一种基于BP神经网络的台区线损率评估方法与流程

本发明涉及一种评估方法，具体涉及一种基于BP神经网络的台区线损率评估方法。
背景技术：
：我国配电网规模庞大、结构复杂，具有点多、线长、面广的特点。随着社会经济的发展，用电负荷的增加，低压配电网线损的问题越来越突出，线损电量和线损率占比达50％左右。低压配网台区作为电力系统中的末端环节，线损率为台区管理重要的考核指标之一。如何准确简便地计算台区线损率、为制定合理的降损措施提供依据已成为供电企业的重要任务。由于低压台区的建设和管理状况参差不齐、台区和终端用户数目庞大、台账管理不完备、线路分布复杂多样、用电采集系统的采集成功率差别较大，目前对台区线损理论计算的方法大多数采用电压损失法、等值电阻法等，对台区不论计算理论线损率还是评估统计线损率均需要动用大量的人力、物力才能收集到必要和充分的运行资料，工作量非常大，致使各供电部门难以每月进行一次计算工作。近年来，神经网络理论的发展与应用为线损率计算提供了新的途径。神经网络计算线损率无须建立数学模型，可以利用网络强大的自学能力、推广能力以及非线性处理能力来拟合线损率与特征参数之间复杂的非线性关系，因此利用神经网络算法可以快速计算和评估台区线损率。技术实现要素：为了克服上述现有技术的不足，本发明提供一种基于BP神经网络的台区线损率评估方法，通过筛选出与台区的网架结构和负荷相关的台区电气特征参数，采用基于LM算法优化的BP神经网络学习电气特征指标与台区线损率之间的非线性关系，进而得到BP神经网络模型，通过BP神经网络模型评估台区线损率。为了实现上述发明目的，本发明采取如下技术方案：本发明提供一种基于BP神经网络的台区线损率评估方法，所述方法包括：步骤1：对台区电气特征参数进行标准化处理；步骤2：构建BP神经网络模型，并对台区线损率进行归一化处理；步骤3：根据BP神经网络模型评估台区线损率。所述步骤1中，设台区个数为N，每个台区的台区电气特征参数为M个，N个台区样本的台区电气特征参数组成台区电气特征向量X，有：X=x11x12...x1j...x1Mx21x22...x2j...x2M............xi1xi2...xij...xiM............xN1xN2...xNj...xNM---(1)]]>其中，xij为台区电气特征向量X的第i行、第j列元素，i＝1,2,...,N，j＝1,2,...,M；对台区电气特征参数进行标准化处理，有：Zij=xij-x‾jsij---(2)]]>x‾j=1NΣi=1Nxij---(3)]]>sij=1N-1Σi=1N(xij-x‾j)2---(4)]]>其中，Zij为xij标准化处理后的量，为xij的平均值，sij为xij的方差。所述步骤2包括以下步骤：步骤2-1：构建BP神经网络模型：BP神经网络模型包括输入层、隐含层和输出层，各层之间的传递函数f(a)采用logsig函数，有：f(a)=11+e-a---(5)]]>其中，a为各层之间的传递函数f(a)的自变量，0＜f(a)＜1；步骤2-2：对台区线损率进行归一化处理：设台区线损率为d，采用式(6)对台区线损率d进行归一化处理，有：di′=αdi-dmin+βdmax-dmin+β---(6)]]>其中，di′为第i个台区的台区线损率归一化后的值，di为第i个台区的台区线损率，dmin为所有台区线损率的最小值，dmax为所有台区线损率的最大值，α、β为常数，且0.9＜α＜1，0＜β＜0.1。所述步骤3包括以下步骤：步骤3-1：利用BP神经网络模型对Zij和di′进行学习训练；步骤3-2：将台区电气特征参数代入BP神经网络模型中，计算台区线损率d。所述步骤3-1中，对于任一台区，由于每个台区的台区电气特征参数为M个，所以输入层含有M个BP神经元，于是设输入层输入向量为Zr＝(Z1,Z2,…,Zm,…,ZM)T，隐含层的输出向量为Yr＝(y1,y2,...,yp,...,yP)T，输出层的输出向量为or＝(o1,o2,...,ol,...oL)T，期望输出向量为dr＝(d1,d2,...,dl,...,dL)T，其中，T表示转置，Zm为输入层的第m个BP神经元，yp为隐含层的第p个BP神经元，ol为输出层的的第l个BP神经元，dl为第l个期望输出量，P为隐含层的BP神经元个数，L为输出层的BP神经元个数，m＝1,2,...,M，p＝1,2,...,P，l＝1,2,...,L；输入层到隐含层的权值和阈值分别为wmp和bmp，隐含层到输出层的权值和阈值分别为wpl和bpl；于是，利用BP神经网络模型对Zij和di′进行学习训练的正向传播过程如下：yp=f(Σm=1M(wmpZm+bmp))---(7)]]>ol=f(Σp=1P(wplyp+bpl))---(8)]]>输出误差e表示为：e=12Σl=1L(dl-ol)2=12Σl=1L(dl-f(Σp=1P(wplyp+bpl)))2=12Σl=1L(dl-f(Σp=1P(wplf(Σm=1M(wmpZm+bmp))+bpl)))2---(9)]]>利用BP神经网络模型对Zij和di′进行学习训练的反向传播过程如下：在第n+1次迭代过程中，e按泰勒公式展开，得到公式(10)：e(w(n+1))＝e(w(n))+gT(n)Δw(n)+0.5ΔwT(n)A(n)Δw(n)(10)其中，w(n)为第n次迭代过程中的权值，e(w(n))为第n次迭代过程中输出误差；w(n+1)为第n+1代过程中的权值，e(w(n+1))为第n+1次迭代过程中输出误差；g(n)为梯度向量，T表示转置；Δw(n)为第n+1与第n次代过程中权值的变化量，即Δw(n)＝w(n+1)-w(n)，当Δw(n)＝-A-1(n)g(n)时，e(w(n+1))取得最小值；A(n)为Hessian矩阵；采用LM算法将Hessian矩阵A(n)表示为：A(n)＝JTJ(11)其中，J为雅克比矩阵；梯度向量g(n)表示为：g(n)＝JTe(12)w(n+1)用下式修正：w(n+1)＝w(n)-[JTJ+μI]-1JTe(13)其中，I为单位向量，μ为常数；同理，第n+1代过程中的阈值b(n+1)用下式修正：b(n+1)＝b(n)-[JTJ+μI]-1JTe(14)其中，b(n)为第n代过程中的阈值。与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：1)本发明利用网络强大的自学能力、推广能力以及非线性处理能力来拟合线损率与特征参数之间复杂的非线性关系，无需建立复杂的数学模型；2)本发明提出的基于BP神经网络的台区线损率评估方法具有快速收敛、高精度等优点。3)本发明提出的基于BP神经网络的台区线损率评估方法可以评估没有实测的台区的线损率，为台区线损分析提供了技术支撑。附图说明图1是本发明实施例中基于BP神经网络的台区线损率评估方法流程图；图2是本发明实施例中BP神经网络模型结构示意图。具体实施方式下面结合附图对本发明作进一步详细说明。如图1，本发明提供一种基于BP神经网络的台区线损率评估方法，所述方法包括：步骤1：对台区电气特征参数进行标准化处理；对台区电气特征参数进行标准化处理之前，先确定台区电气特征参数；台区电气特征参数包括反映网架结构的参数和与负荷相关的参数；反映网架结构的参数包括供电半径、低压线路总长度；与负荷相关的参数包括负载率、用电性质及比例。选取某地区10个台区，各个台区的台区电气特征参数如表1：表1台区供电半径R/米低压线路总长度D/米用电性质及比例EC/％负载率L/％台区113527085.8348台区214029095.0739.42708台区312630092.7629.60417台区4132924100.0027.11694台区51451015100.003.347414台区6118826100.004.546424台区710976372.094.356545台区812285485.756.297043台区913695285.2610.95262台区10144100888.677.236223电气特征指标是作为神经网络算法的输入，也就是自变量。各参数具有不同的单位和量级，对于神经网络算法来说只区分数据数值的大小，并不能反映出数据的单位。为了更好的应用上述算法，需要消除各参数间不同单位和量级对数值的影响，防止出现“大数吃小数”的现象。而数据的标准化就是将数据按比例缩放，使之落入一个小的特定区间去除数据的单位限制，将其转化为无量纲的纯数值。设台区个数为N，每个台区的台区电气特征参数为4个，N个台区样本的台区电气特征参数组成台区电气特征向量X，有：X=x11x12x13x14x21x22x23x24............xN1xN2xN3xN4---(1)]]>用xij表示台区电气特征向量X的第i行、第j列元素，i＝1,2,...,N，j＝1,2,...,4；对台区电气特征参数进行标准化处理，有：Zij=xij-x‾jsij---(2)]]>x‾j=1NΣi=1Nxij---(3)]]>sij=1N-1Σi=1N(xij-x‾j)2---(4)]]>其中，Zij为xij标准化处理后的量，为xij的平均值，sij为xij的方差；对10个台区的电气特征参数进行标准化处理，结果如表2：表2台区供电半径R/米低压线路总长度D/米用电性质及比例EC/％负载率L/％台区1-0.78757-0.703-0.680320.989197台区2-0.75876-0.688340.5138980.662709台区3-0.83943-0.681010.2156020.288615台区4-0.80486-0.223611.1512190.193892台区5-0.72996-0.15691.151219-0.71134台区6-0.88552-0.295441.151219-0.66568台区7-0.93738-0.34162-2.45674-0.67291台区8-0.86248-0.27492-0.69093-0.59901台区9-0.78181-0.20308-0.75435-0.42171台区10-0.73572-0.16203-0.31359-0.56324步骤2：构建BP神经网络模型，并对台区线损率进行归一化处理；具体有：步骤2-1：构建BP神经网络模型：BP神经网络模型包括输入层、隐含层和输出层，各层之间的传递函数f(a)采用logsig函数，有：f(a)=11+e-a---(5)]]>其中，a为各层之间的传递函数f(a)的自变量，0＜f(a)＜1；步骤2-2：对台区线损率进行归一化处理：设台区线损率为d，采用式(6)对台区线损率d进行归一化处理，有：di′=αdi-dmin+βdmax-dmin+β---(6)]]>其中，di′为第i个台区的台区线损率归一化后的值，di为第i个台区的台区线损率，dmin为所有台区线损率的最小值，dmax为所有台区线损率的最大值，α、β为常数，且0.9＜α＜1，0＜β＜0.1，这里取α＝0.99，β＝0.01；步骤3：根据BP神经网络模型评估台区线损率，具体有：步骤3-1：利用BP神经网络模型对Zij和di′进行学习训练；BP算法的学习训练过程由信号的正向传播和误差的反向传播两个部分组成。正向传播是指输入样本从输入层输入，经过各隐含层逐层处理传向输出层。若输出层输出结果没有达到期望值，则转到误差的反向传播。误差反向传播是将输出误差以某种形式通过隐含层逐层反传，对各神经元权值和阈值进行调整。权值和阈值不断调整的过程就是网络的学习训练过程，直到误差达到预期范围或者达到设定的学习次数为止。所述步骤3-1中，如图2，对于任一台区，由于每个台区的台区电气特征参数为4个，所以输入层含有4个BP神经元，输出层含有1个BP神经元，于是设输入层输入向量为Zr＝(Z1,Z2,Z3,Z4)T，隐含层的输出向量为Yr＝(y1,y2,...,yp,...,yP)T，输出层的输出向量为or＝o1，期望输出向量为dr＝d1，其中，T表示转置，yp为隐含层的第p个BP神经元，P为隐含层的BP神经元个数，p＝1,2,...,P；输入层到隐含层的权值和阈值分别为wmp和bmp，隐含层到输出层的权值和阈值分别为wp1和bp1；于是，利用BP神经网络模型对Zij和di′进行学习训练的正向传播过程如下：yp=f(Σm=14(wmpZm+bmp))---(7)]]>o1=f(Σp=1P(wp1yp+bp1))---(8)]]>输出误差e表示为：e=12(d1-o1)2=12(d1-f(Σp=1P(wp1yp+bp1)))2=12(d1-f(Σp=1P(wp1f(Σm=14(wmpZm+bmp))+bp1)))2---(9)]]>利用BP神经网络模型对Zij和di′进行学习训练的反向传播过程如下：在第n+1次迭代过程中，e按泰勒公式展开，得到公式(10)：e(w(n+1))＝e(w(n))+gT(n)Δw(n)+0.5ΔwT(n)A(n)Δw(n)(10)其中，w(n)为第n次迭代过程中的权值，e(w(n))为第n次迭代过程中输出误差；w(n+1)为第n+1代过程中的权值，e(w(n+1))为第n+1次迭代过程中输出误差；g(n)为梯度向量，T表示转置；Δw(n)为第n+1与第n次代过程中权值的变化量，即Δw(n)＝w(n+1)-w(n)，当Δw(n)＝-A-1(n)g(n)时，e(w(n+1))取得最小值；A(n)为Hessian矩阵；采用LM算法将Hessian矩阵A(n)表示为：A(n)＝JTJ(11)其中，J为雅克比矩阵；梯度向量g(n)表示为：g(n)＝JTe(12)w(n+1)用下式修正：w(n+1)＝w(n)-[JTJ+μI]-1JTe(13)其中，I为单位向量，μ为常数；同理，第n+1代过程中的阈值b(n+1)用下式修正：b(n+1)＝b(n)-[JTJ+μI]-1JTe(14)其中，b(n)为第n代过程中的阈值。步骤3-2：将台区电气特征参数代入BP神经网络模型中，计算台区线损率d。对10个台区进行计算，台区线损率的实际值、估计值、绝对误差和相对误差如表3：表3台区实际线损率线损率估计值绝对误差相对误差台区13.063.0613770.000.05％台区24.424.3283090.092.07％台区35.225.2490340.030.56％台区44.003.9902670.010.31％台区54.004.0899780.092.18％台区64.204.2660870.071.69％台区74.104.1031870.000.02％台区84.004.0359610.040.91％台区93.994.1547290.164.09％台区104.104.084580.010.27％最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。当前第1页1 2 3