基于BP神经网络电力系统稳定器的设计

1摘要采用一种自组织模糊神经网络设计电力系统稳定器，该稳定器能通过结构和参数的学习，克服传统模糊控制器设计过程中存在的盲目性及拚凑性，避免模糊控制器中模糊逻辑规则的冗余或欠缺。仿真表明该电力系统稳定器具有良好控制性能。由于一般的模糊神经网络电力系统稳定器在输入量的论域、模糊子集、节点数及节点函数的选取有过分依赖于先验知识之嫌，另外，一经设计完毕后，模糊神经网络的结构是固定不变的，不便于模糊逻辑规则及节点的增减，有可能造成模糊逻辑规则的冗余或欠缺，为了克服以上的缺点，可采用一种自组织模糊神经网络作为电力系统稳定器。关键词:自组织模糊神经网络；电力系统稳定器；BP神经网络2目录第一章绪论........................................................11.1神经网络发展现状............................................11.2神经网络应用现状............................................11.3神经网络发展趋势及研究热点..................................21.3.1神经网络研究动向.......................................21.3.2研究热点...............................................31.4神经网络与模糊逻辑的结合...................................51.5神经网络的实现和展望........................................61.6本章小结....................................................6第二章BP神经网络的应用设计.......................................72.1BP神经网络概述..............................................72.2BP神经网络的设计............................................72.2.1BP神经网络隐层数的确定...............................72.2.2各层神经元个数的确定..................................82.2.3BP神经网络的改进算法.................................92.3BP神经网络的设计实例......................................102.4本章小结..................................................11第三章基于自组织模糊神经网络电力系统稳定器的设计.................123.1模糊神经网络的基本结构....................................123.2结构的调整................................................133.3模糊逻辑规则的产生........................................153.4自组织模糊神经网络电力系统稳定器的设计....................163.5仿真研究..................................................173.6本章小结..................................................18致谢.............................................................19参考文献...........................................................201第一章绪论1.1神经网络发展现状神经网络最早的研究20世纪40年代心理学家Mcculloch和数学家Pitts合作出的，他们提出的MP模型拉开了神经网络研究的序幕。神经网络的发展大致经过三个阶段:1947～1969年为初期，在这期间科学家们提出了许多神经元模型和学习规则，如MP模型、HEBB学习规则和感知器等；1970～1986年为过渡期，这个期间神经网络研究经过了一个低潮，继续发展。在此期间，科学家们做了大量的工作，如Hopfield教授对网络引入能量函数的概念，给出了网络的稳定性判据，提出了用于联想记忆和优化计算的途径。1984年，Hiton教授提出Boltzman机模型。1986年Kumelhar等人提出误差反向传播神经网络，简称ＢＰ网络。目前，ＢＰ网络已成为广泛使用的网络；1987年至今为发展期，在此期间，神经网络受到国际重视，各个国家都展开研究，形成神经网络发展的另一个高潮。神经网络具有以下优点:(1)具有很强的鲁棒性和容错性，因为信息是分布贮于网络内的神经元中。(2)并行处理方法，使得计算快速。(3)自学习、自组织、自适应性，使得网络可以处理不确定或不知道的系统。(4)可以充分逼近任意复杂的非线性关系。(5)具有很强的信息综合能力，能同时处理定量和定性的信息，能很好地协调多种输入信息关系，适用于多信息融合和多媒体技术。1.2神经网络应用现状神经网络以其独特的结构和处理信息的方法，在许多实际应用领域中取得了显著的成效，主要应用如下:(1)图像处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复。(2)信号处理。能分别对通讯、语音、心电和脑电信号进行处理分类；可用于海底声纳信号的检测与分类，在反潜、扫雷等方面得到应用。(3)模式识别。已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器的图像识别以及地震信号的鉴别等。2(4)机器人控制。对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及排除、智能自适应移动机器人的导航。(5)卫生保健、医疗。比如通过训练自主组合的多层感知器可以区分正常心跳和非正常心跳、基于ＢＰ网络的波形分类和特征提取在计算机临床诊断中的应用。(6)焊接领域。国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。(7)经济。能对商品价格、股票价格和企业的可信度等进行短期预测。(8)另外，在数据挖掘、电力系统、交通、军事、矿业、农业和气象等方面亦有应用。1.3神经网络发展趋势及研究热点1.3.1神经网络研究动向神经网络虽已在许多领域应用中取得了广泛的成功，但其发展还不十分成熟，还有一些问题需进一步研究。神经网络的应用已经涉及到各个领域，并且在智能控制、模式识别、计算机识别、自适应滤波和信号处理、飞机导弹非线性优化、自动目标识别、连续语音识别、声纳信号的处理、知识处理、传感技术与机器人图像处理、生物医学工程、传感器信号处理、机器人控制、卫生保健、医疗、处理组合优化问题等方面取得了令人鼓舞的发展。(1)自动控制领域。神经网络方法已经覆盖了控制理论中的绝大多数问题，主要有系统建模与辨识、PID参数整定、极点配置、内模控制、优化设计、预测控制、最优控制、自适应控制、滤波与预测容错控制、模糊控制和学习控制等。(2)处理组合优化问题。最典型的例子是成功地解决了ＴＳＰ问题，即旅行推销员问题，另外还有最大匹配问题、装箱问题和作业调度等。(3)模式识别。已成功应用于手写字符、汽车牌照、指纹和声音识别，还可用于目标的自动识别和定位、机器人传感器图像识别及地震信号的鉴别。(4)图像、信号处理。对图像进行边缘监测、图像分割、图像压缩和图像恢复能分别对通讯、语音、心电和脑电信号进行处理分类。(5)传感器信号处理。传感器输出非线性特性的矫正、传感器故障检测、滤波与除噪、环境影响因素的3补偿、多传感器信息融合。(6)机器人控制。对机器人眼手系统位置进行协调控制，用于机械手的故障诊断及应移动机器人的导航。(7)焊接领域。国内外在参数选择、质量检验、质量预测和实时控制方面都有研究，部分成果已得到应用。近几年来，神经网络理论引起世界各国企业家和科学家的重视。他们正在组织和实施与此有关的重大研究项目。如美国的DAPPA计划，日本的HFSP计划、法国的“尤里卡”计划、德国的“欧洲防御”计划和俄罗斯的“高技术发展”计划。我国在1990年举办神经网络的学术年会，研究工作已在高等院校和研究单位开展。(8)增强神经网络的可理解性是神经网络界需要解决的一个重要问题。这方面的工作在今后若干年中仍然会是神经计算和机器学习界的一个研究热点。神经网络的应用领域将不断扩大，在未来的几年中有望在一些领域取得更大的成功，特别是多媒体技术、医疗、金融、电力系统等领域。1.3.2研究热点(1)神经网络与遗传算法的结合。遗传算法与神经网络的结合主要体现在以下几个方面:网络连接权重的进化训练；网络结构的进化计算；网络结构和连接权重的同时进化；训练算法的进化设计。基于进化计算的神经网络设计和实现已在众多领域得到应用，如模式识别、机器人控制、财政等，并取得了较传统神经网络更好的性能和结果。但从总体上看，这方面研究还处于初期阶段，理论方法有待于完善规范，应用研究有待于加强提高。神经网络与进化算法相结合的其他方式也有待于进一步研究和挖掘。(2)神经网络与灰色系统的结合。灰色系统理论是一门极有生命力的系统科学理论，自1982年华中理工大学的邓聚龙教授提出灰色系统后迅速发展，以初步形成以灰色关联空间为基础的分析体系，以灰色模型为主体的模型体系，以灰色过程及其生存空间为基础与内的方法体系，以系统分析、建模、预测、决策、控制、评估为纲的技术体系。目前，国内外对灰色系统的理论和应用研究已经广泛开展，受到学者的普遍关注。灰色系统理论在在处理不确定性问题上有其独到之处，并能以系统的离散时序建立连续的时间模型，适合于解决无法用传统数字4精确描述的复杂系统问题。神经网络与灰色系统的结合方式有:(1)神经网络与灰色系统简单结合；(2)串联型结合；(3)用神经网络增强灰色系统；(4)用灰色网络辅助构造神经网络；(5)神经网络与灰色系统的完全融合。(3)神经网络与专家系统的结合。基于神经网络与专家系统的混合系统的基本出发点立足于将复杂系统分解成各种功能子系统模块，各功能子系统模块分别由神经网络或专家系统实现。其研究的主要问题包括:混合专家系统的结构框架和选择实现功能子系统方式的准则两方面。由于该混合系统从根本上抛开了神经网络和专家系统的技术限制，是当前研究的热点。把粗集神经网络专家系统用于医学诊断，表明其相对于传统方法的优越性。(4)神经网络与模糊逻辑的结合模糊逻辑是一种处理不确定性、非线性问题的有力工具。它比较适合于表达那些模糊或定性的知识，其推理方式比较类似于人的思维方式，这都是模糊逻辑的优点。但它缺乏有效的自学习和自适应能力。而将模糊逻辑与神经网络结合，则网络中的各个结点及所有参数均有明显的物理意义，因此这些参数的初值可以根据系统的模糊或定性的知识来加以确定，然后利用学习算法可以很快收敛到要求的输入输出关系，这是模糊神经网络比单纯的神经网络的优点所在。同时，由于它具有神经网络的结构，因而参数的学习和调整比较容易，这是它比单纯的模糊逻辑系统的优点所在。模糊神经网络控制已成为一种趋势，它能够提供更加有效的智能行为、学习能力、自适应特点、并行机制和高度灵活性，使其能够更成功地处理各种不确定的、复杂的、不精确的和近似的控制问题。模糊神经控制的未来研究应集中于以下几个方面:(1)研究模糊逻辑与神经网络的对应关系，将对模糊控制器的调整转化为等价的神经网络的学习过程，用等价的模糊逻辑来初始化神经网络；(2)完善模糊神经控制的学习算法，以提高控制算法的速度与性能，可引入遗传算法、ＢＣ算法中的模拟退火算法等，以提高控制性能；(3)模糊控制规则的在线优化，可提