優(yōu)化調(diào)度方法。具體來說，本文的主要工作包括以下幾個(gè)方面： （1）建立了合理的風(fēng)電場(chǎng)模型，形成了從風(fēng)速到風(fēng)力發(fā)電功率的轉(zhuǎn)化關(guān)系，為優(yōu)化調(diào)度提供更合理的數(shù)據(jù)基礎(chǔ)；（2）建立了含風(fēng)電場(chǎng)電力系統(tǒng)的優(yōu)化調(diào)度模型，模型中考慮了節(jié)能發(fā)電的目標(biāo)函數(shù)，同時(shí)考慮了系統(tǒng)中各種類型的技術(shù)約束；（3）采用正交遺傳模擬退火算法對(duì)上述調(diào)度模型進(jìn)行求解，對(duì)算法的參數(shù)選擇等方面進(jìn)行相應(yīng)的優(yōu)化，通過優(yōu)化計(jì)算得到最優(yōu)解；（4）建立了基于不等概抽樣法的日前調(diào)度風(fēng)險(xiǎn)評(píng)估模型，本課題研究的風(fēng)險(xiǎn)為充裕性風(fēng)險(xiǎn)，同時(shí)將風(fēng)險(xiǎn)模型結(jié)合到上述優(yōu)化調(diào)度模型中，形成了計(jì)及風(fēng)險(xiǎn)的綜合優(yōu)化調(diào)

4、度模型；（5）采用實(shí)際系統(tǒng)（上海電網(wǎng)）和機(jī)組組合測(cè)試系統(tǒng)進(jìn)行算例分析，通過對(duì)結(jié)果進(jìn)行討論，評(píng)價(jià)模型、算法的優(yōu)劣，分析風(fēng)電對(duì)系統(tǒng)的影響，以及參數(shù)選擇等問題對(duì)結(jié)果的影響。 （6）對(duì)本文的研究工作進(jìn)行總結(jié)，并提出未來需要繼續(xù)研究的問題第16頁(yè)類社會(huì)很早就開始了對(duì)風(fēng)能的使用，例如帆船等，但是由于風(fēng)速的波動(dòng)性和人類技術(shù)條件的限制，對(duì)風(fēng)能的大規(guī)模使用受到了限制，風(fēng)力發(fā)電也是在近些年才得到廣泛應(yīng)用。用測(cè)速儀來測(cè)量風(fēng)速并記錄下來，會(huì)發(fā)現(xiàn)風(fēng)速是不斷變化的，而且毫無規(guī)律可言，圖2-1顯示了上海某風(fēng)電場(chǎng)某日的風(fēng)速波動(dòng)曲線，從中可以看出風(fēng)速的隨機(jī)性是很強(qiáng)的。風(fēng)速信號(hào)在短期來看是一個(gè)隨機(jī)信號(hào)，沒有太大的規(guī)律性，可預(yù)測(cè)

5、性較差，但是在較大的時(shí)間跨度和空間廣度上來看，風(fēng)速又具有一定的規(guī)律性。例如，由于近地面的植被、建筑物等障礙物的影響，導(dǎo)致近地面風(fēng)速較小，因此風(fēng)速一般隨高度的增加而增加；風(fēng)速隨季節(jié)變化而呈現(xiàn)周而復(fù)始的變化，這種變化是一種趨勢(shì)性較強(qiáng)的周期性變化；另外，地勢(shì)的起伏、地表溫度等對(duì)風(fēng)速都有一定的影響。在研究風(fēng)速時(shí)考慮它的規(guī)律性有利于提高風(fēng)速預(yù)測(cè)的準(zhǔn)確性。 圖2-1某風(fēng)電場(chǎng)一天內(nèi)的風(fēng)速值Fig2-1Windspeedinonedayofawindfarm風(fēng)電機(jī)的基本原理是將風(fēng)的動(dòng)能轉(zhuǎn)化為電能，因此風(fēng)電機(jī)出力和風(fēng)速密切相關(guān)。正是由于風(fēng)電的隨機(jī)性造成了風(fēng)電機(jī)出力的隨機(jī)變化，雖然風(fēng)電機(jī)的性能可以過濾部分隨機(jī)量

6、，但是總體上風(fēng)機(jī)的出力還是呈現(xiàn)很強(qiáng)的隨機(jī)性，尤其是當(dāng)出現(xiàn)大風(fēng)、小風(fēng)等極端情況時(shí)，風(fēng)電機(jī)可能停機(jī)而使系統(tǒng)產(chǎn)生較大的有功缺額。風(fēng)速預(yù)測(cè)本文采用實(shí)驗(yàn)室開發(fā)的風(fēng)電場(chǎng)風(fēng)速組合預(yù)測(cè)系統(tǒng)軟件WFWSCOPSS進(jìn)行風(fēng)速預(yù)測(cè)。該軟件采用模糊聚類預(yù)處理技術(shù)和考慮氣象因素的組合預(yù)測(cè)模型，可提前一日預(yù)測(cè)144點(diǎn)、48點(diǎn)、24點(diǎn)風(fēng)速數(shù)據(jù)。該軟件采用多元線性回歸、時(shí)間序列、灰色模型、神經(jīng)網(wǎng)絡(luò)模型四種預(yù)測(cè)模型構(gòu)成的組合預(yù)測(cè)模型進(jìn)行風(fēng)速預(yù)測(cè)。對(duì)于同一預(yù)測(cè)問題，可以選擇任意一種模型進(jìn)行預(yù)測(cè)，也可以選擇任意幾種模型進(jìn)行組合預(yù)測(cè)，組合預(yù)測(cè)中不同模型的權(quán)重可以人為設(shè)定或用最小二乘法求解其最優(yōu)組合。這種預(yù)測(cè)方法可以結(jié)合幾種預(yù)測(cè)模型的優(yōu)

7、勢(shì)，有效的減小預(yù)測(cè)誤差，提高預(yù)測(cè)精度。 隨著風(fēng)電場(chǎng)穿透功率的增加，風(fēng)電場(chǎng)并網(wǎng)運(yùn)行給電網(wǎng)帶來的一系列影響越來越嚴(yán)重，足以破壞電力系統(tǒng)經(jīng)濟(jì)、安全、穩(wěn)定、可靠運(yùn)行的狀態(tài)。風(fēng)電的原動(dòng)力是風(fēng)能，而風(fēng)能具有較強(qiáng)的隨機(jī)性和波動(dòng)性，使得接入電網(wǎng)的風(fēng)電穿透功率呈現(xiàn)劇烈的波動(dòng)特性，風(fēng)電功率的波動(dòng)給系統(tǒng)帶來的主要影響有：頻率穩(wěn)定、功角穩(wěn)定、電壓穩(wěn)定、諧波、電壓波動(dòng)與閃變、網(wǎng)損及潮流的分布、系統(tǒng)備用成本、調(diào)度計(jì)劃的制定、系統(tǒng)可靠性等諸多方面。良好的風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)結(jié)果，可以讓運(yùn)行人員提前制定調(diào)度計(jì)劃、安排機(jī)組出力及系統(tǒng)備用等相關(guān)措施，減少整體有功出力的波動(dòng)，從而降低風(fēng)電并網(wǎng)給系統(tǒng)帶來的影響時(shí)間序列法。時(shí)間序列法［

8、10-12］是目前應(yīng)用最多的方法，適于幾個(gè)小時(shí)的短期預(yù)測(cè)。只要通過對(duì)歷史數(shù)據(jù)的分析，經(jīng)過建模、模型識(shí)別、參數(shù)估計(jì)、模型校驗(yàn)等步驟，得到一個(gè)能夠反映風(fēng)速時(shí)間序列的數(shù)學(xué)模型，進(jìn)而進(jìn)行預(yù)測(cè)工作。時(shí)間序列模型主要有自回歸模型（AR）、滑動(dòng)平均模型（MA）、自回歸-滑動(dòng)平均模型（ARMA）、累積式自回歸-滑動(dòng)平均模型（ARIMA）人工神經(jīng)網(wǎng)絡(luò)法。人工神經(jīng)網(wǎng)絡(luò)法［8,14-16］適于一天的短期風(fēng)速預(yù)測(cè)，使用歷史樣本反復(fù)訓(xùn)練模型參數(shù)，優(yōu)化神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，具有很強(qiáng)的自適應(yīng)能力，預(yù)測(cè)效果一般較好，但受訓(xùn)練樣本的影響較大傳統(tǒng)電力系統(tǒng)的供電電源及負(fù)荷都是可預(yù)測(cè)的，根據(jù)預(yù)測(cè)的負(fù)荷情況，很容易對(duì)機(jī)組進(jìn)行經(jīng)濟(jì)調(diào)度，，發(fā)

9、電計(jì)劃和調(diào)度可以根據(jù)可靠的預(yù)測(cè)來制定。當(dāng)風(fēng)電場(chǎng)并網(wǎng)后，一方面風(fēng)電功率預(yù)測(cè)的精度有限，誤差較大，給發(fā)電計(jì)劃的制定帶來困難，調(diào)頻電廠，系統(tǒng)備用的計(jì)劃制定也增加了一定難度。文章［31］采用模糊技術(shù)分析了風(fēng)電對(duì)系統(tǒng)調(diào)度的影響，提出將氣象數(shù)據(jù)、歷史風(fēng)機(jī)出力、風(fēng)電預(yù)測(cè)誤差作為制定調(diào)度計(jì)劃的參考依據(jù)。另一方面，風(fēng)電機(jī)組出力的隨機(jī)波動(dòng)，增加了調(diào)頻電廠及系統(tǒng)備用的頻繁變化，大大增加了系統(tǒng)運(yùn)行的經(jīng)濟(jì)成本，同時(shí)，一旦調(diào)頻機(jī)組或備用響應(yīng)速度過慢或不足，都可能破壞系統(tǒng)的穩(wěn)定。為了減輕風(fēng)電并網(wǎng)對(duì)系統(tǒng)發(fā)電計(jì)劃和調(diào)度的影響，就要提高風(fēng)電功率預(yù)測(cè)的精度、增加系統(tǒng)調(diào)頻調(diào)峰的響應(yīng)速度或采取聯(lián)合調(diào)度的方式［32］。 對(duì)電壓的影響除

10、了雙饋型風(fēng)力發(fā)電機(jī)的無功是可調(diào)節(jié)的，一般的風(fēng)力發(fā)電機(jī)都是異步電動(dòng)機(jī)，需要吸收系統(tǒng)的無功，風(fēng)電機(jī)組無功需求的變化，將會(huì)給系統(tǒng)電壓穩(wěn)定帶來威脅，威脅的嚴(yán)重程度與風(fēng)電機(jī)組的類型、控制系統(tǒng)、電網(wǎng)無功補(bǔ)償裝置有關(guān)，此外，還受風(fēng)電場(chǎng)風(fēng)機(jī)的塔影效應(yīng)、偏航誤差以及風(fēng)剪切等因素的影響。文獻(xiàn)［33］對(duì)風(fēng)電機(jī)組引起的電壓波動(dòng)進(jìn)行了仿真，由于仿真風(fēng)電機(jī)組容量占系統(tǒng)比例較小，引起的電壓波動(dòng)在允許范圍內(nèi)。文獻(xiàn)［34］以山西北部的末端電網(wǎng)接入一定規(guī)模的風(fēng)電機(jī)組為背景（均為雙饋型風(fēng)電機(jī)組），分析風(fēng)電場(chǎng)并入不同電壓等級(jí)后，風(fēng)電機(jī)組功率變化、功率因數(shù)變化、系統(tǒng)運(yùn)行方式以及并網(wǎng)距離等因素與風(fēng)電機(jī)組對(duì)系統(tǒng)電壓影響的關(guān)系，指出，風(fēng)電功

11、率的波動(dòng)對(duì)系統(tǒng)電壓的影響較小，風(fēng)電機(jī)組功率因數(shù)的變化對(duì)系統(tǒng)電壓影響較大，風(fēng)電并網(wǎng)處電壓等級(jí)越高，風(fēng)電機(jī)組功率及功率因數(shù)的變化對(duì)系統(tǒng)電壓的影響越小。此外，系統(tǒng)的運(yùn)行方式也在一定程度上會(huì)增加風(fēng)電機(jī)組功率波動(dòng)對(duì)系統(tǒng)電壓的影響，風(fēng)電機(jī)組并網(wǎng)距離越長(zhǎng)，對(duì)系統(tǒng)電壓影響越嚴(yán)重。目前風(fēng)電場(chǎng)大多采用雙饋型風(fēng)力發(fā)電機(jī)，無功的流動(dòng)方向及功率因數(shù)都是可以控制的，因此，風(fēng)電機(jī)組功率的波動(dòng)對(duì)系統(tǒng)電壓波動(dòng)的影響不會(huì)太大。 對(duì)電網(wǎng)功角穩(wěn)定及頻率穩(wěn)定的影響功角穩(wěn)定是電力系統(tǒng)靜態(tài)穩(wěn)定的重要指標(biāo)之一，風(fēng)電接入系統(tǒng)后，由于有功出力可能出現(xiàn)劇烈波動(dòng)，如果系統(tǒng)備用及調(diào)頻電場(chǎng)不能及時(shí)平衡有功的供求關(guān)系，系統(tǒng)功角穩(wěn)定就可能遭到破壞，一旦風(fēng)

12、電引起線路潮流的變化超過或相當(dāng)于用電負(fù)荷的30%左右時(shí)將破壞電網(wǎng)的功角穩(wěn)定［35］。風(fēng)電機(jī)組對(duì)電網(wǎng)頻率的影響與對(duì)功角穩(wěn)定的影響是同步的，風(fēng)速的頻繁變化，導(dǎo)致風(fēng)機(jī)轉(zhuǎn)速的頻繁波動(dòng)，造成風(fēng)電機(jī)組頻率的連續(xù)波動(dòng)，不但影響系統(tǒng)的頻率穩(wěn)定，也會(huì)進(jìn)一步加大了對(duì)功角穩(wěn)定的威脅。不同類型的風(fēng)電機(jī)組對(duì)電網(wǎng)的頻率影響程度不同，文獻(xiàn)［36］比較了恒速風(fēng)電機(jī)組與雙饋型風(fēng)電機(jī)組對(duì)電網(wǎng)頻率的影響程度，指出恒速恒頻風(fēng)電機(jī)與系統(tǒng)頻率關(guān)系密切，能夠及時(shí)響應(yīng)系統(tǒng)頻率的變化，而變速恒頻風(fēng)電機(jī)組由于與電網(wǎng)頻率完全解耦控制，響應(yīng)速度慢。 對(duì)繼電保護(hù)的影響當(dāng)風(fēng)速在風(fēng)電機(jī)組啟動(dòng)風(fēng)速附件波動(dòng)時(shí)，風(fēng)電機(jī)組可能進(jìn)入電動(dòng)機(jī)運(yùn)狀態(tài)運(yùn)行，此時(shí)系統(tǒng)的潮

13、流方向?qū)?huì)改變，引起保護(hù)裝置誤動(dòng)作。文獻(xiàn)［37］通過模擬含風(fēng)電場(chǎng)的系統(tǒng)在不同點(diǎn)發(fā)生故障時(shí)，風(fēng)電機(jī)組對(duì)短路電流的貢獻(xiàn)指出，應(yīng)該結(jié)合風(fēng)電機(jī)組運(yùn)行特點(diǎn)及接入點(diǎn)的情況，恰當(dāng)選擇保護(hù)類型及整定值。文獻(xiàn)［50］使用MATLAB的動(dòng)態(tài)仿真工具SIMULINK,對(duì)包含風(fēng)電場(chǎng)的單機(jī)無窮大電力系統(tǒng)發(fā)生聯(lián)絡(luò)線故障時(shí)進(jìn)行動(dòng)態(tài)仿真。通過分析雙饋發(fā)電機(jī)不同故障類型下的故障電壓、電流曲線，指出風(fēng)電場(chǎng)應(yīng)采用適應(yīng)性保護(hù)對(duì)系統(tǒng)可靠性的影響風(fēng)電功率的不可預(yù)測(cè)性及不穩(wěn)定性,增加了電力系統(tǒng)可靠性評(píng)估的難度,分析含風(fēng)電的系統(tǒng)可靠性是必要的。蒙特卡羅仿真法是電力系統(tǒng)中常用的可靠性分析方法,文獻(xiàn)［51］在風(fēng)力模型、風(fēng)機(jī)模型及風(fēng)電場(chǎng)模型的基礎(chǔ)

14、上,建立了基于蒙特卡羅仿真法的風(fēng)力發(fā)電容量可信度模型,該模型考慮了不同風(fēng)電場(chǎng)間的相關(guān)性,并建立了各個(gè)風(fēng)電場(chǎng)的可信度指標(biāo)。文獻(xiàn)［52］考慮了更多影響風(fēng)電可靠性評(píng)估的因素，如風(fēng)電機(jī)組的功率特性、風(fēng)電機(jī)組的停運(yùn)概率、塔影效應(yīng)等，分析了風(fēng)電場(chǎng)輸出功率的統(tǒng)計(jì)規(guī)律。文獻(xiàn)［53］提出一種可靠性費(fèi)用評(píng)估模型，提出健康狀態(tài)概率和風(fēng)能利用效益系數(shù)兩個(gè)概念指標(biāo)，并用這兩個(gè)指標(biāo)評(píng)估風(fēng)電場(chǎng)的可靠性時(shí)間序列模型的建模在進(jìn)行預(yù)測(cè)工作前，需要對(duì)歷史數(shù)據(jù)組成時(shí)間序列，在通過分析序列樣本間的自相關(guān)特性與偏相關(guān)特性，即所謂的模式識(shí)別，確定序列滿足哪一種時(shí)間序列模型，最后經(jīng)過參數(shù)估計(jì)確定模型參數(shù)，得到預(yù)測(cè)模型模型識(shí)別計(jì)算時(shí)間序列的自

15、相關(guān)函數(shù)pk和偏相關(guān)函數(shù)akk后，通過下面的判據(jù)判斷其應(yīng)該屬于AR、MA、ARMA中的哪一個(gè)模型。其判據(jù)為，如果對(duì)有限個(gè)樣本進(jìn)行計(jì)算得出的自相關(guān)函數(shù)pk具有“截尾”性，則認(rèn)為該樣本序列是MA序列；如果對(duì)有限個(gè)樣本進(jìn)行計(jì)算得出的偏相關(guān)函數(shù)akk具有“截尾”性，則認(rèn)為該樣本序列是AR序列；如果對(duì)有限個(gè)樣本進(jìn)行計(jì)算得出的自相關(guān)函數(shù)pk和偏相關(guān)函數(shù)akk都具有“截尾”性，則認(rèn)為該樣本序列是ARMA序列。 對(duì)一個(gè)含有N個(gè)樣本的平穩(wěn)時(shí)間序列x1,x2,,xN，其序列的均值為再將所得的自相關(guān)函數(shù)pk代入式(3-9)就可以求出偏相關(guān)函數(shù)akk。根據(jù)求得的自相關(guān)函數(shù)pk和偏相關(guān)函數(shù)akk,參照判據(jù)即可知道該序

16、列屬于哪一種模型3.222模型的參數(shù)估計(jì)與檢驗(yàn)?zāi)Ｐ妥R(shí)別確定了序列所采用的預(yù)測(cè)模型種類，但是模型的參數(shù)還未確定，因此，需要對(duì)模型的參數(shù)進(jìn)行估計(jì)。將上面求得的自相關(guān)函數(shù)pk和偏相關(guān)函數(shù)akk代入式(3-2)、3-5),就可以求出AR(p)模型、MA(q)模型的參數(shù)？k和0k。對(duì)于ARMA(p,q)模型，可以分兩步進(jìn)行，依次按AR(p)模型、MA(q)模型的參數(shù)求解過程，求出 ARMA(p,q)模型的參數(shù)？k和0k。 模型參數(shù)確定以后，需要對(duì)模型進(jìn)行檢驗(yàn)，判斷其是否為白噪聲序列，根據(jù)實(shí)際 觀測(cè)值序列y1,y2,,yN與參數(shù)估計(jì)值序列y1,y2,,yN構(gòu)成一個(gè)殘差序列， ai=yi？yi(i=

17、1,2,,N)(3-12) 如果該殘差序列滿足，E(ai)=0，D(ai)=Oa2,則該殘差序列是白噪聲序列，那么該 模型是適合的，可以用來預(yù)測(cè)改時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型 神將網(wǎng)絡(luò)模型是一種模擬人類腦神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)、功能及信息處理過程而建立的 模型。神經(jīng)網(wǎng)絡(luò)模型具有非線性建模、并行處理、自學(xué)習(xí)、自適應(yīng)等能力，通過樣本 數(shù)據(jù)的反復(fù)訓(xùn)練，可以很好的模擬樣本的規(guī)模。 神經(jīng)網(wǎng)絡(luò)模型的基本原理 神經(jīng)網(wǎng)絡(luò)模型由很多神經(jīng)元組成，通過神經(jīng)元間的信息傳遞，進(jìn)行模型訓(xùn)練及預(yù) 測(cè)工作，設(shè)一個(gè)神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元為xi(i=1,2,,n)，內(nèi)層神經(jīng)元間的傳遞權(quán)值為W ij(從神經(jīng)元i到神經(jīng)元j的傳遞權(quán)值

18、)，閥值為0，神經(jīng)元激活函數(shù)為f，輸 出為y，其結(jié)構(gòu)如圖3-1所示 X >7 X % 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 神經(jīng)元的傳遞函數(shù)關(guān)系為 5=￡叫9 7=1 神經(jīng)網(wǎng)絡(luò)模型的輸出為， 傳遞函數(shù)f(x)可為線性函數(shù)，但通常為像階躍函數(shù)或S狀曲線那樣的非線性函數(shù)。神經(jīng)元的非線性函數(shù)常取S狀曲線：通常是在(0，1)或(-1，1)內(nèi)連續(xù)取值的單調(diào)可微分的函數(shù)，通常指數(shù)或正切等一類S狀曲線(Sigmoid)來表示，心Qo)/(a)=tanh(.t)神經(jīng)網(wǎng)絡(luò)模型BP神經(jīng)網(wǎng)絡(luò)模型的基本原理BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)也稱反向誤差傳播神經(jīng)網(wǎng)絡(luò)，是一種通過非線性變換實(shí)現(xiàn)權(quán)值調(diào)整的

19、前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)模型友輸入層、中間層(隱含層)、輸出層組成，中間層可以是一層或多層，同層節(jié)點(diǎn)間無連接。BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖3-2所示。 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型 Ek節(jié)點(diǎn)的非線性輸出函數(shù)通常選取Sigmoid型函數(shù)算法的學(xué)習(xí)過程，由正向傳播和反向傳播組成。在正向傳播過程中，輸入信息從輸入層經(jīng)隱單元層逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。 設(shè)有含n個(gè)輸入節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò)，中間層含有m個(gè)節(jié)點(diǎn)，輸出層有q個(gè)輸出節(jié)點(diǎn)，Wij是輸入

20、層與中間層的連接權(quán)值，Wjk是中間層與輸出層的連接權(quán)值。設(shè)訓(xùn)練樣本集共有N個(gè)訓(xùn)練樣本，第p個(gè)訓(xùn)練樣本稱為模式p，Ep是模式p下的網(wǎng)絡(luò)誤差函數(shù)，dpk為模式p下節(jié)點(diǎn)k的期望輸出值，opk為模式p下節(jié)點(diǎn)k的實(shí)際輸出值0j為節(jié)點(diǎn)j的閥值，opi為節(jié)點(diǎn)i的輸入，f為傳遞函數(shù)，一般取Sigmoid型函數(shù)。 于輸出層有， 對(duì)于中間層有 對(duì)于 Sigmoid型函數(shù) 第p個(gè)樣本下的神經(jīng)網(wǎng)絡(luò) 輸出誤差為 f滿足 所有訓(xùn)練樣本的總誤差為, p尋I￡p=|i=| 當(dāng)網(wǎng)絡(luò)的輸出誤差E不滿足要求時(shí)，需要通過誤差最速下降反向傳播算法對(duì)神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閥值進(jìn)行調(diào)整（1）中間層的連接權(quán)值和閥值的調(diào)整公

21、式如下 IJt=l 旳=^%（］-%）［X口—％）心—叫）］ r&=1 嚴(yán)左+l）=g衛(wèi)）+色2川） '其中，n為學(xué)習(xí)效率系數(shù)(2)輸出層的連接權(quán)值和閥值的調(diào)整公式如下 "=佗」一竹)(心—％)^(/+l)=^(/)+A0t(/) (1) BP神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)行步驟根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型的基本原理，其具體實(shí)現(xiàn)步驟如下，確定BP神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)，如層數(shù)、輸入神經(jīng)元個(gè)數(shù)、中間層神經(jīng)元個(gè)數(shù)、輸出層神經(jīng)元個(gè)數(shù)等，初始化連接權(quán)值3和閥值e。 (2) 形成由每對(duì)輸入值、期望輸出值組成的訓(xùn)練樣本集。 (3) 根據(jù)式(3-18)、(3-19)計(jì)算BP神經(jīng)網(wǎng)絡(luò)的中間層和輸出層的輸出。

22、根據(jù)式(3-22)計(jì)算網(wǎng)絡(luò)的總誤差，不滿足要求時(shí)，按式(3-23)、(3-25)分別計(jì)算43和△e，再由式(3-24)、(3-26)得到新的連接權(quán)值3和閥值8。 (4) 重復(fù)步驟(3)和(4)直到網(wǎng)絡(luò)總誤差滿足要求為止灰色模型灰色系統(tǒng)理論就是研究本征性灰色系統(tǒng)的量化問題，就是研究灰系統(tǒng)的建模、預(yù)測(cè)、分析、決策和控制。要建立它們的系統(tǒng)模型，必須是定性與定量相結(jié)合，以定性為先導(dǎo)，以定量為手段，是定性與定量的綜合過程?；疑A(yù)測(cè)理論是整個(gè)灰色系統(tǒng)理論的重要組成部分，建立灰色動(dòng)態(tài)模型(或稱GM模型)則是灰色預(yù)測(cè)理論的核心?；疑A(yù)測(cè)的特點(diǎn)如下： (1) 灰色模塊建模灰色系統(tǒng)在建立模型前，先對(duì)原始數(shù)據(jù)進(jìn)

23、行整理和處理，讓它呈現(xiàn)一定的規(guī)律性，這種方法叫做生成，一般采用累加方式生成。累加生成灰色模塊是灰色系統(tǒng)的重要方法之一，它能使上下波動(dòng)的時(shí)間序列轉(zhuǎn)變成單調(diào)升，并帶有線性或指數(shù)律的序列。 (2) 建立微分方程的動(dòng)態(tài)模型灰色系統(tǒng)理論通過對(duì)一般微分方程的深刻剖析定義了序列的灰導(dǎo)數(shù)，在信息不足的情況下利用離散數(shù)據(jù)序列建立近似微分方程模型，充分發(fā)揮白信息的作用。 (3) 用關(guān)聯(lián)分析代替回歸分析灰色系統(tǒng)主張按機(jī)理、發(fā)展變化態(tài)勢(shì)做特性分析．它可以用來研究生成函數(shù)的逼近度、檢驗(yàn)預(yù)測(cè)精度，還可以用來做因子分析和優(yōu)勢(shì)分析等。 灰色預(yù)測(cè)模型的建立灰色預(yù)測(cè)模型一般均指GM(1.1)模型，設(shè)有一個(gè)由n個(gè)樣本組成的隨

24、機(jī)序列Xi(0) (i=1,2,,n)，由于原始資料的時(shí)間序列不可避免地包含有許多隨機(jī)因素，因此必須對(duì)原始資料進(jìn)行加工處理，將隨機(jī)因素加以弱化，一般預(yù)測(cè)模型用一次累加生成的方式得到新的序列Xi(1)。累加公式為 ￡=1 Xi的緊鄰均值生成序列為：Zi(1)(i=1,2,,n),Zi(1)可由下式求得 =+k=2.3..--H其中，Zi(l)稱為背景值。 則稱下面的微分方程為GM(1，1)模型 設(shè)a=(a,b)T為參數(shù)列，采用最小二乘法估計(jì)其參數(shù)為 d=(ii'8)'ii!Y其中 那么就稱下面的微分方程為灰色微分方程X(0k) +aZ1k=b的白化方程或影子方程

25、y■；II_0們?nèi)?則預(yù)測(cè)值為aa需要通過下式還原成原始序列的預(yù)測(cè)值 膽:冷/鋁一嵐耳&=12…用灰色預(yù)測(cè)模型的檢驗(yàn)一個(gè)模型要經(jīng)過檢驗(yàn)才能判定其是否合理，是否合格。只有通過檢驗(yàn)的模型才能用來做預(yù)測(cè)，灰色系統(tǒng)理論米用三種方法檢驗(yàn)：殘差大小檢驗(yàn)、關(guān)聯(lián)度檢驗(yàn)、后驗(yàn)差檢驗(yàn)。這里介紹常用的殘差大小檢驗(yàn)法。設(shè)有一個(gè)由n個(gè)樣本組成的隨機(jī)序列(i= 1,2,,n),利用GM(1,1)預(yù)測(cè)的序列為飛(i=1,2,,n),殘差序列為廠(i=1,2,,n), 相對(duì)殘差序列為W(i=1,2,,n),則殘差序列為 則相對(duì)殘差序列為， 3'<20%時(shí)，認(rèn)為模型是合格的，可以用來預(yù)測(cè)一般當(dāng)相對(duì)殘差序列滿足