２０１６年２月 内蒙古科技与经济 Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ Ｓｃｉｅｎｃｅ Ｔｅｃｈｎｏｌｏｇｙ＆Ｅｃｏｎｏｍｙ Ｆｅｂｕｒａｒｙ ２０１６ Ｎｏ．３ Ｔｏｔａｌ Ｎｏ．３４９ 第３期总第３４９期 基于Ｅｌｍａｎ神经网络的电厂数据预测 王 泽 ，曹莉莎。 （１．华北电力大学信息与网络管理中心；２．保定学院网络信息管理中心，河北保定０７１０００） 摘 要：为了保障整个电厂运行的经济性和安全性，做好数据的预测是十分必要的，本文提出了利用 Ｅｌｍａｎ神经网络建立火电厂数据预测模型的方法。最后将建立好的网络应用于电厂３００ＭＷ火电机组热 力系统的相关数据的预测中，通过预测结果验证Ｅｌｍａｎ网络应用于热力参数的预测是－ｂＳ实可行的。 关键词：电厂运行安全；数据预测；Ｅｌｍａｎ神经网络 中图分类号：ＴＰ１８３ 文献标识码：Ａ 文章编号：１ＯＯ７—６９２１（２０１６）Ｏ３一Ｏ０９３一Ｏ２ 大型电厂的实时控制系统的模块中，通过现场 数据采集系统来收集大量实时数据来进行设备故障 诊断。如果搜集到的原始数据不能反映相应设备的 运行状态，将直接影响自动控制系统后继模块的正 确运行。因此，为了保证电厂运行安全，做好数据预 测ｍ是很重要的。Ｅｌｍａｎ神经网络 具有内部反馈 ｇ（ｘ）多取为线性函数，即： ｙ（矗）一ｇ（Ｗ ｚ（ｋ）） （５） 其中：ｋ为神经网络训练的次数；Ｙ为输出向 量；Ｘ为隐层神经元输出向量；ｕ为输入向量；Ｘｃ为 承接层输入向量；ｗ。、ｗ。、Ｗ 分别是隐层到输出 层、输入层到隐层、承接层到隐层的连接权值矩阵； 本文采用梯度下降法咖对权值进行修正，神经网络 的权值修正量正比于误差对加权的导数，即： △ｗ 一一＇７ 机制，它的反馈部分增加了网络本身处理动态信息 的能力，可以实现动态建模，很适合用于数据预测。 １ Ｅｌｍａｎ神经网络原理及学习规则 Ｅｌｍａｎ神经网络是一典型的动态递归神经网 络，一般分为４层：输入层、隐层、承接层和输出层， 如图１所示。隐层的输出通过承接层得延迟与存 其中，Ｅ是描述误差的误差函数，ａ是学习率ｌ４］。 ２ Ｅｌｍａｎ神经网络的学习算法 定义误差函数为： Ｅ一１／２（ （愚）一 （是）） （６） 储，自联到隐层的输入，这种自联方式使其对历史数 据具有敏感性，内部反馈的加入增加了网络本身处 理动态信息的能力，从而达到了动态建模的目的。 论文中设输入层为ｒ个节点，隐层和联系层单元为 其中：Ｙ （ｋ）为期望输出，ｙ（ｋ）为预测输出。 将Ｅ对隐层到输出层的连接权ｗ。求偏导： ｎ个节点，输出层为ｍ个节点。 令 糕一（ ）一 ㈤） ＝＝＝（ （愚）——Ｙ ， （ ））ｇ （·）ｚ （忌） （７） 一（ （ ）一ｙ （是））ｇ （·） （８） 贝Ｕ： ａ Ｗ 一 －一 、ｚ，（是） ～ （９ ～ 其中ｉ一１，２，…，ｍ；ｊ一１，２，…，ｎ； 根据梯度下降法，ＡＷ一～１ ｍａｎ网络权值ｗ 的学习算法如下： △ｗ 一一 ｚ，（忌） 可以导出Ｅｌ— （１０） 其中ｉ＝＝：１，２，…，ｍ；ｊ一１，２，…，ｎ。 同理可以求得权值ｗ 的学习算法如下： △ｗ 一一 ｈ“ （ｋ一１） （１１） 图１ Ｅｌｍａｎ网络结构示意 其中ｊ—ｌ，２，…，ｎ；ｑ一１，２，…ｒ。 Ｅｌｍａｎ神经网络的数学模型为： Ｘ（是）一厂（Ｗ ．３Ｃ （是）－４－Ｗ Ｍ（愚一１）） ｚ （愚）一．７Ｃ（忌一１） （是）一ｇ（Ｗ。ｚ（ｋ）） 权值ｗ 的学习算法如下： （１） （２） （３） △ 一一 ∑（ ｗ ， ，（·） （ 一１）） （１２） ｉ一１ 其中ｊ＝＝＝１，２，…，ｎ；１—１，２，…ｎ； 一其中，ｆ（ｘ）为激励函数，多取为ｓｉｇｍｏｉｄ函数，即： 厂（ｚ）一１／１＋ｅ一 （４） ∑（ ｗ 厂 （·） ｌ １ （１３） 收稿日期：２０１５—１２—２２ 作者简介：王泽（１９８９一），助理工程师，硕士，主要研究计算机网络应用、人工智能等。 · ９３ ·