一种基于双网络的双递归神经元灵敏负荷网络建模装置及方法

摘要

本发明涉及一种基于双网络的双递归神经元灵敏负荷网络建模装置及方法，包括数据采集建模系统、通讯系统和上位机，数据采集建模系统包括DSP芯片。在DSP芯片和上位机中双层建模过程步骤如下：一、在输入层输入采样数据样本；二、在中间层计算输入与高斯函数距离；三、进行双曲函数噪声限制变换；四、在输出层修正训练参数；五、输出误差函数E；六、计算参数形式；七、判断误差函数E，是否达到要求范围。本发明使数据传输速度快，不易丢失，网络安全可靠性及稳定性，对灵敏负荷进行合理有效的数据传输及管理，使负荷管理效率提高，控制准确。双层建模方法，闭环控制，使负荷管理调整方便快捷，达到最优控制的目的。

说明书

技术领域：

本发明属于电力系统及其自动化领域，特别涉及一种基于双网络的双递归神经元灵敏负荷网络建模装置及方法。

背景技术：

我国现阶段用电状况紧张，空调和热水器类的灵敏负荷耗电量大，传统的负荷控制通过限制灵敏负荷的使用，来改善负荷曲线。这种调节方式限制了灵敏负荷的使用数量，特别在用电高峰，灵敏负荷的使用数量更会减少，这给居民生活带来了极大的不便。

发明内容：

负荷管理一直是电力需求侧管理的主要内容，负荷管理技术的研究对电力负荷管理工作的开展有着重要影响，本发明提供一种基于双网络的双递归神经元灵敏负荷网络建模装置及方法，通过双网络的连接，数据传输速度快，不易丢失，网络安全可靠性及稳定性，对灵敏负荷进行合理有效的数据传输及管理，使负荷管理效率提高，控制准确。双层建模方法，闭环控制，使负荷管理调整方便快捷，达到最优控制的目的。

该装置包括数据采集建模系统、通讯系统和上位机，数据采集建模系统包括DSP芯片、电源电路、倍频电路和信号交流采样电路，电源电路的输出端连接DSP芯片，倍频电路的锁相环和分频器连接DSP芯片，信号交流采样电路输入端连接灵敏负荷，输出端连接DSP芯片；通讯系统包括集线器、串行通信电路红外发射电路和以太网通信电路，DSP芯片TX引脚分别连接串行通信电路的TX端口、红外发射电路的TX端口和以太网通信电路，串行通信电路RX端口通过串行线分别连接第一集线器和第二集线器的输入端口，红外发射电路的红外发射接口分别连接第一集线器和第二集线器的输入端口，以太网通信电路通过双绞线或光缆分别连接第一集线器和第二集线器的输入端口，第一集线器和第二集线器连接上位机。

第一集线器和第二集线器通过超五类线连接上位机。

该装置的建模方法，RBF神经网络建模程序模块通过三层的RBF神经网络可以实现任意复杂的系统的逼近，RBF神经网络输入层到隐含层的变换是线性的，其作用是将输入所组成的向量在隐含层基函数系中分解，或者说将输入映射到高维或者低维的隐含层空间。隐含层的隐含节点的激活函数就是径向基函数φ(i)，它是一种局部分布的关于中心点对称的非线性函数。当输入信号靠近隐含层神经元的径向基函数的中心范围时，隐含层的神经元将产生较大的局部化响应。径向基函数常采用高斯核函数(Gaussian Kernel Function)。而RBF神经网络的输出是对隐含层的输出进行线性加权后得到的结果，在DSP芯片和上位机中双层建模过程步骤如下：

步骤一、在输入层输入采样数据样本；

步骤二、在中间层计算输入与高斯函数距离，将计算的距离存入DSP芯片；

步骤三、进行双曲函数噪声限制变换，变换结果存入DSP芯片；

步骤四、在输出层修正训练参数；

步骤五、输出误差函数E，通过通讯系统传至上位机，显示变化曲线；

步骤六、计算参数形式，反复修正，使输出达到要求效果；

步骤七、判断误差函数E，如果误差函数E达到要求范围，则进入步骤八；否则返回步骤一；

步骤八、结束。

所述的步骤一方法为：初始化c，w，β，其中c为基函数的中心，w为输出单元的权值，β为正规化参数，将传感器测量的数据经采集电路传入DSP芯片的I/O口；

所述的步骤二方法为：在中间层利用公式‖(X-C_i)‖计算输入与高斯函数距离，式中C_i为基函数中心点，X＝(x₁，x₂，..)^T为输入向量，将计算的距离存入DSP芯片内部的FLASH；

所述的步骤三方法为：利用公式(1.2)进行双曲函数噪声限制变换，

${\phi }_i\left(X\right)=\tanh \left[g_i(b_i\left|\right|(X-C_i)\left|\right|)\right]=\tanh \left\{\exp [-\frac{1}{2}{\beta }_i^2{(X-C_i)}^T(X-C_i)]\right\}(i=\mathrm{1,2}...,N_p)---\left(1.2\right)$

g_i(·)为高斯核函数；tanh(·)为双曲函数；‖·‖为欧氏范数；β_i＝2b_i成为正规化参数；b_i为系统激活函数，C_i为基函数中心点，X＝(x₁，x₂，...)^T为输入向量；N_p为隐含层基函数的个数，φ_i(X)为第i个隐含节点的输出，变换结果存入DSP内部的FLASH；

所述的步骤四方法为：在输出层修正训练参数c，w，β

所述的步骤五方法为：输出误差函数E，$E=\frac{1}{2}\underset{k=1}{\overset{K}{\Sigma }}{(d^k-y^k)}^2---\left(1.3\right)$式中：d^k为网络目标输出；y^k为网络实际输出值，K为样本个数；

所述的步骤六方法为：利用公式(1.4)、(1.5)、(1.6)分别计算参数形式W(k+1)C(k+1)β(k+1)，其中C(k+1)为c参数的向量形式，W(k+1)为w参数的向量形式，β(k+1)为β参数的向量形式，反复修正，使其输出达到理想效果，

$W(k+1)=W\left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial W}|}_{W=W\left(k\right)}+\alpha \left(k\right)[W\left(k\right)-W(k-1)]---\left(1.4\right)$

$C(k+1)=C\left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial C}|}_{C=C\left(k\right)}+\alpha \left(k\right)[C\left(k\right)-C(k-1)]---\left(1.5\right)$

$\beta (k+1)=\beta \left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial \beta }|}_{\beta =\beta \left(k\right)}+\alpha \left(k\right)[\beta \left(k\right)-\beta (k-1)]---\left(1.6\right)$

式中：η(k)为学习率；α为动量因子，K为样本个数；

本发明通信网络包括串行通信，以太网通信，红外，实现多种通信方式连接第一集线器和第二集线器上实现双网络的连接，数据传输速度快，不易丢失，网络安全可靠性及稳定性，对灵敏负荷进行合理有效的数据传输及管理，使负荷管理效率提高，控制准确。双层建模方法，闭环控制，使负荷管理调整方便快捷，达到最优控制的目的。

附图说明：

图1本发明结构框图

图2本发明装置结构示意图；

图3DSPIC30F6014数字信号控制器结构图；

图4(a)交流采样通道原理图；

图4(b)直流采样通道原理图；

图5本发明串口通信原理图；

图6(a)本发明红外发射原理图；

图6(b)本发明红外接收原理图；

图7本发明中以太网控制器电路原理图；

图8本发明RBF神经网络建模流程图；

图9RBF网络辨识结果；

图10RBF误差变化曲线。

具体实施方法：

本发明以沈阳市和平区部分写字间大厦中央空调灵敏负荷控制为例进行说明，针对空调、热水器为代表的一类重要的灵敏负荷，采用DSPIC30F单片机对数据进行采集，通过递归神经元网络对单个负荷数据进行建模，把地区电网负荷数据经通信网络传至上位机服务器，再由服务器对全网的灵敏负荷进行建模，进而优化控制，实现双递归神经元灵敏负荷网络控制，然后将控制命令传至下位机(数据采集建模装置)，实现对灵敏负荷设备的控制。系统框图如图1所示，依据本发明的方法，在需要进行灵敏负荷控制的写字间大厦的中央空调控制室安放灵敏负荷通讯控制器并与中央空调主控制器台相连，总计选取1000处中央空调为灵敏负荷，温度为控制参数，1000套数据采集系统对负荷温度进行采集。调度中心系统由两台计算机工作站构成，它拥有主机、网卡、显示器、音箱(或蜂鸣器)、打印机、键盘鼠标等等设施。计算机内能够显示当前的系统参数、运行状态和灵敏负荷设备实时曲线等，并可以把各种重要参数写进数据库，以备事后查询。

灵敏负荷通讯控制器将采集到的温度参数传送到本发明装置，该装置如图2所示包括数据采集建模系统、通讯系统和上位机，数据采集建模系统包括DSP芯片、电源电路、倍频电路和信号交流采样电路，电源电路的输出端连接DSP，倍频电路的锁相环和分频器连接DSP，信号交流采样电路输入端连接灵敏负荷，输出端连接DSP芯片；通讯系统包括集线器、串行通信电路、红外发射电路和以太网通信电路，其中串行通信电路包括串口通讯芯片MAX3232和串口接口，以太网通信电路包括以太网通讯控制器ENC28J60及接口。DSP芯片TX引脚分别连接串行通信电路的TX端口、红外发射电路的TX端口和以太网通信电路，串行通信电路RX端口通过串行线分别连接第一集线器和第二集线器的输入端口，红外发射电路的红外发射接口分别连接第一集线器和第二集线器的输入端口，以太网通信电路通过双绞线或光缆分别连接第一集线器和第二集线器的输入端口，第一集线器和第二集线器连接上位机。

第一集线器和第二集线器通过超五类线连接上位机。

DSP芯片通过软件程序将采集来的数据用神经元网络进行建模，再经双网络系统把建模后的数据传至上位PC机，上位机内依然用神经元网络对数据进行二次建模，通过运用优化算法，充分合理的对温度进行控制。对于灵敏负荷控制器采集反馈的信息，进行分析，并根据全网络的情况进行调度，决定如何调配灵敏负荷的容量，达到温度管理的平衡。通过分析和仿真，RBF网络对于系统的温度平衡控制具有较为理想的效果，具有较强的看干扰能力，特别是对于系统中的微弱信号的检测具有极强的能力，RBF对于实测数据的故障诊断也具有较好的性能。利用RBF网络完成实测数据1000个数据故障诊断的时间约为50秒。RBF几乎对于数据混乱程度的依赖度较低，所以应用范围更为广泛。

DSP芯片实现数据的采集，包括温度，功率等模拟量或其他数字量，通过神经元网络对单个负荷进行建模，经通信电路传至上位服务器，服务器应用神经元网络在对上传的整个网络进行建模，进而优化控制，实现双递归神经元灵敏负荷网络控制。

数据采集建模系统采集外界数据，数字量或模拟量等，通过神经元网络对单个负荷建立模型，经通信网络将模型发送到上位服务器或是接收来自上位服务器的优化控制。

DSPIC30F4014数字信号控制器内部结构如图3所示

系统中需要电源供电的芯片为DSPIC30F4014及MAX232，两个芯片都需要稳定的5V直流电源供电，我们的想法是将电网中的220V交流电压整流、稳压，形成稳定的5V直流电源供给驱动芯片。所以我们选取的电源模块是由南京欣博达电源科技有限公司生产的欣博达AC/DC系列模块电源。

本发明信号交流采样电路如图4(a)所示，温度传感器中的一路输出与运算放大器AMP1A的同相输入端相连，AMP1A的反相输入端与其输出端相连，AMP1A的输出端通过电阻R1与运算放大器AMP1B的反向输入端相连，AMP1B的输出端通过电阻R7与运算放大器AMP1C的反向输入端相连，AMP1C的输出端通过电阻R10与DsPIC30F4014的AD转换模块相连。直流采样如图4(b)，直流采样值通过电阻RA97与运算放大器AMP7C的同相输入端相连，AMP7C反相输入端与其输出端相连，AMP7C的输出端通过RA98与与运算放大器AMP7D的反相输入端相连，AMP7D的同相输入端与输出端之间有电容、可调电阻的并联电路，AMP7D的输出端通过电阻RA101输出信号到DsPIC30F4014的AD转换模块。

本发明串行通信电路如图5所示，调整、保护控制组合要求能够与PC机通信，以改变设定参数或者观察运行状态和故障记录。利用PC机配置的串口，可以很方便的实现PC机与DSPIC30F6014的串行通信，由于DSPIC30F6014的输入、输出电平为TTL电平，而PC机配置的是RS-232C标准串行接口，两者电气规范不一致。要实现PC机与DSPIC30F6014的串行通信，必须进行电平转换，这里采用了MAX232芯片进行电平转换，MAX232将DSPIC30F6014中TX输出的TTL电平信号转换为RS-232C电平，再输入到PC机，并将PC机输出的RS-232C电平信号转换为TTL电平输出到DSPIC30F6014的RX引脚。

本发明红外发射电路如图6(a)所示，红外发射是利用DSPIC30F系列的的串行数据发送口TX控制驱动三极管BG1进行二进制数据“0”和“1”的传输，以及利用T1控制驱动三极管BG2进行高频38.4kHz调制，从而可靠地实现了红外发射管D1在传输数据“0”时进行高频红外发射和数据“1”时被截止的发射功能。

红外发光二极管SE303，管压降约1.4v，工作电流一般小于20mA。为了适应不同的工作电压，回路中常常串有限流电阻。

8550是一种常用的普通三极管，是一种低电压，大电流，小信号的PNP型硅三极管，特点：

集电极-基极电压Vcbo：-40V

工作温度：-55℃～+150℃

本发明红外接收电路如图6(b)所示，红外接收电路选用Vishay公司生产的专用红外接收模块TSOP1738。该接收模块是一个三端元件，使用单电源+5V电源，具有功耗低、抗干扰能力强、输入灵敏度高、对其它波长(950nm以外)的红外光不敏感的特点。

参数说明：

红外线无线传输，光模块的PCM远程控制系统

距离(M)：3500

Δθ(度)：±45deg

λP(纳米)：950

输出的TTL/CMOS兼容

对于(赫兹)：38kHz

电源电压：6Vmax

工作温度：-25℃～+85℃

TSOP1738的工作原理为：首先，通过红外光敏元件将接收到的载波频率为38kHz的脉冲调制红外光信号转化为电信号，再由前放大器和自动增益控制电路进行放大处理。然后，通过带通滤波器和进行滤波，滤波后的信号由解调电路进行解调。最后，由输出级电路进行反向放大输出。

为保证红外接收模块TSOP1738接收的准确性，要求发送端载波信号的频率应尽可能接近38kHz，因此在设计脉冲振荡器时，要选用精密元件并保证电源电压稳定。再有，发送的数位“0”至少要对应14个载波脉冲，这就要求传送的波特率不能超过2400bps。利用上述红外收发电路构成的红外信道最大通信距离为8m。

本发明以太网通信电路如图7所示，数字信号控制器DSPIC30F6014和以太网控制芯片ENC28J60之间通过SPI接口通信，ENC28J60与DSPIC30F6014通过7根线连接，分别是SDI、SDO、SCK接单片机的SPI口、RESET接单片机的I/O口，由单片机控制复位，CS接I/O口，是ENC28J60的片选端口，INT、WOL接INT3、INT4。采用MicroChip公司生产的ENC28J60作为以太网控制器，它遵循IEEE802.3协议标准，成本低，易于组网，技术支持广泛。同时采用具有隔离变压器作用的RJ45插座，简化了单片机与以太网控制器的联接电路。

神经元网络建模模块；

流程图如图8所示，径向基函数(Radial Basis Function，RBF)神经网络是一种常用的三层前馈神经网络。与BP神经网络一样，三层的RBF神经网络可以实现任意复杂的系统的逼近。RBF神经网络输入层到隐含层的变换是线性的，其作用是将输入所组成的向量在隐含层基函数系中分解，或者说将输入映射到高维或者低维的隐含层空间。但是一般说来映射到比输入更高维的空间或者至少相等维空间能够得到更好的效果。隐含层的隐含节点的激活函数就是径向基函数φ(i)，它是一种局部分布的关于中心点对称的非线性函数。当输入信号靠近隐含层神经元的径向基函数的中心范围时，隐含层的神经元将产生较大的局部化响应。径向基函数常采用高斯核函数(Gaussian Kernel Function)。串接双曲函数(tanh)，其作用对噪声进行干扰抑制。而RBF神经网络的输出是对隐含层的输出进行线性加权后得到的结果。RBF网络输出可以表示为：

$f\left(X\right)=\underset{i=1}{\overset{N_p}{\Sigma }}{w}_i{\phi }_i\left(X\right)---\left(1.1\right)$

其中，X＝(x₁，x₂，...)^T为输入向量；N_p为隐含层基函数的个数；w_i为输出层和隐含层第i个节点的连接权重；φ(·)为径向基函数。如果径向基函数选为高斯核函数，那么隐含层的输出有：

${\phi }_i\left(X\right)=\tanh \left[g_i(b_i\left|\right|(X-C_i)\left|\right|)\right]=\tanh \left\{\exp [-\frac{1}{2}{\beta }_i^2{(X-C_i)}^T(X-C_i)]\right\}(i=\mathrm{1,2}...,N_p)---\left(1.2\right)$

式中：g_i(·)为高斯核函数；tanh(·)为双曲函数；‖·‖为欧氏范数；β_i＝2b_i成为正规化参数；b_i为系统激活函数；φ_i(X)为第i个隐含节点的输出，C_i为基函数中心点。

通过式(1.2)可以看到输入信号与高斯核函数数据中心距离越近，隐含节点的响应越大，导致输出也就越大。高斯核函数是径向对称的，所以对于与基函数中心点C_i的径向距离相同的输入，隐含节点的输出是相同的。一般为了网络有更好的输入输出特性，通常将隐含节点的输出进行归一化处理。

RBF神经网络中要训练的参数有3个，即各个基函数的中心、正规化参数以及输出单元的权值。网络的参数训练方法有很多种，各种算法的目的是使期望输出和实际输出之间的误差函数E达到最小。误差函数E可以根据实际情况选择，常取期望和实际输出的方差作为训练目标函数。例如有K个样本，则网络训练的目标为：

$E=\frac{1}{2}\underset{k=1}{\overset{K}{\Sigma }}{(d^k-y^k)}^2---\left(1.3\right)$

式中：d^k为网络目标输出；y^k为网络实际输出值

三个参数的计算机学习算法常用以下形式：其中C(k+1)为c参数的向量形式，W(k+1)为w参数的向量形式，β(k+1)为β参数的向量形式；

$W(k+1)=W\left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial W}|}_{W=W\left(k\right)}+\alpha \left(k\right)[W\left(k\right)-W(k-1)]---\left(1.4\right)$

$C(k+1)=C\left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial C}|}_{C=C\left(k\right)}+\alpha \left(k\right)[C\left(k\right)-C(k-1)]---\left(1.5\right)$

$\beta (k+1)=\beta \left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial \beta }|}_{\beta =\beta \left(k\right)}+\alpha \left(k\right)[\beta \left(k\right)-\beta (k-1)]---\left(1.6\right)$

式中：η(k)为学习率；α为动量因子。

该装置的建模方法，RBF神经网络建模程序模块通过三层的RBF神经网络可以实现任意复杂的系统的逼近，RBF神经网络输入层到隐含层的变换是线性的，其作用是将输入所组成的向量在隐含层基函数系中分解，或者说将输入映射到高维或者低维的隐含层空间。隐含层的隐含节点的激活函数就是径向基函数φ(i)，它是一种局部分布的关于中心点对称的非线性函数。当输入信号靠近隐含层神经元的径向基函数的中心范围时，隐含层的神经元将产生较大的局部化响应。径向基函数常采用高斯核函数(Gaussian Kernel Function)。采样时间间隔Δt＝25ms，采样点数N＝200。取脉冲信号(由实验设备测量原理选定)和实验获得的数据文件(缩小600倍)为样本对RBF网络进行训练。而RBF神经网络的输出是对隐含层的输出进行线性加权后得到的结果在DSP芯片和上位机中双层建模过程步骤如下：

步骤一、在输入层输入采样数据样本；

步骤二、在中间层计算输入与高斯函数距离，将计算的距离存入DSP芯片；

步骤三、进行双曲函数噪声限制变换，变换结果存入DSP芯片；

步骤四、在输出层修正训练参数；

步骤五、输出误差函数E，通过通讯系统传至上位机，显示变化曲线；

步骤六、计算参数形式，反复修正，使输出达到要求效果；

步骤七、判断误差函数E，如果误差函数E达到10-⁵，则进入步骤八；否则返回步骤二；

步骤八、结束。

所述的步骤一方法为：初始化c，w，β，令c＝12，β＝0.3，w＝2.39，其中c为基函数的中心，w为输出单元的权值，β为正规化参数，将传感器测量的数据经采集电路传入DSP芯片的I/O口；

所述的步骤二方法为：在中间层利用公式‖(X-C_i)‖计算输入与高斯函数距离，式中C_i为基函数中心点，X＝(x₁，x₂，...)^T为输入向量，将计算的距离存入DSP芯片内部的FLASH；

所述的步骤三方法为：利用公式(1.2)进行双曲函数噪声限制变换，

${\phi }_i\left(X\right)=\tanh \left[g_i(b_i\left|\right|(X-C_i)\left|\right|)\right]=\tanh \left\{\exp [-\frac{1}{2}{\beta }_i^2{(X-C_i)}^T(X-C_i)]\right\}(i=\mathrm{1,2}...,N_p)---\left(1.2\right)$

g_i(·)为高斯核函数；tanh(·)为双曲函数；‖·‖为欧氏范数；β_i＝2b_i成为正规化参数；b_i为系统激活函数，C_i为基函数中心点，X＝(x₁，x₂，...)^T为输入向量；N_p为隐含层基函数的个数，φ_i(X)为第i个隐含节点的输出，变换结果存入DSP内部的FLASH；

所述的步骤四方法为：在输出层修正训练参数c，w，β。

所述的步骤五方法为：输出误差函数E，$E=\frac{1}{2}\underset{k=1}{\overset{K}{\Sigma }}{(d^k-y^k)}^2---\left(1.3\right)$式中：d^k为网络目标输出；y^k为网络实际输出值，K为样本个数；

所述的步骤六方法为：利用公式(1.4)、(1.5)、(1.6)分别计算参数形式W(k+1)C(k+1)β(k+1)，其中C(k+1)为c参数的向量形式，W(k+1)为w参数的向量形式，β(k+1)为β参数的向量形式，反复修正，使其输出达到理想效果，

$W(k+1)=W\left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial W}|}_{W=W\left(k\right)}+\alpha \left(k\right)[W\left(k\right)-W(k-1)]---\left(1.4\right)$

$C(k+1)=C\left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial C}|}_{C=C\left(k\right)}+\alpha \left(k\right)[C\left(k\right)-C(k-1)]---\left(1.5\right)$

$\beta (k+1)=\beta \left(k\right)+\eta \left(k\right){|-\frac{\partial E\left(W\right)}{\partial \beta }|}_{\beta =\beta \left(k\right)}+\alpha \left(k\right)[\beta \left(k\right)-\beta (k-1)]---\left(1.6\right)$

式中：η(k)为学习率；α为动量因子，K为样本个数；

上位机通过运用优化算法，充分合理的对灵敏负荷进行控制。对于灵敏负荷控制器采集反馈的信息，进行分析，并根据全网络的情况进行调度，决定如何调配灵敏负荷的容量，达到负荷管理的平衡。

图9给出了RBF网络的辨识曲线，其中—代表实验测量曲线，*代表网络辨识曲线。

图10网络误差随训练次数变化的曲线，当经过75步的迭代学习后，其均方误差减小到0.00001以下，由辨识曲线和实测曲线比较可见，辨识精度是令人满意的。