陳 亮,高楊德,沈海平,魯方林,王文瑞
(1.國網(wǎng)江蘇省電力有限公司電力科學(xué)研究院,江蘇南京 211103;2.中國科學(xué)院上海高等研究院,上海 2012100;3.國網(wǎng)江蘇省電力有限公司無錫供電分公司,江蘇無錫 214000)
配電變站處在高電壓的運(yùn)行狀態(tài)下,保證空氣質(zhì)量非常重要,因此對檢測二氧化硫氣體進(jìn)行預(yù)測防止發(fā)生突變[1]。
目前預(yù)測方法主要有微分法[2]、自回歸(ARIMA)[3]、支持向量機(jī)[3]、神經(jīng)網(wǎng)絡(luò)[4]等算法。傳感器采集的氣體預(yù)測復(fù)雜且非線性,傳統(tǒng)的統(tǒng)計方法有一定的局限性,目前采用支持向量機(jī)中的機(jī)器學(xué)習(xí)方法和神經(jīng)網(wǎng)絡(luò)對非線性系統(tǒng)進(jìn)行預(yù)測。支持向量機(jī)(SVM)是一種統(tǒng)計方法[3],對非線性函數(shù)的逼近能取得很好的結(jié)果,但與神經(jīng)網(wǎng)絡(luò)算法在預(yù)測精度方面相比,它沒有特殊性,算法的選擇參數(shù)過于依賴人工。該神經(jīng)網(wǎng)絡(luò)經(jīng)過長時間的訓(xùn)練,可用于非線性函數(shù)。RBF網(wǎng)絡(luò)可以實(shí)現(xiàn)任意精度。與其他網(wǎng)絡(luò)相比,RBF網(wǎng)絡(luò)是一種簡單的拓?fù)浣Y(jié)構(gòu),學(xué)習(xí)速度快、效率高。
研究人員發(fā)現(xiàn)氣體具有復(fù)雜性和非線性特征,因此基于非線性動力學(xué)理論,特別是混沌相空間理論,提出了一種優(yōu)化氣體復(fù)雜性的新方法[5-6]。動態(tài)特性隱藏在系統(tǒng)中,不能通過研究這些變量的氣體來直接顯示。在某些情況下,可以利用非線性動力學(xué)理論中的相空間重構(gòu),從氣體變量的時間序列中可以得出動力學(xué)特征[7-9]。
時間序列的相空間重構(gòu)是在1980年提出的,研究人員可以發(fā)現(xiàn)該方法擴(kuò)展到更多的領(lǐng)域,人們發(fā)現(xiàn)相空間重構(gòu)與其他技術(shù)相結(jié)合很好[10-14]。例如,利用混沌吸引子預(yù)測壓縮機(jī)的旋轉(zhuǎn)失速[8]。
本文對模型的參數(shù)進(jìn)行了優(yōu)化,提高了預(yù)測精度。首先,利用C-C算法對重構(gòu)后的相位空間進(jìn)行優(yōu)化,得到延遲時間,然后再利用李雅普諾夫指數(shù)證明了混沌性質(zhì)的采集氣體的嵌入維數(shù),并將重構(gòu)后的相空間與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合進(jìn)行訓(xùn)練和預(yù)測。最后將相空間重構(gòu)的混沌RBF神經(jīng)網(wǎng)絡(luò)方法與RBF神經(jīng)網(wǎng)絡(luò)方法進(jìn)行了比較。
陣列式傳感器監(jiān)測系統(tǒng)包括傳感器數(shù)據(jù)的匯聚、融合和存儲,然后將數(shù)據(jù)通過通訊單元發(fā)送至遠(yuǎn)程服務(wù)器,如圖1所示。
圖1 陣列式傳感器監(jiān)測系統(tǒng)圖
在供電電壓5 V為系統(tǒng)各模塊提供穩(wěn)定的電壓的情況下,陣列式二氧化硫氣體傳感器對配電變站進(jìn)行監(jiān)測,傳感器網(wǎng)絡(luò)通過RS485接口數(shù)據(jù)傳輸,然后采用1 GB DDR3內(nèi)存、4 GB eMMC閃存內(nèi)部存儲和SD卡和SATA接口的固態(tài)硬盤外部存儲,進(jìn)行程序的運(yùn)行和數(shù)據(jù)的存儲。
之后采用i.MX6Quad系列的ARM芯片作為主控單元的核心處理器實(shí)現(xiàn)整個系統(tǒng)的數(shù)據(jù)處理和管理調(diào)度。之后通訊單元4G LTE中ME909s-821 LTE模塊和USB接口用于與遠(yuǎn)程服務(wù)器之間數(shù)據(jù)交互,數(shù)據(jù)融合顯示在監(jiān)控平臺中的智能運(yùn)行系統(tǒng)中,如圖2所示,然后通過混沌神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)預(yù)測。
圖2 智能運(yùn)維平臺
對氣體的時間序列[x1,x2,…,xt],嵌入維數(shù)m和延遲時間τ,則相點(diǎn)的個數(shù):N=n-(m-1)τ,重構(gòu)向量:Xi(i=1,2,…,N),如下描述:
(1)
使用C-C算法對相空間嵌入維數(shù)m和延遲時間τ進(jìn)行優(yōu)化,把時間序列X(n),n=1,2,…,N分成t個不相交的時間序列,長度INT(N/t)取整函數(shù):
(2)
每個子序列的統(tǒng)計量S(m,N,r,τ):
(3)
局部最大的時間點(diǎn)可以根據(jù)S(m,N,r,τ)穿越零點(diǎn)或者對所有的半徑r相互差別最小的時間點(diǎn)求出,而選取最大和最小半徑的定義差別:
ΔS=max{S(m,N,ri,t)-min[S(m,N,rj,t)]},i≠j
(4)
局部最大時間t應(yīng)該是S(m,N,ri,t)零點(diǎn),零點(diǎn)對應(yīng)所有的m,t,根據(jù)統(tǒng)計學(xué)原理2≤m≤5,r的取值為σ/2~2σ,σ是時間序列的方差,得到方程:
(5)
對采集的氣體如SO2數(shù)據(jù)通過C-C法進(jìn)行延遲時間和嵌入維數(shù)的計算,選取是吸引子完全打開的最小維數(shù)。
(6)
相空間重構(gòu)的徑向基RBF神經(jīng)網(wǎng)絡(luò)如下,設(shè)K為隱含層的節(jié)點(diǎn)數(shù),以高維相空間矢量Xi=[xi,xi-τ,…,xi-(m-1)τ]為輸入信號,嵌入維數(shù)m為輸入層節(jié)點(diǎn)數(shù),構(gòu)建網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),如圖3所示。圖中的Yi為輸出值,U=(u1,u2,…,uk)為隱含層節(jié)點(diǎn)的輸出,W=(w1,w2,…,wk)為隱含層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)與輸出節(jié)點(diǎn)的連接權(quán)值。
圖3 相空間重構(gòu)的徑向基RBF神經(jīng)網(wǎng)絡(luò)
由于輸入層節(jié)點(diǎn)只是將輸入信號傳遞到隱含層,隱含層激活函數(shù):
(7)
式中:Cj為第j個神經(jīng)元的徑向基中心;σj為第j個神經(jīng)元的徑向基的寬度參數(shù);‖Xi-Cj‖為輸入向量Xi與Cj間的歐式距離;R(·)為激活函數(shù)。
(8)
式中:φ()為徑向基函數(shù);β為寬度參數(shù)。
為了驗(yàn)證相空間重構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測性能,如圖4所示,用采集的1 160個采樣點(diǎn)的SO2氣體值預(yù)測后50個節(jié)點(diǎn)的SO2氣體值。
圖4 采集的SO2質(zhì)量濃度
為了防止采集的1 160點(diǎn)SO2氣體值出現(xiàn)的異常值造成RBF神經(jīng)網(wǎng)絡(luò)的神經(jīng)元的飽和性,所以在進(jìn)行混沌神經(jīng)網(wǎng)絡(luò)預(yù)測前,要對采集的數(shù)據(jù)進(jìn)行原始數(shù)據(jù)的歸一化處理:
(9)
(a)S(t)
(c)Scor(t)圖5 基于C-C法的SO2氣體序列重構(gòu)參數(shù)
把上述求得的延遲時間ζ=84和嵌入維數(shù)m=3帶入Lyapunov算法中,得到圖6,可以計算得到最大Lyapunov的指數(shù)為0.277 2,大于0,則證明在這組數(shù)據(jù)中SO2氣體存在混沌特性??梢钥闯鱿到y(tǒng)可以對未來的行為預(yù)測,可以通過混沌重建,反映出系統(tǒng)短期記憶性,可以研究相空間重構(gòu)反映出系統(tǒng)運(yùn)動特性。
圖6 嵌入維數(shù)m得到Lyapunov指數(shù)值
由于重構(gòu)后的吸引子具有混沌特點(diǎn),可用于神經(jīng)網(wǎng)絡(luò)的預(yù)測。在相空間的重構(gòu)過程中可以看出,SO2氣體是一個多維非線性系統(tǒng),具有多維非線性混沌特性,根據(jù)相空間的重構(gòu)對氣體恢復(fù)原來的多維非線性混沌系統(tǒng),并且使用徑向基神經(jīng)網(wǎng)絡(luò)處理系統(tǒng)內(nèi)復(fù)雜關(guān)系,在這里可以從單個的時間序列重構(gòu)系統(tǒng)的相空間,可以找到一個合適的嵌入維數(shù)恢復(fù)出現(xiàn)的吸引子規(guī)律,能有效提高RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。
設(shè)置RBF神經(jīng)網(wǎng)絡(luò)的部分參數(shù)如下:
tau=84
m=3;
x=mapmin max(X,0,1)
[xn,dn]=PhaSpaRecon(x,tau,m)
eg=0.01
sc=0.5
net=newrb(xn(訓(xùn)練),dn(訓(xùn)練),eg,sc)
a預(yù)測=sim(next,xn(預(yù)測)
混沌RBF神經(jīng)網(wǎng)絡(luò)預(yù)測的迭代如圖7所示。
圖7 RBF神經(jīng)網(wǎng)絡(luò)迭代圖
迭代過程部分參數(shù)值如下:
NEWRB,neurons=200,MSE=0.004 303 86
NEWRB,neurons=250,MSE=0.003 761 23
NEWRB,neurons=300,MSE=0.003 467 79
NEWRB,neurons=350,MSE=0.003 434 28
NEWRB,neurons=400,MSE=0.003 446 97
NEWRB,neurons=450,MSE=0.003 330 56
NEWRB,neurons=500,MSE=0.003 311 5
NEWRB,neurons=550,MSE=0.003 327 28
NEWRB,neurons=600,MSE=0.003 303 76
NEWRB,neurons=650,MSE=0.003 311 95
NEWRB,neurons=700,MSE=0.003 294 9
NEWRB,neurons=750,MSE=0.003 183 51
NEWRB,neurons=800,MSE=0.003 187 88
圖8為混沌RBF與RBF神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比。
圖8 混沌RBF神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對SO2數(shù)據(jù)的預(yù)測
SO2氣體的真實(shí)值、RBF預(yù)測值和混沌RBF預(yù)測的值部分如表1所示。
表1 混沌RBF預(yù)測和RBF預(yù)測對比
計算混沌RBF神經(jīng)網(wǎng)絡(luò)預(yù)測和RBF預(yù)測與真實(shí)值的誤差,得出誤差分析如表2所示。RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差絕對平均值是12、中間值是10、方差是11、均方根是15。而混沌RBF預(yù)測誤差的絕對平均值是8、中間值是2、方差是10、均方根是11。由此看出混沌RBF神經(jīng)網(wǎng)絡(luò)的整體預(yù)測精度要高于RBF神經(jīng)網(wǎng)絡(luò)。
表2 混沌RBF預(yù)測和RBF預(yù)測誤差分析
通過構(gòu)建陣列式傳感器監(jiān)測系統(tǒng)對配電變站氣體如SO2氣體進(jìn)行監(jiān)測,然后通過Lyapunov計算SO2氣體具有混沌特性,而混沌在短時間內(nèi)是可以預(yù)測的,所以將混沌時間序列理論和徑向基RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合,可以對SO2氣體量進(jìn)行預(yù)測。
(1)基于C-C算法的相空間可以很好地將一個時間序列重構(gòu)在一個多維的空間里,重構(gòu)后的吸引子在形式上和性質(zhì)上都和原系統(tǒng)的吸引子基本相同,能很好地反映原系統(tǒng)特性,所以采用C-C理論對重構(gòu)相空間的參數(shù)進(jìn)行優(yōu)化,綜合考慮了延遲時間τ和嵌入維數(shù)m帶來的誤差,再加入徑向基RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測,提高預(yù)測的精度。
(2)與徑向基RBF神經(jīng)網(wǎng)絡(luò)分別預(yù)測的值進(jìn)行比較發(fā)現(xiàn),相空間重構(gòu)的混沌RBF神經(jīng)網(wǎng)絡(luò)比徑向基RBF神經(jīng)網(wǎng)絡(luò)預(yù)測度更好,得到的誤差更小,預(yù)測精度更高。