【《基于MATLAB对断路器动作时间的预测分析案例综述》3800字】_第1页
【《基于MATLAB对断路器动作时间的预测分析案例综述》3800字】_第2页
【《基于MATLAB对断路器动作时间的预测分析案例综述》3800字】_第3页
【《基于MATLAB对断路器动作时间的预测分析案例综述》3800字】_第4页
【《基于MATLAB对断路器动作时间的预测分析案例综述》3800字】_第5页
已阅读5页,还剩5页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于MATLAB对断路器动作时间的预测分析案例目录TOC\o"1-3"\h\u9735基于MATLAB对断路器动作时间的预测分析案例 [3]。基于Matlab的粒子群优化BP神经网络算法(PSO-BP)的基本流程如图1.7所示。具体操作步骤如下:图1.7粒子群优化BP神经网络(PSO-BP)建模流程图(1)根据训练样本集的大小以及种类和所求预测值个数,确定神经网络中每一层级的节点数,以此来确定所需神经网络模型的网络拓扑结构。(2)初始BP神经网络的连接权值和阈值,然后把粒子的初始位置及速度初始化为[0,1]的随机数,这些需要初始的参数分别是:最大速度vmax,最大迭代次数K,惯性权重wmax、wmin,粒子群数量N,粒子位置xmax、xmin(3)计算每个粒子的适应度值,从而确定每次迭代的个体最优值(Pi)与全局最优值(P(4)将步骤3中每个粒子的适应度值与它经历过的历史最好位置Pi作比较选择最优值作为新的Pi,同理,用相同的方法更新(5)将已经完成的迭代次数和系统设定的最大迭代次数作比较,如果前者等于后者就向下一步输出结果,如果前者小于后者,则继续对现有误差值和系统设定的最小误差值做比较,如果前者小于等于后者就向下一步输出结果,如果前者大于后者,则转回步骤4继续训练。(6)BP神经网络的连接权值和阈值通过上一步得到更新,优化工作完成。(7)将利用原始数据制作而成的测试数据集输入训练好的模型之中,统计输出结果并进行整理,对照真实值分析统计结果,对模型优化效果做出评价。本文所用的粒子群优化算法,整个优化过程需要经历很多步骤,但是算法本身很多初始参数是根据前人经验所得,所以没有太多的参数需要人工调试,而所有需要调试的参数经过调试,最终确定了其具体数值,其中最大迭代次数K为50,最大速度(也称之为步长)vmax为1,粒子群数量N设定好粒子群优化算法初始网络参数后,后面的工作和上一节中BP神经网络的一样,首先将附录A、B中的分合闸样本数据分成训练集和测试集,其中训练集大小占样本数据大小的80%,测试集大小占样本数据大小的20%。然后将这两部分数据进行归一化处理,接着把处理过的训练集数据导入网络模型中进行训练,待网络模型训练好后再导入处理过的测试集数据进行验证,最后对输出的预测值数据进行反归一化处理,后观察预测值和真实值的拟合度及其误差大小。1.2.1断路器分闸动作时间预测将分闸动作时间的测试样本数据导入到优化后的网络预测模型中,然后把网络训练模型输出的预测值跟真实值进行比较,结果如图1.3所示,接着再用输出的预测值和真实值对比做差,得到的误差值大小如图1.9所示。图1.8PSO-BP模型分闸时间预测值与真实值对比图1.9PSO-BP模型以及BP模型对分闸时间的预测值与真实值误差分析由图1.8和图1.9可分析出,优化后的网络模型在进行1000次训练后停止了学习过程,因为由图1.9可以看出输出的预测值与真实值的对比误差大于编程时所设置的0.001ms的误差预设值,且误差在±4ms,整体误差略大于优化前的BP神经网络。1.2.2断路器合闸动作时间预测将合闸动作时间的测试样本数据导入到优化后的网络预测模型中,然后把网络训练模型输出的预测值跟真实值进行比较,结果如图1.10所示,接着再用输出的预测值和真实值对比做差,得到的误差值大小如图1.11所示。图1.10PSO-BP模型合闸时间预测值与真实值对比图1.11PSO-BP模型以及BP模型对合闸时间的预测值与真实值误差分析根据图1.10和图1.11可分析得出,优化后的网络模型在进行1000次训练后停止了学习过程,因为由图1.11可以看出输出的预测值与真实值的对比误差大于编程时所设置的0.001ms的误差预设值,且误差在±0.8ms,整体误差略小于优化前的BP神经网络。1.3实验结果分析对优化前后的预测模型所输出的分合闸动作时间预测值进行分组记录,分别将两个模型输出的预测值与实际值进行做差,将得到的差值经过程序模型做一个整理归纳从而得到两组不一样的误差值,通过均方误差(MSE)和平均绝对百分比误差(MAPE)两个误差指标对预测效果进行比较,具体误差值见表1和表2所示。预测模型MSEMAPE优化前BP1.33280.0224PSO-BP1.35930.0232表1PSO算法优化前、后BP网络的分闸时间预测误差预测模型MSEMAPE优化前BP0.24680.0028PSO-BP0.22050.0025表2PSO算法优化前、后BP网络的合闸时间预测误差由表1中的数据,比较优化前后的两个误差指标,PSO-BP的MSE比BP的MSE上升了1.95%,PSO-BP的MAPE比BP的MAPE上升了3.45%。同样的,通过表2中的数据,比较优化前后的两个误差指标,PSO-BP的MSE比BP的MSE下降了10.66%,PSO-BP的MAPE比BP的MAPE下降了10.71%。可以

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论