風(fēng)電功率預(yù)測(cè)模型

1、風(fēng)電功率展望模型風(fēng)電功率展望模型34/34風(fēng)電功率展望模型第一頁答卷編號(hào)：論文題目：A題風(fēng)電功率展望問題指導(dǎo)教師：參賽學(xué)校：報(bào)名序號(hào)：證書郵寄地址：（學(xué)校一致組織的請(qǐng)?zhí)顚懾?fù)責(zé)人）第二頁答卷編號(hào)：閱卷專家1閱卷專家2閱卷專家3論文等級(jí)2A題風(fēng)電功率展望問題大綱風(fēng)能是一種可再生、干凈的能源，風(fēng)力發(fā)電技術(shù)的進(jìn)一步研究和開發(fā)對(duì)解決能源危機(jī)、緩解環(huán)境壓力以及提升經(jīng)濟(jì)發(fā)展水平擁有重要的意義。據(jù)此，本文經(jīng)過成立一系列數(shù)學(xué)模型來研究和研究風(fēng)電功率的展望以及提升展望精度問題。針對(duì)第一問，本文提出指數(shù)圓滑法、小波神經(jīng)網(wǎng)絡(luò)以實(shí)時(shí)間序列ARMA三種展望模型對(duì)風(fēng)電功率進(jìn)行展望。指數(shù)圓滑法采用圓滑公式為：stxt1(1)

2、St1,01,t3，經(jīng)過調(diào)整圓滑參數(shù)來優(yōu)化展望精度；小波神經(jīng)網(wǎng)絡(luò)采用的小波基函數(shù)為Morlet母小波基函數(shù)，小波神經(jīng)修正采用梯度修正法；ARMA模型經(jīng)過確定自回歸階數(shù)和搬動(dòng)平均階數(shù)來構(gòu)造展望表達(dá)式。結(jié)果為：指數(shù)圓滑法小波神經(jīng)網(wǎng)絡(luò)ARMR合格率0.9270.7190.947正確率0.7210.6880.876MSE0.0760.570.194針對(duì)第二問，本文在第一問所求結(jié)果的基礎(chǔ)上，使用熵值賦權(quán)法對(duì)三種模型進(jìn)行歸一化辦理，所得權(quán)值向量為w(0.3246,0.3344,0.341)，獲得一組基于以上三種模型的展望數(shù)據(jù)。使用擬合與聚類解析得出單機(jī)系統(tǒng)對(duì)多機(jī)系統(tǒng)P4的相關(guān)性高于對(duì)總機(jī)系統(tǒng)的相關(guān)性，據(jù)此

3、，使用基于李雅普諾夫中心極限制理的經(jīng)過假設(shè)相對(duì)誤差小于題目要求的概率模型，求得單機(jī)組和多機(jī)組的經(jīng)過檢驗(yàn)概率為：機(jī)組ABCDP4P58屬性經(jīng)過概率77.64%62.17%78.23%77.94%77.94%80.0%最后得出寬泛性規(guī)律為：由于多機(jī)展望較精確，能夠用多機(jī)系統(tǒng)的展望結(jié)果對(duì)單機(jī)進(jìn)行展望。修正單機(jī)系統(tǒng)展望所帶來的相對(duì)誤差，提升精度。針對(duì)問題三，本文成立基于遺傳算法的ARMA模型，對(duì)ARMA模型的階數(shù)進(jìn)行優(yōu)化。定義平均相對(duì)變動(dòng)值（ARTD），并令遺傳算法的適應(yīng)度函數(shù)為：1f(x)。最后獲得擁有更高展望精度的模型。詳盡指標(biāo)值以下表：ARTD機(jī)組P4PABCD屬性58正確率（單位：%）88.0

4、85.684.887.490.493.4合格率（單位：%）95.294.695.095.199.099.5本文提出的模型對(duì)風(fēng)電功率的展望擁有重要的借鑒意義，并可將其模型推行應(yīng)用至工程展望、股票解析、生產(chǎn)計(jì)劃等問題上。1要點(diǎn)字：風(fēng)電功率展望、時(shí)間序列、指數(shù)圓滑法、小波神經(jīng)網(wǎng)絡(luò)、遺傳算法問題重述11問題背景依照百度百科，“風(fēng)”是“跟地面大體平行的空氣流動(dòng)，是由于冷熱氣壓分布不平均而產(chǎn)生的空氣流動(dòng)現(xiàn)象”。風(fēng)能是一種可再生、干凈的能源，風(fēng)力發(fā)電是最具大規(guī)模開發(fā)技術(shù)經(jīng)濟(jì)條件的非水電再生能源?，F(xiàn)在風(fēng)力發(fā)電主要利用的是近地風(fēng)能。近地風(fēng)擁有顛簸性、間歇性、低能量密度等特點(diǎn)，所以風(fēng)電功率也是顛簸的。大規(guī)模風(fēng)電場(chǎng)

5、接入電網(wǎng)運(yùn)行時(shí)，大幅度地風(fēng)電功率顛簸會(huì)對(duì)電網(wǎng)的功率平衡和頻率調(diào)治帶來不利影響。若是能夠?qū)︼L(fēng)電場(chǎng)的發(fā)電功率進(jìn)行展望，電力調(diào)換部門就能夠依照風(fēng)電功率變化起初安排調(diào)換計(jì)劃，保證電網(wǎng)的功率平衡和運(yùn)行安全。所以，如何對(duì)風(fēng)電場(chǎng)的發(fā)電功率進(jìn)行盡可能正確地展望，是急需解決的問題。依照電力調(diào)換部門安排運(yùn)行方式的不同樣需求，風(fēng)電功率展望分為日前展望和實(shí)時(shí)展望。日前展望是展望明日24小時(shí)96個(gè)時(shí)點(diǎn)（每15分鐘一個(gè)時(shí)點(diǎn)）的風(fēng)電功率數(shù)值。實(shí)時(shí)展望是轉(zhuǎn)動(dòng)地展望每個(gè)時(shí)點(diǎn)未來4小時(shí)內(nèi)的16個(gè)時(shí)點(diǎn)（每15分鐘一個(gè)時(shí)點(diǎn)）的風(fēng)電功率數(shù)值。在附件1國(guó)家能源局宣布的風(fēng)電場(chǎng)功率展望預(yù)告管理暫行方法中給出了誤差統(tǒng)計(jì)的相應(yīng)指標(biāo)。并得知某風(fēng)電

6、場(chǎng)由58臺(tái)風(fēng)電機(jī)組組成，每臺(tái)機(jī)組的額定輸出功率為850kW。附件2中給出了2006年5月10日至2006年6月6日時(shí)間段內(nèi)該風(fēng)電場(chǎng)中指定的四臺(tái)風(fēng)電機(jī)組（A、B、C、D）輸出功率數(shù)據(jù)（分別記為PA，PB，PC，PD;另設(shè)該四臺(tái)機(jī)組總輸出功率為P4）及全場(chǎng)58臺(tái)機(jī)組總輸出功率數(shù)據(jù)（記為P58）。12需要解決的問題問題一：風(fēng)電功率實(shí)時(shí)展望及誤差解析請(qǐng)對(duì)給定數(shù)據(jù)進(jìn)行風(fēng)電功率實(shí)時(shí)展望并檢驗(yàn)展望結(jié)果可否滿足附件1中的關(guān)于展望精度的相關(guān)要求。詳盡要求：1）采用很多于三種展望方法（最少選擇一種時(shí)間序列解析類的展望方法）；2）展望量：aPA,PB,PC,PD；bP4；cP58。3）展望時(shí)間范圍分別為（展望用的歷

7、史數(shù)據(jù)范圍可自行選定）：a.5月31日0時(shí)0分至5月31日23時(shí)45分；25月31日0時(shí)0分至6月6日23時(shí)45分。4）試依照附件1中關(guān)于實(shí)時(shí)展望的核查要求解析你所采用方法的正確性；5）你介紹哪一種方法？問題二：試解析風(fēng)電機(jī)組的匯聚關(guān)于展望結(jié)果誤差的影響在我國(guó)主要采用集中開發(fā)的方式開發(fā)風(fēng)電，各風(fēng)電機(jī)組功率匯聚經(jīng)過風(fēng)電場(chǎng)或風(fēng)電場(chǎng)群（多個(gè)風(fēng)電場(chǎng)匯聚而成）接入電網(wǎng)。眾多風(fēng)電機(jī)組的匯聚會(huì)改變風(fēng)電功率顛簸的屬性，進(jìn)而可能影響展望的誤差。在問題1的展望結(jié)果中，試比較單臺(tái)風(fēng)電機(jī)組功率（PA，PB，PC，PD）的相對(duì)展望誤差與多機(jī)總功率（P4，P58）展望的相對(duì)誤差，其中有什么帶有寬泛性的規(guī)律嗎？從中你能對(duì)風(fēng)

8、電機(jī)組匯聚給風(fēng)電功率展望誤差帶來的影響做出什么樣的預(yù)期？問題3：進(jìn)一步提升風(fēng)電功率實(shí)時(shí)展望精度的研究提升風(fēng)電功率實(shí)時(shí)展望的正確程度對(duì)改進(jìn)風(fēng)電聯(lián)網(wǎng)運(yùn)行性能有重要意義。請(qǐng)你在問題1的基礎(chǔ)上，成立有更高展望精度的實(shí)時(shí)展望方法（方法種類不限），并用展望結(jié)果說明其有效性。經(jīng)過求解上述問題，請(qǐng)解析論證阻攔風(fēng)電功率實(shí)時(shí)展望精度進(jìn)一步改進(jìn)的主要因素。風(fēng)電功率展望精度能無量提升嗎？模型假設(shè)1、每臺(tái)機(jī)組的額定輸出功率為850kW。2、只依照歷史數(shù)據(jù)進(jìn)行展望，不考慮歷史風(fēng)速、詳盡地址等客觀因素的影響。3、初始數(shù)據(jù)本源真實(shí)、可靠。4、忽略儲(chǔ)能設(shè)備和人為因素帶來對(duì)數(shù)據(jù)真實(shí)性的影響。符號(hào)說明xi：風(fēng)電功率實(shí)質(zhì)點(diǎn)數(shù)據(jù)值si

9、：風(fēng)電功率圓滑點(diǎn)數(shù)據(jù)值：任意時(shí)辰st：t時(shí)辰的風(fēng)電功率圓滑點(diǎn)數(shù)據(jù)值3PMkPPk定義展望值PPk的相對(duì)誤差er(PPk)PMk：uuuuur1NPMkPPk,(iA,B,C,D.,k1,2,.,96)定義單電機(jī)平均相對(duì)誤差A(yù)VG(er(Pi)Nk1PMk：相關(guān)系數(shù)MSE：均方根誤差問題解析問題一解析：本小問要求依照給定的風(fēng)電機(jī)組功率的相關(guān)數(shù)據(jù)，運(yùn)用很多于三種方法（最少一種時(shí)間序列解析類的展望方法）構(gòu)造風(fēng)電功率展望模型。由于近地風(fēng)的顛簸性與間歇性等特點(diǎn)決定了風(fēng)電功率的顛簸性與隨機(jī)性，也使得風(fēng)電功率展望不能夠簡(jiǎn)單的利用回歸模型進(jìn)行擬合展望。模型一中風(fēng)電功率的展望將基于指數(shù)圓滑法實(shí)現(xiàn)。依照近來的一個(gè)

10、歷史數(shù)據(jù)來擬合下一時(shí)辰的展望值，是最為傳統(tǒng)的方法也是最為簡(jiǎn)單實(shí)現(xiàn)的方法1。而指數(shù)圓滑法的基本思想是利用當(dāng)前周期的指標(biāo)和前面的指標(biāo)來展望下一個(gè)周期的指標(biāo)，其依照參數(shù)對(duì)每個(gè)數(shù)據(jù)賜予不同樣的權(quán)重，進(jìn)而獲得更好的擬合曲線和展望結(jié)果2。它是一種基于搬動(dòng)平均法基礎(chǔ)上對(duì)權(quán)數(shù)加以改進(jìn)，使其在辦理時(shí)較為經(jīng)濟(jì)的展望方法，它能供應(yīng)優(yōu)異的短期展望，在經(jīng)濟(jì)學(xué)中寬泛應(yīng)用于生產(chǎn)和股票的展望。觀察到各機(jī)組的實(shí)質(zhì)功率與時(shí)間的變化圖形，我們能夠觀察到，風(fēng)電發(fā)電機(jī)組該時(shí)辰的功率與前幾個(gè)時(shí)間點(diǎn)的相關(guān)性很高，說了然在風(fēng)電機(jī)組功率變化中，某時(shí)辰的實(shí)質(zhì)功率與本機(jī)組前幾個(gè)時(shí)間點(diǎn)的功率值有必然的關(guān)系，而且風(fēng)電功率在24小時(shí)內(nèi)有準(zhǔn)周期的性質(zhì)。依

11、照這一性質(zhì)，模型二能夠?qū)⒒谛〔ㄉ窠?jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行展望。如若將展望指標(biāo)隨時(shí)間推移而形成的數(shù)據(jù)序列看作是一個(gè)隨機(jī)序列，這組隨機(jī)變量所擁有的依存關(guān)系表現(xiàn)著原始數(shù)據(jù)在時(shí)間上的連續(xù)性。一方面，外界因素的影響，另一方面，又有自己變動(dòng)規(guī)律。所以，模型三引入ARMA模型對(duì)風(fēng)電功率進(jìn)行實(shí)時(shí)展望。問題二解析：本小問要求在第一問所得展望結(jié)果的基礎(chǔ)上，解析風(fēng)電機(jī)組的匯聚關(guān)于展望結(jié)果誤差的規(guī)誤差的影響以及研究單臺(tái)風(fēng)電機(jī)組功率的相對(duì)誤差與多機(jī)總功率展望的相對(duì)誤差的寬泛性規(guī)律。可分為兩步進(jìn)行。第一，研究單機(jī)組系統(tǒng)和多機(jī)組系統(tǒng)的相關(guān)性。依照一般規(guī)律，單臺(tái)機(jī)組（A,B,C,D）與P4機(jī)組（由A,B,C,D機(jī)組組成的多機(jī)系統(tǒng)）的

12、相關(guān)性應(yīng)高于與P584機(jī)組（即總機(jī)組）的相關(guān)性，可使用擬合的R值檢驗(yàn)和聚類解析進(jìn)行考據(jù)。在此基礎(chǔ)上，并依照李雅普諾夫中心極限制理求解概率的思想，求解單臺(tái)機(jī)組和多臺(tái)機(jī)組經(jīng)過國(guó)家能源局所規(guī)定要求的概率，經(jīng)過比較單機(jī)組和多機(jī)組經(jīng)過檢驗(yàn)的概率，推測(cè)最后，給出詳盡的寬泛性規(guī)律。問題三解析：由于ARMA(p,q)模型的定階過程存在必然的隨機(jī)性和不確定性，為此，綜合考慮模型的各種限制因素，可試一試使用遺傳算法對(duì)自回歸階數(shù)以及搬動(dòng)平均階數(shù)進(jìn)行優(yōu)化，成立基于遺傳算法的ARMA(p,q)模型，使其擁有更高實(shí)時(shí)展望精度。模型成立與模型求解問題一求解：5.1模型一：指數(shù)圓滑法5.1.1模型一的成立：?jiǎn)沃笖?shù)圓滑擁有一個(gè)

13、圓滑參數(shù)。解析本題所給數(shù)據(jù)無顯然的變化趨勢(shì)，適適用單指數(shù)圓滑方法進(jìn)行展望。本模型將縱向進(jìn)行擬合，利用每天同一時(shí)辰的數(shù)據(jù)擬合下一天的該時(shí)辰的展望值。圓滑公式，方法及展望公式介紹：（1）圓滑公式：t時(shí)辰的圓滑值st公式以下：stxt1(1)St1,01,t3（1）（2）初始化單指數(shù)的圓滑起點(diǎn)是s2，有兩種方法初始化s2，一種是s2x1，另一種是取實(shí)質(zhì)前4個(gè)或5個(gè)值的平均值。本模型采用第一種方法進(jìn)行初始化。（3）展望公式：1時(shí)辰的圓滑指數(shù)公式為：st1xt(1)St,01,t3（2）i時(shí)辰的圓滑指數(shù)公式為：stixt(1)Sti1,01,t3（3）5其中i表示所進(jìn)過的時(shí)辰點(diǎn)。結(jié)合（2）（3）式，能夠

14、對(duì)圓滑公式進(jìn)行擴(kuò)展可得基本的圓滑公式為：stxt1(1)xt2(1)2St2（4）對(duì)（4）式進(jìn)行遞歸直到s2，可得下面公式：t3i1st(1)xti(1)t2St2,t2i1（5）其中權(quán)重(1)i1呈幾何遞減，能夠直到較早的數(shù)據(jù)權(quán)重相對(duì)較少，而較近的數(shù)據(jù)權(quán)重相對(duì)較大。（4）圓滑參數(shù)確定指數(shù)圓滑模型擬合程度和展望結(jié)果的利害取決于圓滑參數(shù)的采用。大多數(shù)情況下指數(shù)圓滑展望的參數(shù)主要依賴經(jīng)驗(yàn)。平時(shí)，當(dāng)時(shí)間序列顛簸很大，長(zhǎng)遠(yuǎn)趨勢(shì)變化幅度較大，呈顯然迅速的上升或下降趨勢(shì)時(shí)，宜選擇較大的值，能夠在0.60.8間選值，提升展望模型的矯捷程度，能迅速跟上數(shù)據(jù)的變化3。本模型將經(jīng)驗(yàn)法和試算法兩者相結(jié)合，并利用MS

15、E（MeanoftheSquaredErrors）均方誤差指標(biāo)進(jìn)行參數(shù)的采用。定義以下：1nsixi2MSE()ni1xi（6）其中n為數(shù)據(jù)點(diǎn)得個(gè)數(shù)。MSE的值越小，說明模型擬合程度越好，所采用的圓滑參數(shù)越合適。5.1.2模型一的求解：本指數(shù)滑動(dòng)模型在數(shù)據(jù)辦理展望方面比較特別，將采用5月10日5月30日的數(shù)據(jù)進(jìn)行縱向?qū)崟r(shí)展望未來7天每個(gè)時(shí)辰的風(fēng)電功率情況。（1）圓滑指數(shù)的確定利用經(jīng)驗(yàn)法和試算法相結(jié)合，在0.60.08之間采用圓滑參數(shù)，確定比較各圓滑參數(shù)的MSE值，進(jìn)而確定參數(shù)進(jìn)行展望。第一采用機(jī)組A的數(shù)據(jù)進(jìn)行指數(shù)滑動(dòng)擬合，利用matlab能夠獲得各參數(shù)相對(duì)應(yīng)風(fēng)電功率展望的正確率，合格率及MSE

16、以下表一所示：表一指數(shù)滑動(dòng)的風(fēng)電功率展望的數(shù)據(jù)解析結(jié)果參數(shù)0.60.70.8一天一周一天一周一天一周屬性(%)6正確率72.1068.4970.0167.2167.7365.82合格率92.7180.2193.7579.0293.7578.1237.6433.396.8935.1205.7837.23由表各項(xiàng)指標(biāo)可知道：隨著圓滑參數(shù)的增大，誠(chéng)然其正確率和合格率有遞減趨勢(shì)，可是變化基實(shí)情差不大。而且正確率都在70%左右，合格率有70%以上均方誤差都比較少。說明該指數(shù)圓滑展望模型基本合適作為風(fēng)電功率的展望。表一中存在著個(gè)別均方誤差較大的點(diǎn)，而且最后一天的合格率和正確率的值都比較小，說明該模型值合適

17、短期展望，不合適中長(zhǎng)遠(yuǎn)展望。比較各圓滑參數(shù)的MSE值，有0.60.7=0.75sum=sum+1;endendp(i)=sum/96;end均方誤差R=zeros(7,1);A1=A(22:28,:);B1=B(22:28,:);a=0;fori=1:7forj=1:96a=(A1(i,j)-B1(i,j)/A1(i,j)2)+a;endendR=sqrt(a/(96*7);畫圖與排序pailieA=zeros(1,96*7);fori=1:7n=96*(i-1)+1;m=96*i;pailieA(1,n:m)=A1(i,:);26endpailieB=zeros(1,96*7);fori=1

18、:7n=96*(i-1)+1;m=96*i;pailieB(1,n:m)=B1(i,:);endj=1:672;plot(j,pailieA,-b,j,pailieB,-r);title(機(jī)組A實(shí)質(zhì)功率與展望功率比較圖);xlabel(時(shí)間點(diǎn));ylabel(功率（kw）);%A的遺傳算法適應(yīng)度函數(shù)functiony=fitfun(p,q)loadAA.txt;loadA.txt;x=randint(1,6);p=x(1)2+x(2)+x(3)0;q=x(4)2+x(5)+x(6)0;AAA(1:2016)=AA;AAA(2017:2016+96)=A;n,m=size(AAA);se=AAA

19、;zeros(n*m,1);data=iddata(se);m=armax(data,na,p,nc,q);pa=predict(m,data);y=0;sa=get(pa,outputdata);fori=1:96y=y+(AAA(2016+i)-sa(2016+i)2/(AAA(2016+i)2);endy=1/(y/100);%ARMA模型求解程序functionp,q,err=pingjiaa,t,d,n1,m1%p為合格率,q為正確率，t為機(jī)組個(gè)數(shù)%d為展望天數(shù)，a為實(shí)質(zhì)序列%n1為自回歸階數(shù)，m1搬動(dòng)平均階數(shù)a=AAA;t=1;d=1;n=length(a);se=a;zeros(

20、n,1);data=iddata(se);m=armax(data,na,n1,nc,m1);pa=predict(m,data);27yc=get(pa,outputdata);sum=0;fori=1:96*dif(1-(a(i+2016)-yc(i+2016)/(t*850)=0.75sum=sum+1;endendp=sum/(96*d);%合格率sum1=0;fori=1:96*dsum1=sum1+(a(i+2016)-yc(i+2016)/(t*850)2;endq=1-(sum1/(96*d)(1/2);%正確率%相對(duì)誤差err=0;fori=1:96*difa(i)0&yc(

21、i)0err=err+(abs(a(i)-yc(i)/max(a(i),yc(i)2;endenderr=sqrt(err/(96*d);小波神經(jīng)網(wǎng)絡(luò)程序主程序：M=4;%輸入節(jié)點(diǎn)個(gè)數(shù)N=1;%輸出節(jié)點(diǎn)個(gè)數(shù)n=6;%隱形節(jié)點(diǎn)個(gè)數(shù)lr1=0.01;%學(xué)習(xí)概率lr2=0.001;%學(xué)習(xí)概率%權(quán)值初始化Wjk=randn(n,M);Wij=randn(N,n);a=randn(1,n);b=randn(1,n);%節(jié)點(diǎn)初始化y=zeros(1,N);net=zeros(1,n);net_ab=zeros(1,n);%權(quán)值學(xué)習(xí)增量初始化d_Wjk=zeros(n,M);d_Wij=zeros(N,n)

22、;28d_a=zeros(1,n);d_b=zeros(1,n);輸入輸出數(shù)據(jù)歸一化inputn,inputps=mapminmax(input);outputn,outputps=mapminmax(output);inputn=inputn;outputn=outputn;網(wǎng)絡(luò)訓(xùn)練foriii=1:100error(iii)=0;循環(huán)訓(xùn)練forkk=1:2016x=inputn(kk,:);d=outputn(kk,:);y=0;forj=1:1:nfork=1:1:Mnet(j)=net(j)+Wjk(j,k)*x(k);net_ab(j)=(net(j)-b(j)/a(j);endfo

23、ri=1:Ny=y+Wij(i,j)*mymorlet(net_ab(j);%小波函數(shù)endendfori=1:Nerror(iii)=error(iii)+abs(d(i)-y(i);end權(quán)值調(diào)整forj=1:n計(jì)算d_Wijfori=1:Nd_Wij(i,j)=d_Wij(i,j)-(d(i)-y(i)*mymorlet(net_ab(j);end計(jì)算d_Wjkfork=1:1:Mfori=1:Nd_Wjk(j,k)=d_Wjk(j,k)+(d(i)-y(i)*Wij(i,j);endd_Wjk(j,k)=-d_Wjk(j,k)*d_mymorlet(net_ab(j)*x(k)/a(j

24、);29end計(jì)算d_bfori=1:Nd_b(j)=d_b(j)+(d(i)-y(i)*Wij(i,j);endd_b(j)=d_b(j)*d_mymorlet(net_ab(j)/a(j);計(jì)算d_afori=1:Nd_a(j)=d_a(j)+(d(i)-y(i)*Wij(i,j);endd_a(j)=d_a(j)*d_mymorlet(net_ab(j)*(net(j)-b(j)/b(j)/a(j);end權(quán)值參數(shù)更新Wij=Wij-lr1*d_Wij;Wjk=Wjk-lr1*d_Wjk;b=b-lr2*d_b;a=a-lr2*d_a;d_Wjk=zeros(n,M);d_Wij=zeros(N,n);d_a=zeros(1,n);d_b=zeros(1,n);y=zeros(1,N);net=zeros(1,n);net_ab=zeros(1,n);