CN107844868A - 一种融合plc技术与主元分析‑bp神经网络的负荷预测系统 - Google Patents

Abstract

本发明公开了一种融合PLC技术与主元分析‑BP神经网络的负荷预测系统，包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块，PLC逻辑控制器分别与触摸屏和智能网关连接，智能网关与存储模块连接，存储模块与运算模块和触摸屏连接，运算模块与主元分析模块和BP神经网络构建模块连接，主元分析模块和BP神经网络构建模块将计算得到的结果反馈给存储模块，本发明可降低原始数据的维度，从而较大地减少末端负荷算法的需求时间，对末端设备实时运行状态调整具有十分重要的意义，具有计算量小，可靠性高，时滞性小等优点。

Description

一种融合PLC技术与主元分析-BP神经网络的负荷预测系统

技术领域

本发明涉及PLC技术领域，特别是一种融合PLC技术与主元分析 -BP神经网络的负荷预测系统。

背景技术

在暖通领域，末端用冷负荷的准确预测是一个十分棘手的难题。目前由于先进的制造工艺，设备的效率基本上均能达到设计工况的最大值，此时比较突出的问题便是怎样合理的调用设备，从而实现整体能耗的最小化。末端用冷负荷预测可有效地解决上述问题，通过相关算法，预先知道末端的时序蓄冷量，便可以通过程序基于整体能耗最小化制定策略预先设置好设备的运行状态。目前由于暖通系统中末端负荷的关联因素繁多，计算量大，因而直接利用繁多的初始数据来实现末端负荷的预测十分困难，而且也会导致末端负荷预测结果时滞性较大，不利于设备的实时性调节。

发明内容

为了克服现有技术的不足，本发明提供一种结构简单，计算量小，可靠性高，时滞性小的融合PLC技术与主元分析-BP神经网络的负荷预测系统。

本发明解决其技术问题所采用的技术方案是：

一种融合PLC技术与主元分析-BP神经网络的负荷预测系统，包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块，所述PLC逻辑控制器分别与所述触摸屏和智能网关连接，所述智能网关与所述存储模块连接，所述存储模块与所述运算模块和触摸屏连接，所述运算模块与所述主元分析模块和BP神经网络构建模块连接，所述主元分析模块和BP神经网络构建模块将计算得到的结果反馈给所述存储模块。

所述PLC逻辑控制器用于收集预测样本和训练样本，以及对所述训练样本进行负荷预测。

所述触摸屏内安装有触摸屏组态软件，所述触摸屏组态软件包括集成好的通讯接口以及相关数据传输函数。

所述运算模块包括数学应用软件，所述数学应用软件内设置有神经网络功能箱。

所述主元分析模块包括归一、去均值处理，计算归一化矩阵的协方差矩阵和确定主元负载矩阵。

所述归一、去均值处理，计算归一化矩阵的协方差矩阵和确定主元负载矩阵的实现步骤如下：

(1)、假设训练样本共有n个，而每个样本有m个观察量，则训练样本构成数据集x∈R^n×m；

(2)、归一化处理消除不同观测量量纲的影响，

其中，为第i行第j列的样本矩阵的归一化矩阵；

x_ij为样本矩阵的第i行第j列的数值；

min(x_j)为样本矩阵的第j列的最小值；

max(x_j)为样本矩阵的第j列的大值；

(3)、去均值处理，

其中，为去均值后的第i行第j列的样本矩阵的归一化矩阵；

mean(x_j)为样矩阵第j列的数值的平均值；

(4)、求解归一化矩阵的协方差矩阵Z，

其中，n为训练样本个数；

为步骤(3)中的去均值后的第i行第j列的样本矩阵的归一化矩阵，为其转置矩阵；

(5)、求解所述协方差矩阵Z的特征值(λ₁λ₂λ₃...λ_m)和特征向量 (p₁p₂p₃....p_m)；

(6)、根据方差累计贡献率(CPV)法计算确定选择主元的个数l，

(7)、解得主元负载矩阵

所述BP神经网络构建模块包括确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块。

所述确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块的实现步骤如下：

(1)、输入层指所述BP神经网络输入，所述输入层的节点数与所述主元的个数l相等；输出层指所述BP神经网络的输出，所述输出层的节点数等于末端负荷可能达到的所有值，在这里，假设末端负荷可能达到的所有值为k，所述隐含层指所述BP神经网络的中间层，所述隐含层的节点数为a为1-10之间的常数；

(2)、所述BP神经网络的基本算法包括正向传递过程(信号的前向传播)和反向传递过程(误差的反向传播)两个过程，通过正向传递过程可计算出误差输出，进而再通过反向传递过程调整权值和阈值，具体步骤如下：

正向传递过程：

x_j＝f(S_j)

其中，S_j为当前节点j的权值和阈值所形成的矩阵；

ω_ij为当前节点j与上一层的所有节点i之间的权值；

x_i为上一层所有节点的输出值；

b_j为当前节点j的阈值；

f为激活函数；

反向传递过程：

误差信号反向传递过程是基于Widrow-Hoff学习规则的，假设输出层的所有结果为d_j，误差函数如下：

其中，y_j为输出层实际的输出值。

本发明的有益效果是：本发明可降低原始数据的维度，从而较大地减少末端负荷算法的需求时间，对末端设备实时运行状态调整具有十分重要的意义，具有计算量小，可靠性高，时滞性小等优点。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的结构方框示意图。

具体实施方式

参照图1，一种融合PLC技术与主元分析-BP神经网络的负荷预测系统，包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块，所述PLC逻辑控制器分别与所述触摸屏和智能网关连接，所述智能网关与所述存储模块连接，所述存储模块与所述运算模块和触摸屏连接，所述运算模块与所述主元分析模块和BP神经网络构建模块连接，所述主元分析模块和 BP神经网络构建模块将计算得到的结果反馈给所述存储模块。所述 PLC逻辑控制器用于搜集预测样本、训练样本以及对训练样本进行负荷预测；所述触摸屏内安装有触摸屏组态软件，所述触摸屏组态软件包括集成好的通讯接口以及相关数据传输函数，一方面，所述通讯接口可实现触摸屏向上与所述PLC逻辑控制器进行数据交换，另一方面，所述数据传输函数可实现向下与所述存储模块进行数据交换；所述智能网关可以实现所述PLC逻辑控制器与所述存储模块的数据传输，其具体可通过modbus-RTU协议、modbus-TCP协议、PROFIBUS-DP协议等协议实现；所述存储模块可以实现数据的存储，根据实际情况，所述存储模块可以是小型项目的access数据库、中型项目的SQL、Mysql 数据库以及大型项目的Oracle数据库等；所述运算模块包括数学应用软件，所述数学应用软件内设置有神经网络功能箱，在本实施例中，所述数学应用软件可以是Matlab、Mathematica等，通过所述数学应用软件，可实现将所述主元分析模块和BP神经网络构建模块计算得到的权值矩阵以及阈值矩阵与所述存储模块进行实交互。

所述主元分析模块包括归一、去均值处理，计算归一化矩阵的协方差矩阵和确定主元负载矩阵，其实现步骤如下：

(1)、假设训练样本共有n个，而每个样本有m个观察量，则训练样本构成数据集x∈R^n×m；

(2)、归一化处理消除不同观测量量纲的影响，

其中，为第i行第j列的样本矩阵的归一化矩阵；

x_ij为样本矩阵的第i行第j列的数值；

min(x_j)为样本矩阵的第j列的最小值；

max(x_j)为样本矩阵的第j列的大值；

(3)、去均值处理，

其中，为去均值后的第i行第j列的样本矩阵的归一化矩阵；

mean(x_j)为样矩阵第j列的数值的平均值；

(4)、求解归一化矩阵的协方差矩阵Z，

其中，n为训练样本个数；

为步骤(3)中的去均值后的第i行第j列的样本矩阵的归一化矩阵，为其转置矩阵；

(5)、求解所述协方差矩阵Z的特征值(λ₁λ₂λ₃...λ_m)和特征向量 (p₁p₂p₃....p_m)；

(6)、根据方差累计贡献率(CPV)法计算确定选择主元的个数l，

(7)、解得主元负载矩阵

所述BP神经网络构建模块包括确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块，所述确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块的实现步骤如下：

(1)、输入层指所述BP神经网络输入，所述输入层的节点数与所述主元的个数l相等；输出层指所述BP神经网络的输出，所述输出层的节点数等于末端负荷可能达到的所有值，在这里，假设末端负荷可能达到的所有值为k，所述隐含层指所述BP神经网络的中间层，所述隐含层的节点数为a为1-10之间的常数；

(2)、所述BP神经网络的基本算法包括正向传递过程(信号的前向传播)和反向传递过程(误差的反向传播)两个过程，通过正向传递过程可计算出误差输出，进而再通过反向传递过程调整权值和阈值，具体步骤如下：

正向传递过程：

x_j＝f(S_j)

其中，S_j为当前节点j的权值和阈值所形成的矩阵；

ω_ij为当前节点j与上一层的所有节点i之间的权值；

x_i为上一层所有节点的输出值；

b_j为当前节点j的阈值；

f为激活函数，本实施例中，采用S型函数作为激活函数；

反向传递过程：

误差信号反向传递过程是基于Widrow-Hoff学习规则的，假设输出层的所有结果为d_j，误差函数如下：

其中，y_j为输出层实际的输出值。

主元分析模块可以实现原始相关性的减弱或者剔除(末端负荷关联因素繁多，但是关联因素之间存在一定程度的关联性，主元分析模块主可用来减弱或者提出这种相关性，通过空间变化，选取最能代表原始数据的隐藏，在一定程度上能够实现数据的降维)，再通过构建收敛性良好的BP神经网络实现对负荷训练样本的训练，连续调整网络的权值和阀值，最终得到权值矩阵与阈值矩阵，再将得到的权值矩阵与阈值矩阵传输到存储模块，由存储模块将信息反馈给PLC逻辑控制器，与PLC逻辑控制器所获得的预测样本结合便可实现末端负荷的准确预测，具有结构简单，计算量小，可靠性高，时滞性小等优点。

以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。

Claims (8)

1.一种融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于它包括PLC逻辑控制器、触摸屏、智能网关、存储模块、运算模块、主元分析模块和BP神经网络构建模块，所述PLC逻辑控制器分别与所述触摸屏和智能网关连接，所述智能网关与所述存储模块连接，所述存储模块与所述运算模块和触摸屏连接，所述运算模块与所述主元分析模块和BP神经网络构建模块连接，所述主元分析模块和BP神经网络构建模块将计算得到的结果反馈给所述存储模块。

2.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述PLC逻辑控制器用于收集预测样本和训练样本，以及对所述训练样本进行负荷预测。

3.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述触摸屏内安装有触摸屏组态软件，所述触摸屏组态软件包括集成好的通讯接口以及相关数据传输函数。

4.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述运算模块包括数学应用软件，所述数学应用软件内设置有神经网络功能箱。

5.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述主元分析模块包括归一、去均值处理，计算归一化矩阵的协方差矩阵和确定主元负载矩阵。

6.根据权利要求5所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述归一、去均值处理，计算归一化矩阵的协方差矩阵和确定主元负载矩阵的实现步骤如下：

(1)、假设训练样本共有n个，而每个样本有m个观察量，则训练样本构成数据集x∈R^n×m；

(2)、归一化处理消除不同观测量量纲的影响，

其中，为第i行第j列的样本矩阵的归一化矩阵；

x_ij为样本矩阵的第i行第j列的数值；

min(x_j)为样本矩阵的第j列的最小值；

max(x_j)为样本矩阵的第j列的大值；

(3)、去均值处理，

其中，为去均值后的第i行第j列的样本矩阵的归一化矩阵；

mean(x_j)为样矩阵第j列的数值的平均值；

(4)、求解归一化矩阵的协方差矩阵Z，

其中，n为训练样本个数；

为步骤(3)中的去均值后的第i行第j列的样本矩阵的归一化矩阵，为其转置矩阵；

(5)、求解所述协方差矩阵Z的特征值(λ₁λ₂λ₃...λ_m)和特征向量(p₁p₂p₃....p_m)；

(6)、根据方差累计贡献率(CPV)法计算确定选择主元的个数l，

(7)、解得主元负载矩阵

7.根据权利要求1所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述BP神经网络构建模块包括确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块。

8.根据权利要求7所述的融合PLC技术与主元分析-BP神经网络的负荷预测系统，其特征在于所述确定输入层、隐含层、输出层节点数模块以及确定权值、阈值模块的实现步骤如下：

(1)、输入层指所述BP神经网络输入，所述输入层的节点数与所述主元的个数l相等；输出层指所述BP神经网络的输出，所述输出层的节点数等于末端负荷可能达到的所有值，在这里，假设末端负荷可能达到的所有值为k，所述隐含层指所述BP神经网络的中间层，所述隐含层的节点数为a为1-10之间的常数；

(2)、所述BP神经网络的基本算法包括正向传递过程(信号的前向传播)和反向传递过程(误差的反向传播)两个过程，通过正向传递过程可计算出误差输出，进而再通过反向传递过程调整权值和阈值，具体步骤如下：

正向传递过程：

x_j＝f(S_j)

其中，S_j为当前节点j的权值和阈值所形成的矩阵；

ω_ij为当前节点j与上一层的所有节点i之间的权值；

x_i为上一层所有节点的输出值；

b_j为当前节点j的阈值；

f为激活函数；

反向传递过程：

误差信号反向传递过程是基于Widrow-Hoff学习规则的，假设输出层的所有结果为d_j，误差函数如下：

其中，y_j为输出层实际的输出值。