一種基于bsnn?arx的光伏逆變器模型辨識(shí)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于BSNN?ARX的光伏逆變器模型辨識(shí)方法，其特征在于：該方法中的光伏逆變器模型是基于Hammerstein的光伏并網(wǎng)逆變器模型，Hammerstein模型包括動(dòng)態(tài)線(xiàn)性環(huán)節(jié)、靜態(tài)非線(xiàn)性環(huán)節(jié)和自適應(yīng)調(diào)節(jié)環(huán)節(jié)，所述靜態(tài)非線(xiàn)性環(huán)節(jié)采用B樣條神經(jīng)網(wǎng)絡(luò)；所述動(dòng)態(tài)線(xiàn)性環(huán)節(jié)采用自回歸模型，并采用最小二乘法進(jìn)行參數(shù)識(shí)別；自適應(yīng)調(diào)節(jié)環(huán)節(jié)調(diào)節(jié)靜態(tài)非線(xiàn)性環(huán)節(jié)的權(quán)重系數(shù)和動(dòng)態(tài)線(xiàn)性環(huán)節(jié)的待估計(jì)參數(shù)；本發(fā)明提出的一種基于BSNN?ARX的光伏逆變器模型辨識(shí)方法具有運(yùn)算速度快，辨識(shí)精度高，能夠自適應(yīng)不同天氣條件下的動(dòng)態(tài)變化，采用本發(fā)明構(gòu)建的辨識(shí)模型對(duì)于天氣條件具有更廣泛的適應(yīng)性。
【專(zhuān)利說(shuō)明】
一種基于BSNN-ARX的光伏逆變器模型辨識(shí)方法
技術(shù)領(lǐng)域
[00011本發(fā)明涉及到光伏發(fā)電技術(shù)領(lǐng)域，具體涉及到一種基于BSNN-ARX的光伏逆變器模 型辨識(shí)方法。
【背景技術(shù)】
[0002] 近年來(lái)，光伏發(fā)電作為一種清潔的可再生能源，正處在快速發(fā)展和大規(guī)模應(yīng)用的 階段。大規(guī)模光伏發(fā)電并網(wǎng)系統(tǒng)設(shè)計(jì)、并網(wǎng)影響分析成為近年研究的熱點(diǎn)。光伏發(fā)電是通過(guò) 大量并網(wǎng)逆變器接入電力系統(tǒng)，并網(wǎng)逆變器對(duì)光伏系統(tǒng)的暫態(tài)特性起著決定性作用，其模 型參數(shù)的準(zhǔn)確性，對(duì)電力系統(tǒng)的分析尤為重要?；趯?shí)測(cè)數(shù)據(jù)進(jìn)行逆變器模型參數(shù)辨識(shí)是 獲得光伏發(fā)電系統(tǒng)并網(wǎng)逆變器實(shí)際參數(shù)的有效方法之一。傳統(tǒng)的最小二乘法對(duì)單相光伏并 網(wǎng)逆變器進(jìn)行線(xiàn)性系統(tǒng)辨識(shí)建模，得到了逆變器的線(xiàn)性模型，但難以描述逆變器的強(qiáng)非線(xiàn) 性特征。非線(xiàn)性自回歸（nonlinear auto regressive withexogenous input，NARX)模型對(duì) 光伏發(fā)電系統(tǒng)進(jìn)行建模，所得模型包含了光伏電池和逆變器，可以反應(yīng)不同天氣條件下光 伏發(fā)電系統(tǒng)的動(dòng)態(tài)行為，但天氣波動(dòng)的劇烈程度對(duì)辨識(shí)效果影響較大。Wiener模型和改進(jìn) 小波神經(jīng)網(wǎng)絡(luò)雖能夠?qū)夥l(fā)電系統(tǒng)進(jìn)行非線(xiàn)性模型辨識(shí)，但辨識(shí)結(jié)果均受不同天氣狀況 的影響較大。

【發(fā)明內(nèi)容】

[0003] 鑒于此，本發(fā)明的目的是提供一種基于BSNN-ARX的光伏逆變器模型辨識(shí)方法。
[0004] 本發(fā)明的目的是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的，一種基于BSNN-ARX的光伏逆變器模型 辨識(shí)方法，該方法中的光伏逆變器模型是基于Hammerstein的光伏并網(wǎng)逆變器模型， Ha_erstein模型包括動(dòng)態(tài)線(xiàn)性環(huán)節(jié)、靜態(tài)非線(xiàn)性環(huán)節(jié)和自適應(yīng)調(diào)節(jié)環(huán)節(jié)，所述靜態(tài)非線(xiàn)性 環(huán)節(jié)采用B樣條神經(jīng)網(wǎng)絡(luò);所述動(dòng)態(tài)線(xiàn)性環(huán)節(jié)采用自回歸模型，并采用最小二乘法進(jìn)行參數(shù) 識(shí)別；自適應(yīng)調(diào)節(jié)環(huán)節(jié)調(diào)節(jié)靜態(tài)非線(xiàn)性環(huán)節(jié)的權(quán)重系數(shù)的動(dòng)態(tài)線(xiàn)性環(huán)節(jié)的待估計(jì)參數(shù)。
[0005] 進(jìn)一步，所述B樣條神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)Uj在區(qū)間內(nèi)，節(jié)點(diǎn)設(shè)置為Kj = {kj, i，k」,2，…，h, Ρ}，區(qū)間劃分為= b Wv <…，取二次樣條函數(shù)作為激勵(lì) 函數(shù)，則第j個(gè)輸入信號(hào)對(duì)應(yīng)的第i個(gè)神經(jīng)元的激勵(lì)函數(shù)可用式(1)表示
[0006]
[0007] 式（1)中ΔΑ,二W-f )/"，i = …』，./ = 1,2,…是隱含層基函數(shù)的個(gè) 數(shù)，P是節(jié)點(diǎn)數(shù)，且n = p-3，q是輸入信號(hào)的維數(shù)。
[0008] 進(jìn)一步，B樣條神經(jīng)網(wǎng)絡(luò)的輸出信號(hào)X(U)用式(2)表示
[0009]
(2；)
[0010] B樣條神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)重從輸入到輸出包括每個(gè)BSNN網(wǎng)絡(luò)中神經(jīng)元到輸出的權(quán) 重和j個(gè)B樣條神經(jīng)網(wǎng)絡(luò)輸出求和過(guò)程中的權(quán)重<(/)。
[0011] 進(jìn)一步，動(dòng)態(tài)線(xiàn)性環(huán)節(jié)采用遞推算法對(duì)自回歸模型模型進(jìn)行建模，動(dòng)態(tài)線(xiàn)性環(huán)節(jié) 預(yù)測(cè)輸出分⑴的表達(dá)式為公式(5)
示轉(zhuǎn)置運(yùn)算。t表示時(shí)間變量，m是輸入信號(hào)的延時(shí)，η是輸出信號(hào)的延時(shí)。動(dòng)態(tài)線(xiàn)性環(huán)節(jié)的遞 推最小二乘法參數(shù)估計(jì)按公式(6)計(jì)算
[0015]
[0016] 式（6)中P(t)是自適應(yīng)增益矩陣，K(t + 1)是由自適應(yīng)增益矩陣遞推計(jì)算參數(shù) 命/ + 1)的過(guò)程量。
[0017] 進(jìn)一步，自適應(yīng)調(diào)節(jié)環(huán)節(jié)的具體算法實(shí)現(xiàn)步驟如下：
[0018] 步驟1:初始化B樣條神經(jīng)網(wǎng)絡(luò)權(quán)重系數(shù),偏移量h，自回歸模型的參數(shù)扣U ;
[0019] 步驟2:計(jì)算誤差〃"(/) = J7(Z)-Fm.;其中f是期望輸出值，Ym是第M個(gè)不同初始值 對(duì)應(yīng)的模型輸出；
[0020] 步驟3:如果I <eth，轉(zhuǎn)入步驟9,否則進(jìn)入步驟4，eth表示設(shè)定的閾值；
[0021]
[0022]
[0023]
[0024] 步驟7:更新自回歸模型的參數(shù)θ(? +1) = Θ⑴+ + +1) ; Φ (t)表示遞歸 向量；
[0025] 步驟8:更新B樣條神經(jīng)網(wǎng)絡(luò)權(quán)重系數(shù)<(? + 1)及偏移量匕，返回步驟2;
[0026] 步驟9:采用訓(xùn)練得到的<,.(〇和知)計(jì)算B樣條神經(jīng)網(wǎng)絡(luò)的輸出；
[0027] 步驟10:采用訓(xùn)練得到的參數(shù)估計(jì)和O計(jì)算自回歸模型的輸出y(t+l)。
[0028] 進(jìn)一步，所述每個(gè)B樣條神經(jīng)網(wǎng)絡(luò)中神經(jīng)元到輸出的權(quán)重<7(〇的權(quán)值更新按公式 (7)計(jì)算，
[0029]
(7)
[0030] 所述j個(gè)B樣條神經(jīng)網(wǎng)絡(luò)的輸出求和過(guò)程中的權(quán)重的權(quán)值更新變按公式(4)計(jì) 算，
[0031] (8)
[0032] 公式(7)和(8)中，Il2表示從每一個(gè)B樣條神經(jīng)網(wǎng)絡(luò)的輸出到總體輸出的學(xué)習(xí)因子， J表示第j個(gè)信號(hào)從B樣條神經(jīng)網(wǎng)絡(luò)的神經(jīng)元到輸出的學(xué)習(xí)因子J和X分別是B樣條神經(jīng)網(wǎng) 絡(luò)網(wǎng)絡(luò)的目標(biāo)值和實(shí)際輸出值。
[0033]由于采用了上述技術(shù)方案，本發(fā)明具有如下的優(yōu)點(diǎn)：
[0034]本發(fā)明提出的一種基于BSNN-ARX的光伏逆變器模型辨識(shí)方法。該方法具有運(yùn)算速 度快，具有較高的辨識(shí)精度。與其他常用的參數(shù)辨識(shí)估計(jì)算法相比，基于BSNN-ARX方法的辨 識(shí)模型能夠自適應(yīng)不同天氣條件下的動(dòng)態(tài)變化，該方法下構(gòu)建的辨識(shí)模型對(duì)于天氣條件具 有更廣泛的適應(yīng)性。
【附圖說(shuō)明】
[0035]為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn) 一步的詳細(xì)描述，其中：
[0036]圖1為本發(fā)明一種基于BSNN-ARX的光伏逆變器模型辨識(shí)方法總體結(jié)構(gòu)示意圖； [0037]圖2為本發(fā)明的BSNN-ARX模型中自適應(yīng)調(diào)節(jié)算法流程；
[0038]圖3為本發(fā)明的BSNN-ARX模型辨識(shí)流程圖；
[0039] 圖4為本發(fā)明在不同天氣狀況下模型辨識(shí)樣本數(shù)據(jù)曲線(xiàn)；（a)晴天直流電壓與輸出 功率(b)陰天直流電壓與輸出功率(c)雨天直流電壓與輸出功率；
[0040] 圖5為本發(fā)明在不同天氣條件下模型與實(shí)測(cè)功率輸出曲線(xiàn)，（a)晴天條件下模型與 實(shí)測(cè)輸出功率曲線(xiàn)，（b)陰天條件下模型與實(shí)測(cè)輸出功率曲線(xiàn)(c)雨天條件下模型與實(shí)測(cè)輸 出功率曲線(xiàn)。
【具體實(shí)施方式】
[0041] 以下將結(jié)合附圖，對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行詳細(xì)的描述;應(yīng)當(dāng)理解，優(yōu)選實(shí)施例 僅為了說(shuō)明本發(fā)明，而不是為了限制本發(fā)明的保護(hù)范圍。
[0042] 由于Wiener模型由動(dòng)態(tài)線(xiàn)性動(dòng)態(tài)環(huán)節(jié)和靜態(tài)無(wú)記憶非線(xiàn)性環(huán)節(jié)級(jí)聯(lián)構(gòu)成，其線(xiàn)性 部分的識(shí)別是在非線(xiàn)性參數(shù)誤差估計(jì)基礎(chǔ)上的，所以Wiener模型的識(shí)別過(guò)程會(huì)更困難，辨 識(shí)結(jié)果的誤差可能偏差較大。而Hammer s t e i η模型由靜態(tài)無(wú)記憶非線(xiàn)性環(huán)節(jié)和動(dòng)態(tài)線(xiàn)性動(dòng) 態(tài)環(huán)節(jié)構(gòu)成，如圖1所示。
[0043]本發(fā)明是基于BSNN-ARX的光伏逆變器模型辨識(shí)方法，以直流電壓和直流電流作為 光伏并網(wǎng)逆變器模型的輸入，有功功率作為光伏并網(wǎng)逆變器模型的輸出。該方法中的光伏 逆變器模型是基于Ha_erste in的光伏并網(wǎng)逆變器模型，Hammerstein模型包括動(dòng)態(tài)線(xiàn)性環(huán) 節(jié)、靜態(tài)非線(xiàn)性環(huán)節(jié)和自適應(yīng)調(diào)節(jié)環(huán)節(jié)。
[0044] 所述靜態(tài)非線(xiàn)性環(huán)節(jié)采用B樣條神經(jīng)網(wǎng)絡(luò)（B-Spline Neural Network，BSNN)。 BSNN利用樣條插值原理，對(duì)輸入空間的劃分通過(guò)改變內(nèi)插點(diǎn)數(shù)實(shí)現(xiàn)，隱含層基函數(shù)的形式 通過(guò)定義多項(xiàng)式的階數(shù)來(lái)改變。
[0045] 所述動(dòng)態(tài)線(xiàn)性環(huán)節(jié)采用自回歸模型(Auto-Regressive exogenous system，ARX)， 并采用最小二乘法進(jìn)行參數(shù)識(shí)別。
[0046] 自適應(yīng)調(diào)節(jié)環(huán)節(jié)調(diào)節(jié)靜態(tài)非線(xiàn)性環(huán)節(jié)的權(quán)重系數(shù)的動(dòng)態(tài)線(xiàn)性環(huán)節(jié)的待估計(jì)參數(shù)。
[0047] 在本發(fā)明中，BSNN通過(guò)B樣條激勵(lì)函數(shù)實(shí)現(xiàn)輸入信號(hào)到輸出信號(hào)的映射，其基函數(shù) 由一些局部多項(xiàng)式組成。
[0048] 設(shè)輸入信號(hào)叫在區(qū)間內(nèi)，節(jié)點(diǎn)設(shè)置為心={1^1，1^2，~，1^}，區(qū)間劃分為
。取二次樣條函數(shù)作為激勵(lì)函數(shù)，則第j個(gè)輸入信號(hào)對(duì)應(yīng)的第 i個(gè)神經(jīng)元的激勵(lì)函數(shù)可用式(1)表示
[0049]
[0050] 式（Ih
是隱含層基函數(shù)的個(gè) 數(shù)，P是節(jié)點(diǎn)數(shù)，且n = p_3，q是輸入信號(hào)的維數(shù)。
[0051 ]進(jìn)一步，本發(fā)明所述的一種基于BSNN-ARX的光伏逆變器模型辨識(shí)方法，多輸入單 輸出BSNN的輸出信號(hào)x(u)可以用式(2)表不
[0052]
C2)
[0053]多輸入單輸出BSNN網(wǎng)絡(luò)權(quán)重從輸入到輸出分為兩個(gè)部分:第一部分是每個(gè)BSNN網(wǎng) 絡(luò)中神經(jīng)元到輸出的權(quán)重，第二部分是j個(gè)BSNN網(wǎng)絡(luò)輸出求和過(guò)程中的權(quán)重。式 (2)中第二部分的權(quán)值更新按公式(3)計(jì)算
[0054]
[0055]
[0056]
[0057] 公式(3)和(4)中，Π2表不從每一個(gè)BSNN的輸出到總體輸出的學(xué)習(xí)因子，ηι, j表不第 j個(gè)信號(hào)從BSNN神經(jīng)元到輸出的學(xué)習(xí)因子，[和X分別是BSNN網(wǎng)絡(luò)的目標(biāo)值和實(shí)際輸出值。 [0058]進(jìn)一步，在H模型中動(dòng)態(tài)線(xiàn)性部分采用遞推算法對(duì)ARX模型進(jìn)行建模，表達(dá)式為公 式(5)。
[0059]
(5、
[0060] 其中模型中待估計(jì)的參數(shù)
遞歸 向量Φ (t-l)T=[-y(t-l)，…，y(t-n)，x(t-l)，…，x(t-m)]，[ · ]τ表示轉(zhuǎn)置運(yùn)算。
[0061 ] ARX部分的遞推最小二乘法參數(shù)估計(jì)按公式(6)計(jì)算
[0062]
[0063]式(6)中P(t)是自適應(yīng)增益矩陣，為了啟動(dòng)遞推公式，初始值Ρ(0)=α，ae (1〇4~ 1〇10), ^)(0) = ? 1 ,)：
[0064] 進(jìn)一步，自適應(yīng)調(diào)節(jié)環(huán)節(jié)的具體算法實(shí)現(xiàn)步驟如下：
[0065] 步驟1:初始化BSNN權(quán)重系數(shù)<隊(duì)），偏移量bi，ARX模型參數(shù)#(?);
[0066] 步驟2:計(jì)算誤差#(0 = 7(/)-)^(0;其中Y是期望輸出值，Ym是第M個(gè)不同初始值對(duì) 應(yīng)的模型輸出；
[0067] 步驟3:如果I ^ I < eth(設(shè)定的閾值），轉(zhuǎn)入步驟9，否則進(jìn)入步驟4;
[0068]
[0069]
[0070]
[0071]
[0072] 步驟8:更新BSNN權(quán)重系數(shù)< (i +1)及偏移量bi，返回步驟2;
[0073] 步驟9:采用訓(xùn)練得到的和以/)計(jì)算BSNN網(wǎng)絡(luò)的輸出；
[0074] 步驟10:采用訓(xùn)練得到的和/,J計(jì)算ARX網(wǎng)絡(luò)的輸出y(t+l)。
[0075] 通過(guò)圖4、5中可以看出，BSNN-ARX對(duì)不同天氣狀況的光伏功率具有良好的預(yù)測(cè)能 力。并且具有較高的辨識(shí)精度，該方法下構(gòu)建的辨識(shí)模型對(duì)于天氣條件具有更廣泛的適應(yīng) 性。
[0076] 以上所述僅為本發(fā)明的優(yōu)選實(shí)施例，并不用于限制本發(fā)明，顯然，本領(lǐng)域的技術(shù)人 員可以對(duì)本發(fā)明進(jìn)行各種改動(dòng)和變型而不脫離本發(fā)明的精神和范圍。這樣，倘若本發(fā)明的 這些修改和變型屬于本發(fā)明權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些 改動(dòng)和變型在內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于BSNN-ARX的光伏逆變器模型辨識(shí)方法，其特征在于：該方法中的光伏逆變 器模型是基于Ha_erstein的光伏并網(wǎng)逆變器模型，Hammerstein模型包括動(dòng)態(tài)線(xiàn)性環(huán)節(jié)、 靜態(tài)非線(xiàn)性環(huán)節(jié)和自適應(yīng)調(diào)節(jié)環(huán)節(jié)，所述靜態(tài)非線(xiàn)性環(huán)節(jié)采用B樣條神經(jīng)網(wǎng)絡(luò);所述動(dòng)態(tài)線(xiàn) 性環(huán)節(jié)采用自回歸模型，并采用最小二乘法進(jìn)行參數(shù)識(shí)別；自適應(yīng)調(diào)節(jié)環(huán)節(jié)調(diào)節(jié)靜態(tài)非線(xiàn) 性環(huán)節(jié)的權(quán)重系數(shù)和動(dòng)態(tài)線(xiàn)性環(huán)節(jié)的待估計(jì)參數(shù)。2. 根據(jù)權(quán)利要求1所述的基于BSNN-ARX的光伏逆變器模型辨識(shí)方法，其特征在于:所述 B樣條神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)w在區(qū)間[<、廣]內(nèi)，節(jié)點(diǎn)設(shè)置為1={1^，1^,2，~，1^}，區(qū)間 劃分為<1.2 <???<&> ，取二次樣條函數(shù)作為激勵(lì)函數(shù)，則第j個(gè)輸入信號(hào)對(duì) 應(yīng)的第i個(gè)神經(jīng)元的激勵(lì)函數(shù)可用式(1)表示式（1)中 AA：7 = -<_)./$ _，i = 1，2，…，n，j = 1，2，…，q; n是隱含層基函數(shù)的個(gè)數(shù)，p 是節(jié)點(diǎn)數(shù)，且n = p_3，q是輸入信號(hào)的維數(shù);表示第j個(gè)輸入信號(hào)的第i個(gè)神經(jīng)元節(jié)點(diǎn)。3. 根據(jù)權(quán)利要求2所述的基于BSNN-ARX的光伏逆變器模型辨識(shí)方法，其特征在于:B樣 條神經(jīng)網(wǎng)絡(luò)的輸出信號(hào)x( u)用式(2)表示B樣條神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)重從輸入到輸出包括每個(gè)BSNN網(wǎng)絡(luò)中神經(jīng)元到輸出的權(quán)重 4,(0和j個(gè)B樣條神經(jīng)網(wǎng)絡(luò)輸出求和過(guò)程中的權(quán)重<(〇。4. 根據(jù)權(quán)利要求3所述的基于BSNN-ARX的光伏逆變器模型辨識(shí)方法，其特征在于:動(dòng)態(tài) 線(xiàn)性環(huán)節(jié)采用遞推算法對(duì)自回歸模型模型進(jìn)行建模，動(dòng)態(tài)線(xiàn)性環(huán)節(jié)預(yù)測(cè)輸出f(0的表達(dá)式 為公式(5)其中，知-1)7為待估計(jì)的參數(shù)，如- If =問(wèn)以-1)，…4 (f -1), & (卜1),…i",(/ -1)], 傘（t_l)為遞歸向量，巾（t_l)T= [-y(t-l)，…，y(t-n)，x(t_l)，…，x(t-m) ]，[ ? ]T表示 轉(zhuǎn)置運(yùn)算，t表示時(shí)間變量，m是輸入信號(hào)的延時(shí)，n是輸出信號(hào)的延時(shí)。 動(dòng)態(tài)線(xiàn)性環(huán)節(jié)的遞推最小二乘法參數(shù)估計(jì)按公式(6)計(jì)算式(6)中P(t)是自適應(yīng)增益矩陣，K(t+1)是由自適應(yīng)增益矩陣遞推計(jì)算參數(shù)釩/ + 1)的過(guò) 不王里〇5. 根據(jù)權(quán)利要求4所述的基于BSNN-ARX的光伏逆變器模型辨識(shí)方法，其特征在于：自適 應(yīng)調(diào)節(jié)環(huán)節(jié)的具體算法實(shí)現(xiàn)步驟如下： 步驟1:初始化B樣條神經(jīng)網(wǎng)絡(luò)權(quán)重系數(shù),偏移量比，自回歸模型的參數(shù)和g ; 步驟2:計(jì)算誤差？(/)=辦)-仏切;其中F是期望輸出值，YM是第M個(gè)不同初始值對(duì)應(yīng)的 模型輸出； 步驟3:如果| ^ | < eth，轉(zhuǎn)入步驟9，否則進(jìn)入步驟4，eth表示設(shè)定的閾值；步驟5:計(jì)算自回歸模型的輸出+1) = _); 步驟6:計(jì)算模型誤差f (/ +丨）=+丨)-K,, (/ +1); 步驟7:更新自回歸模增的參數(shù)6(M- h =知/) +夂(/ + i )CP(/ (z.+_丨），①（t)表示遞歸向量； 步驟8:更新B樣條神經(jīng)網(wǎng)絡(luò)權(quán)重系數(shù)+1)及偏移量比，返回步驟2; 步驟9:采用訓(xùn)練得到的和和f)計(jì)算B樣條神經(jīng)網(wǎng)絡(luò)的輸出； 步驟10:采用訓(xùn)練得到的―)計(jì)算自回歸模型的輸出y(t+l)，％:)表示訓(xùn)練階段得到的 參數(shù)估計(jì)。6. 根據(jù)權(quán)利要求5所述的基于BSNN-ARX的光伏逆變器模型辨識(shí)方法，其特征在于： 所述每個(gè)B樣條神經(jīng)網(wǎng)絡(luò)中神經(jīng)元到輸出的權(quán)重<,(〇的權(quán)值更新按公式(7)計(jì)算，所述j個(gè)B樣條神經(jīng)網(wǎng)絡(luò)的輸出求和過(guò)程中的權(quán)重wj(〇的權(quán)值更新變按公式(8)計(jì)算，公式(7)和(8)中，n2表不從每一個(gè)B樣條神經(jīng)網(wǎng)絡(luò)的輸出到總體輸出的學(xué)習(xí)因子，m, j表 示第j個(gè)信號(hào)從B樣條神經(jīng)網(wǎng)絡(luò)的神經(jīng)元到輸出的學(xué)習(xí)因子，[和X分別是B樣條神經(jīng)網(wǎng)絡(luò)的 目標(biāo)值和實(shí)際輸出值。
【文檔編號(hào)】G06F17/50GK106055846SQ201610541438
【公開(kāi)日】2016年10月26日
【申請(qǐng)日】2016年7月11日
【發(fā)明人】王平, 杜煒, 李春來(lái), 張海寧, 楊立濱, 楊軍, 李正曦, 梁英, 謝解解, 江金洋, 李娜, 李剛健
【申請(qǐng)人】重慶大學(xué), 國(guó)網(wǎng)青海省電力公司, 國(guó)網(wǎng)青海省電力公司電力科學(xué)研究院