1.一种基于BP神经网络的台区线损率评估方法,其特征在于: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。
2.根据权利要求1所述的基于BP神经网络的台区线损率评估方法,其特征在于: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:
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:
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。
3.根据权利要求2所述的基于BP神经网络的台区线损率评估方法,其特征在于: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:
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:
其中,d′i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。
4.根据权利要求3所述的基于BP神经网络的台区线损率评估方法,其特征在于: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d′i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。
5.根据权利要求4所述的基于BP神经网络的台区线损率评估方法,其特征在于: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d′i进行学习训练的正向传播过程如下:
输出误差e表示为:
利用BP神经网络模型对Zij和d′i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。