CN109165764A - 一种遗传算法优化bp神经网络的线损计算方法 - Google Patents
一种遗传算法优化bp神经网络的线损计算方法 Download PDFInfo
- Publication number
- CN109165764A CN109165764A CN201810668084.4A CN201810668084A CN109165764A CN 109165764 A CN109165764 A CN 109165764A CN 201810668084 A CN201810668084 A CN 201810668084A CN 109165764 A CN109165764 A CN 109165764A
- Authority
- CN
- China
- Prior art keywords
- neural network
- line loss
- individual
- network
- genetic algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 230000002068 genetic effect Effects 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 title description 20
- 238000000034 method Methods 0.000 claims abstract description 44
- 230000035772 mutation Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 32
- 210000000349 chromosome Anatomy 0.000 claims description 31
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000004043 dyeing Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000010186 staining Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种遗传算法优化BP神经网络的线损预测方法,属于电网线损预测和机器学习技术领域。本发明首先通过电网线路获取线路特征参数,对特征参数建立BP神经网络的预测模型。然后根据BP神经网络的拓扑结构中的权值和阈值来确定个体长度,并采用实数编码,用遗传算法中选择、交叉、变异操作进化个体,最后判断收敛条件并选择最优个体;然后对BP神经网络初始化,用学习率可变的动量BP算法进一步训练网络直至收敛,利用遗传算法优化BP神经网络算法对线损进行预测;本发明预测精度提高,计算时间少,稳定性增强。因此本发明具有一定的研究意义。
Description
技术领域
本发明涉及一种遗传算法优化BP神经网络的线损计算方法,属于电网线损预测和机器学习技术领域。
背景技术
到现在为止国内已经提出不少计算线损的理论方法,均方根电流法,平均电流法,最大电流法,等值电阻法,潮流计算法等等但由于元件数量多,分布复杂且数据不易收集,工作量太大难以进行。人工神经网络作为一门边缘学科,现已渗透到各个领域,随着人工神经网络的大量开创性应用,有人也提出了将此方法应用于线损计算。BP神经网络是一种多层前馈神经网络,该网络的主要特点是信号前向传递,误差反向传播。在向前传播中,输入信号从输入层经隐含层逐层处理,直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出,则转入反向传播,根据预误差调整网络权值和阈值,从而使BP神经网络预测输出不断逼近期望输出。遗传算法优化BP神经网络算法可以优化BP审计网络的权值和阈值,使得预测结果更加精确。这个算法现在有用于混沌时间序列预测,遥感数据土地覆盖分类,变压器故障诊断,垃圾焚烧炉结渣预测,旅游景区日客流量预测,瓦斯浓度预测研究等等,但还没有用遗传算法优化BP神经网络对线损进行预测和计算的方法。
发明内容
本发明要解决的技术问题是提供一种遗传算法优化BP神经网络对线损进行预测和计算的方法,通过电力网的运行参数:电压、符合电流、功率因数、各元件的有功和无功功率,特别是负荷及负荷曲线和电力网元件参数,BP模型理论上可以映射任意复杂的非线性关系,因而适于模拟线损与特征参数间的非线性关系,能够有效地得到最优的权值和阈值,根据BP神经网络的空间拟合性映射配电线路参数与配电网线损之间的非线性关系,将最优权值和阈值带入BP神经网络对线损进行预测和计算,能够有效提高线损计算的准确率。
本发明采用的技术方案是:一种遗传算法优化BP神经网络的线损预测方法,包括如下步骤:
Step1、数据的获取和预处理,电力网线路的特征参数有配电线路的有功供电量、无功供电量、配电变压器的容量、配电线路长度、配电变压器的台数、配电线路总截断数,由电力网线路的特征参数得到训练集、预测集并对得到的训练集、预测集分别进行归一化处理,构建线损的BP神经网络进行预测;
Step2、导入待计算线损的Step1中电力网线路的特征参数,然后将线损数据分成训练数据与预测数据,训练数据训练BP神经网络,预测数据用来预测函数输出;
Step3、对种群初始化采用遗传算法进化优化:先后用选择、交叉、变异遗传操作在前代种群的基础上产生新一代种群,计算适应度值,判断遗传算法收敛条件是否满足并从所有种群中选择最优个体,该个体同时包含了BP神经网络的结构和权值及阈值的初值信息;适应度表明个体解的优劣性,将预测线损结果输出与实际线损结果输出之间的均方误差作为个体适应度评估值,计算如公式(3)所示:
式中,B为预测线损结果输出;R为实际线损结果输出;n为样本输入的数量;bi为BP神经网络的线损预测结果;ri为实际的线损结果,mse表示均方误差函数;
Step4、根据最优个体的结构、权值、阈值信息创建BP神经网络,采用归一化后的训练集数据作为BP神经网络输入输出数据,进一步训练BP神经网络直至收敛;
Step5、把遗传算法得到的最优个体赋给BP神经网络,用该网络拟合非线性函数;用遗产算法优化神经网络权值和阈值,能够更好地防止搜索陷入局部极小值,当GA误差平方和小于目标误差时,则转入BP网络继续训练,若网络训练结束,误差平方和仍不能满足要求,此时有可能陷入局部极小点,于是再转入GA法,直到网络误差平方和满足精度要求为止;
Step6、利用预测线损数据进行计算误差,将权值和阈值更新;当BP神经网络误差平方和满足精度要求时,就可以将权值和阈值更新;
Step7、BP神经网络训练后得到预测函数输出的线损值,将预测线损给供电网调度部门使用。
具体地,所述的Step1的具体步骤如下:
Step1.1、配电网线路将结构相似、运行状况相似的配电线路进行分类后,然后在每种类型的线路中任选一条线路获取特征参数,将训练集和预测集归一化处理,采用最大最小法,计算如公式(1)所示:
y=2(xk-xmin)/(xmax-xmin)-1 (1)
式中,xk为原始数据;xmin、xmax分别为原始数据的最小值、最大值;y为归一化数据,从而将样本数据归一化到[-1,1],在Matlab中自带函数mapminmax实现;
Step1.2、根据输入和输出的维数,确定BP神经网络隐层神经元数的范围以及输出层神经元数,从而形成遗传算法中的个体,对遗传算法中的个体采用实数编码方式,产生编码长度如公式(2)所示为:
S=R×S1+S1×S2+S1+S2 (2)
其中R表示输入神经元个数;S1表示隐层神经元个数,S2表示输出神经元个数;再将其分别付各层的权值和阈值,构成一个种群,遗算法以这个种群作为初始种群开始进化;实数编码方法式是指个体的每个基因用一定范围的浮点数来表示,个体的编码长度等于解决问题变量的位数。
具体地,所述的Step3的具体步骤如下:
Step3.1、GA算法选择使用轮盘赌方法进行选择染色体,基于适应度比例选择策略对每一代染色体进行选择,每个个体i的选择概率如公式(4)和(5)所示:
fi=k/Fi (4)
式中,fi为采用轮盘赌算法的个体被选择的概率;Fi为个体i的适应度值,由于适应度值越小越好,所以在个体选择前对适应度值求倒数;k为系数;pi为每个个体i的选择概率;n为种群个体数目;
Step3.2、由于个体采用实数编码,所以交叉操作方法采用实数交叉法,第K个染色体ak和第L个染色体al在j位的交叉方法如公式(6)所示:
式中,aki是第K个染色体在j位交叉后的染色体;alj是第L个染色体在j位交叉后的染色体;b是[0,1]间的随机数;akj是第k个染色体在j位交叉后的染色体;
Step3.3、变异操作,选取第i个体基因aij进行变异,变异操作如(7)公式所示:
式中,alj是第L个染色体在j位交叉后的染色体;amax为基因aij的上界;amin为基因aij的下界;f(g)=r2(1-g/Gmax);r2为一个随机数;g为当前迭代次数;Gmax为最大进化次数;r为[0,1]间的随机数。
本发明的有益效果是:
1.本发明的遗传算法优化BP神经网络的线损计算预测方法,与传统的理论线损计算方法均方根电流法、平均电流法、最大电流法、等值电阻法、潮流就算法相比较,可以映射任何的复杂非线性关系,易于进行,具有集体运算能力和自适应的学习能力,并且有很强的容错性和鲁棒性。
2.本发明的遗传算法优化BP神经网络的线损计算预测方法,充分考虑到电网参数的复杂和不易处理性,利用BP神经网络可以映射任何复杂的非线性关系,且具有空间的拟合性,模拟结果与特征参数复杂的非线性关系,通过将所建立的BP神经网络的模型参数编码,利用遗传算法的优化,得出最优的权值和阈值,综合之后,以此计算线损使得计算具有较高的可靠性。
3.本发明的遗传算法优化BP神经网络的线损计算预测方法,借助借助遗传算法的选择、交叉、变异,对较好的染色体保留,适应度差的被淘汰,最后得到最佳的BP神经网络参数,在解空间中找出一个较好的搜索空间,避免了BP神经网络陷入局部极小值。可以有效的提高线损计算的准确率。
4.本发明的遗传算法优化BP神经网络的线损计算预测方法,具有极强的学习能力和推广能力,为缺少自动化实测装置的配电网线损计算提供了新的途径。针对我国配电网络的元器件数量众多、分布复杂,原始数据不易收集等特点,BP算法简单、易行、计算量小、并行性强等优点,因此这种算法计算线损效果最好。
附图说明
图1为本发明中的总体流程图。
具体实施方法
为了更详细的描述本发明和便于本领域人员的理解,下面结合附图以及实施例对本发明做进一步的描述,本部分的实施例用于解释说明本发明,便于理解的目的,不以此来限制本发明。
实施例1:如图1所示,一种遗传算法优化BP神经网络的线损计算方法,包括如下步骤:
Step1、数据的获取和预处理,电力网线路的特征参数有配电线路的有功供电量、无功供电量、配电变压器的容量、配电线路长度、配电变压器的台数、配电线路总截断数,由电力网线路的特征参数得到训练集、预测集并对得到的训练集、预测集分别进行归一化处理,构建线损的BP神经网络进行预测;
Step1.1、配电网线路将结构相似、运行状况相似的配电线路进行分类后,然后在每种类型的线路中任选一条线路获取特征参数,将训练集和预测集归一化处理,采用最大最小法,计算如公式(1)所示:
y=2(xk-xmin)/(xmax-xmin)-1 (1)
式中,xk为原始数据;xmin、xmax分别为原始数据的最小值、最大值;y为归一化数据,从而将样本数据归一化到[-1,1],在Matlab中自带函数mapminmax实现;
Step1.2、根据自变量和因变量(输入和输出)的维数,确定BP神经网络隐层神经元数的范围以及输出层神经元数,从而形成遗传算法中的个体,对遗传算法中的个体采用实数编码方式,产生编码长度如公式(2)所示为:
S=R×S1+S1×S2+S1+S2 (2)
其中R表示输入神经元个数;S1表示隐层神经元个数,S2表示输出神经元个数;再将其分别付各层的权值和阈值,构成一个种群,遗算法以这个种群作为初始种群开始进化;
实数编码适合遗传算法的范围较大精度要求很高的情况,非常适合大空间搜索及处理的问题的决策量的约束条件比较复杂的情况。因此改善了遗传算法的计算复杂性等。实数编码方法是指个体的每个基因用一定范围的浮点数来表示,个体的编码长度等于解决问题变量的位数;
Step2、导入待计算线损的线路的特征参数如配电线路的有功供电量、无功供电量,配电变压器的容量,配电线路长度,配电变压器的台数,配电线路总截断数等,然后将线损数据分成训练数据与预测数据.训练数据训练BP神经网络,预测数据用来预测函数输出;
Step2.1、将配电网内的线路分类,如果对配电网内的所有配电线路都安装负荷测试仪以获得准确的线损值,将需要大量的资金。因此有必要对配电网内的配电线路进行分类,然后在每种类型的线路中任选一条线路进行实测工作。将这些有实测线损值的线路作为样本,应用GA优化BP网络就可以建立一个线损计算的模型;
Step2.2、对于特征参数完全相同的线路,如果将线损样本用BP神经网络直接进行训练,发现训练到一定精度后权值和阈值几乎不再变化,训练不到较高的精度,GA优化BP网络来拟合影响线损的特征参数与线损之间的复杂关系,避免凭经验选取参数的弊端,建立适于配电网的高精度、高速度的线损计算模型,线损线路的特征参数通过模型输出结果;
Step3、输入归一化后的线损特征参数,对线损数据进行预处理,然后经过BP神经网络训练得到的误差作为适应度评估,适应度表明个体解的优劣性,将预测函数结果输出与预测数据之间的均方误差作为个体适应度评估值,计算如公式(3)所示:
式中,B为预测线损结果输出;R为实际线损结果输出;n为样本输入的数量;bi为BP神经网络的线损预测结果;ri为实际的线损结果,mse表示均方误差函数;
Step3.1、GA算法选择使用轮盘赌方法进行选择染色体,基于适应度比例选择策略对每一代染色体进行选择,每个个体i的选择概率如公式(4)和(5)所示:
fi=k/Fi (4)
式中,fi为采用轮盘赌算法的个体被选择的概率;Fi为个体i的适应度值,由于适应度值越小越好,所以在个体选择前对适应度值求倒数;k为系数;pi为每个个体i的选择概率;n为种群个体数目;
Step3.2、由于个体采用实数编码,所以交叉操作方法采用实数交叉法,第K个染色体ak和第L个染色体al在j位的交叉方法如公式(6)所示:
式中,aki是第K个染色体在j位交叉后的染色体;alj是第L个染色体在j位交叉后的染色体;b是[0,1]间的随机数;akj是第k个染色体在j位交叉后的染色体;
Step3.3、变异操作,选取第i个体基因aij进行变异,变异操作如(7)公式所示:
式中,alj是第L个染色体在j位交叉后的染色体;amax为基因aij的上界;amin为基因aij的下界;f(g)=r2(1-g/Gmax);r2为一个随机数;g为当前迭代次数;Gmax为最大进化次数;r为[0,1]间的随机数;
Step4、根据最优个体的结构、权值、阈值信息创建BP神经网络,采用归一化后的训练集数据作为BP神经网络输入输出数据,进一步训练BP神经网络直至收敛;
Step5、把遗传算法得到的最优个体赋给BP神经网络,用该网络拟合非线性函数;用遗产算法优化神经网络权值和阈值,能够更好地防止搜索陷入局部极小值。当GA误差平方和小于目标误差时,则转入BP网络继续训练。若网络训练结束,误差平方和仍不能满足要求,此时有可能陷入局部极小点,于是再转入GA法,直到网络误差平方和满足精度要求为止;
Step6、利用预测线损数据进行计算误差,将权值和阈值更新;当BP神经网络误差平方和满足精度要求时,就可以将权值和阈值更新;
Step7、BP神经网络训练后得到预测函数输出的限线损值,通过线损值有效分析线损,采取有效措施减少线损,很大程度上提高了线损计算精度,针对线损计算结果进行分析,对电网的电能损耗采取有效措施,提高电网的经济效益减少电能损耗。
本发明将遗传算法和BP神经网络结合起来来计算线损,利用遗传算法来计算出BP神经网络的最优权值和阈值,根据BP神经网络空间拟合性映射配电线路参数与配电网线损之间的非线性关系,最终确定BP神经网络的结构参数,建立线损计算的模型,能够比较精确的线损理论计算。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (3)
1.一种遗传算法优化BP神经网络的线损预测方法,其特征在于:包括如下步骤:
Step1、数据的获取和预处理,电力网线路的特征参数有配电线路的有功供电量、无功供电量、配电变压器的容量、配电线路长度、配电变压器的台数、配电线路总截断数,由电力网线路的特征参数得到训练集、预测集并对得到的训练集、预测集分别进行归一化处理,构建线损的BP神经网络进行预测;
Step2、导入待计算线损的Step1中电力网线路的特征参数,然后将线损数据分成训练数据与预测数据,训练数据训练BP神经网络,预测数据用来预测函数输出;
Step3、对种群初始化采用遗传算法进化优化:先后用选择、交叉、变异遗传操作在前代种群的基础上产生新一代种群,计算适应度值,判断遗传算法收敛条件是否满足并从所有种群中选择最优个体,该个体同时包含了BP神经网络的结构和权值及阈值的初值信息;适应度表明个体解的优劣性,将预测线损结果输出与实际线损结果输出之间的均方误差作为个体适应度评估值,计算如公式(3)所示:
式中,B为预测线损结果输出;R为实际线损结果输出;n为样本输入的数量;bi为BP神经网络的线损预测结果;ri为实际的线损结果,mse表示均方误差函数;
Step4、根据最优个体的结构、权值、阈值信息创建BP神经网络,采用归一化后的训练集数据作为BP神经网络输入输出数据,进一步训练BP神经网络直至收敛;
Step5、把遗传算法得到的最优个体赋给BP神经网络,用该网络拟合非线性函数;用遗产算法优化神经网络权值和阈值,能够更好地防止搜索陷入局部极小值,当GA误差平方和小于目标误差时,则转入BP网络继续训练,若网络训练结束,误差平方和仍不能满足要求,此时有可能陷入局部极小点,于是再转入GA法,直到网络误差平方和满足精度要求为止;
Step6、利用预测线损数据进行计算误差,将权值和阈值更新;当BP神经网络误差平方和满足精度要求时,就可以将权值和阈值更新;
Step7、BP神经网络训练后得到预测函数输出的线损值,将预测线损给供电网调度部门使用。
2.根据权利要求1所述的一种遗传算法优化BP神经网络的线损预测方法,其特征在于:所述的Step1的具体步骤如下:
Step1.1、配电网线路将结构相似、运行状况相似的配电线路进行分类后,然后在每种类型的线路中任选一条线路获取特征参数,将训练集和预测集归一化处理,采用最大最小法,计算如公式(1)所示:
y=2(xk-xmin)/(xmax-xmin)-1 (1)
式中,xk为原始数据;xmin、xmax分别为原始数据的最小值、最大值;y为归一化数据,从而将样本数据归一化到[-1,1],在Matlab中自带函数mapminmax实现;
Step1.2、根据输入和输出的维数,确定BP神经网络隐层神经元数的范围以及输出层神经元数,从而形成遗传算法中的个体,对遗传算法中的个体采用实数编码方式,产生编码长度如公式(2)所示为:
S=R×S1+S1×S2+S1+S2 (2)
其中R表示输入神经元个数;S1表示隐层神经元个数,S2表示输出神经元个数;再将其分别付各层的权值和阈值,构成一个种群,遗算法以这个种群作为初始种群开始进化;实数编码方法式是指个体的每个基因用一定范围的浮点数来表示,个体的编码长度等于解决问题变量的位数。
3.根据权利要求1所述的一种遗传算法优化BP神经网络的线损预测方法,其特征在于:所述的Step3的具体步骤如下:
Step3.1、GA算法选择使用轮盘赌方法进行选择染色体,基于适应度比例选择策略对每一代染色体进行选择,每个个体i的选择概率如公式(4)和(5)所示:
fi=k/Fi (4)
式中,fi为采用轮盘赌算法的个体被选择的概率;Fi为个体i的适应度值,由于适应度值越小越好,所以在个体选择前对适应度值求倒数;k为系数;pi为每个个体i的选择概率;n为种群个体数目;
Step3.2、由于个体采用实数编码,所以交叉操作方法采用实数交叉法,第K个染色体ak和第L个染色体al在j位的交叉方法如公式(6)所示:
式中,aki是第K个染色体在j位交叉后的染色体;alj是第L个染色体在j位交叉后的染色体;b是[0,1]间的随机数;akj是第k个染色体在j位交叉后的染色体;
Step3.3、变异操作,选取第i个体基因aij进行变异,变异操作如(7)公式所示:
式中,alj是第L个染色体在j位交叉后的染色体;amax为基因aij的上界;amin为基因aij的下界;f(g)=r2(1-g/Gmax);r2为一个随机数;g为当前迭代次数;Gmax为最大进化次数;r为[0,1]间的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810668084.4A CN109165764A (zh) | 2018-06-26 | 2018-06-26 | 一种遗传算法优化bp神经网络的线损计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810668084.4A CN109165764A (zh) | 2018-06-26 | 2018-06-26 | 一种遗传算法优化bp神经网络的线损计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109165764A true CN109165764A (zh) | 2019-01-08 |
Family
ID=64897285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810668084.4A Pending CN109165764A (zh) | 2018-06-26 | 2018-06-26 | 一种遗传算法优化bp神经网络的线损计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165764A (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871622A (zh) * | 2019-02-25 | 2019-06-11 | 燕山大学 | 一种基于深度学习的低压台区线损计算方法及系统 |
CN109902808A (zh) * | 2019-02-28 | 2019-06-18 | 华南理工大学 | 一种基于浮点数位变异遗传算法优化卷积神经网络的方法 |
CN109948464A (zh) * | 2019-02-28 | 2019-06-28 | 江苏理工学院 | 一种基于改进后bp神经网络车道线识别方法 |
CN110059821A (zh) * | 2019-03-19 | 2019-07-26 | 埃睿迪信息技术(北京)有限公司 | 神经网络优化方法、装置、计算机设备及存储介质 |
CN110069805A (zh) * | 2019-01-18 | 2019-07-30 | 湖南大学 | 基于hpso和ga-bp算法的螺旋电感优化方法 |
CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
CN110309616A (zh) * | 2019-07-09 | 2019-10-08 | 精英数智科技股份有限公司 | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 |
CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
CN110909934A (zh) * | 2019-11-20 | 2020-03-24 | 齐鲁工业大学 | 一种基于机器学习的模拟预测低压线损的方法 |
CN111126560A (zh) * | 2019-11-07 | 2020-05-08 | 云南民族大学 | 一种基于云遗传算法优化bp神经网络的方法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111291518A (zh) * | 2020-01-21 | 2020-06-16 | 上海电气集团股份有限公司 | 一种基于bp神经网络的破碎机刀具磨损程度判断方法 |
CN111353313A (zh) * | 2020-02-25 | 2020-06-30 | 四川翼飞视科技有限公司 | 基于进化神经网络架构搜索的情感分析模型构建方法 |
CN112100918A (zh) * | 2020-09-15 | 2020-12-18 | 中国人民解放军陆军装甲兵学院 | 火炮身管烧蚀磨损量的ga-bp预测模型研究方法 |
CN112100927A (zh) * | 2020-09-24 | 2020-12-18 | 湖南工业大学 | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 |
CN112149796A (zh) * | 2020-08-13 | 2020-12-29 | 江苏大学 | 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 |
CN112329328A (zh) * | 2020-07-07 | 2021-02-05 | 广东电网有限责任公司 | 一种基于cso优化神经网络的变压器损耗计算方法 |
CN112327098A (zh) * | 2020-10-28 | 2021-02-05 | 江苏方天电力技术有限公司 | 基于低压配网综合监测单元的配电网故障区段定位方法 |
CN112347573A (zh) * | 2020-09-30 | 2021-02-09 | 哈尔滨理工大学 | 针对电机线棒表面电场的多因素高效优化设计方法 |
CN112580174A (zh) * | 2020-12-11 | 2021-03-30 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于遗传算法优化神经网络的配电网线损率计算方法 |
CN112649642A (zh) * | 2020-12-14 | 2021-04-13 | 广东电网有限责任公司广州供电局 | 一种窃电位置判断方法、装置、设备和存储介质 |
CN112906957A (zh) * | 2021-02-05 | 2021-06-04 | 东北大学秦皇岛分校 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
CN113139596A (zh) * | 2021-04-20 | 2021-07-20 | 武汉理工大学 | 低压台区线损神经网络的优化算法 |
CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统 |
CN113270865A (zh) * | 2021-05-24 | 2021-08-17 | 云南电网有限责任公司瑞丽供电局 | 一种基于混沌遗传的电压质量优化治理方法 |
CN113743003A (zh) * | 2021-08-24 | 2021-12-03 | 广东电网有限责任公司广州供电局 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
CN113780775A (zh) * | 2021-08-30 | 2021-12-10 | 国网浙江省电力有限公司 | 一种电网理论线损计算结果评价方法及系统 |
CN115616472A (zh) * | 2022-11-30 | 2023-01-17 | 北京志翔科技股份有限公司 | 电能表误差模型的参数优化、误差确定方法及装置 |
CN115762685A (zh) * | 2022-12-02 | 2023-03-07 | 浙江大学 | 一种降低异种材料界面声学传递损失的透声层及优化方法 |
CN115935828A (zh) * | 2023-01-05 | 2023-04-07 | 北京志翔科技股份有限公司 | 电能表线损模型参数的确定方法、装置及电子设备 |
CN117725446A (zh) * | 2024-02-07 | 2024-03-19 | 南昌大学 | 基于ga-bp的sofc电堆性能衰减预测方法及系统 |
CN117852611A (zh) * | 2024-03-07 | 2024-04-09 | 哈尔滨工业大学(威海) | 一种电离层f2层最大高度预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059154A1 (en) * | 2000-04-24 | 2002-05-16 | Rodvold David M. | Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms |
CN103077267A (zh) * | 2012-12-28 | 2013-05-01 | 电子科技大学 | 一种基于改进bp神经网络的参量声源建模方法 |
CN104951834A (zh) * | 2015-06-24 | 2015-09-30 | 上海大学 | 基于遗传算法和粒子群集成的lssvm风速预测方法 |
CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和系统 |
CN107622319A (zh) * | 2016-07-14 | 2018-01-23 | 上海电气分布式能源科技有限公司 | 一种微电网功率预测方法 |
-
2018
- 2018-06-26 CN CN201810668084.4A patent/CN109165764A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020059154A1 (en) * | 2000-04-24 | 2002-05-16 | Rodvold David M. | Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms |
CN103077267A (zh) * | 2012-12-28 | 2013-05-01 | 电子科技大学 | 一种基于改进bp神经网络的参量声源建模方法 |
CN104951834A (zh) * | 2015-06-24 | 2015-09-30 | 上海大学 | 基于遗传算法和粒子群集成的lssvm风速预测方法 |
CN107622319A (zh) * | 2016-07-14 | 2018-01-23 | 上海电气分布式能源科技有限公司 | 一种微电网功率预测方法 |
CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和系统 |
Non-Patent Citations (2)
Title |
---|
李松 等: "遗传算法优化BP神经网络的混沌时间序列预测", 《计算机工程与应用》 * |
辛开远 等: "计算配电网线损的GA与BP结合的新方法", 《中国电机工程学报》 * |
Cited By (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110069805A (zh) * | 2019-01-18 | 2019-07-30 | 湖南大学 | 基于hpso和ga-bp算法的螺旋电感优化方法 |
CN109871622A (zh) * | 2019-02-25 | 2019-06-11 | 燕山大学 | 一种基于深度学习的低压台区线损计算方法及系统 |
CN109902808A (zh) * | 2019-02-28 | 2019-06-18 | 华南理工大学 | 一种基于浮点数位变异遗传算法优化卷积神经网络的方法 |
CN109948464A (zh) * | 2019-02-28 | 2019-06-28 | 江苏理工学院 | 一种基于改进后bp神经网络车道线识别方法 |
CN109902808B (zh) * | 2019-02-28 | 2023-09-26 | 华南理工大学 | 一种基于浮点数位变异遗传算法优化卷积神经网络的方法 |
CN109948464B (zh) * | 2019-02-28 | 2023-07-11 | 江苏理工学院 | 一种基于改进后bp神经网络车道线识别方法 |
CN110059821A (zh) * | 2019-03-19 | 2019-07-26 | 埃睿迪信息技术(北京)有限公司 | 神经网络优化方法、装置、计算机设备及存储介质 |
CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
CN110135019A (zh) * | 2019-04-26 | 2019-08-16 | 广东工业大学 | 一种电力电缆损耗及线芯温度预测方法 |
CN110309616A (zh) * | 2019-07-09 | 2019-10-08 | 精英数智科技股份有限公司 | 构建瓦斯浓度预测模型的方法、装置、系统及存储介质 |
CN110765700A (zh) * | 2019-10-21 | 2020-02-07 | 国家电网公司华中分部 | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 |
CN111126560A (zh) * | 2019-11-07 | 2020-05-08 | 云南民族大学 | 一种基于云遗传算法优化bp神经网络的方法 |
CN110909934B (zh) * | 2019-11-20 | 2020-11-13 | 齐鲁工业大学 | 一种基于机器学习的模拟预测低压线损的方法 |
CN110909934A (zh) * | 2019-11-20 | 2020-03-24 | 齐鲁工业大学 | 一种基于机器学习的模拟预测低压线损的方法 |
CN111160520A (zh) * | 2019-12-06 | 2020-05-15 | 南京理工大学 | 一种基于遗传算法优化的bp神经网络风速预测方法 |
CN111291518A (zh) * | 2020-01-21 | 2020-06-16 | 上海电气集团股份有限公司 | 一种基于bp神经网络的破碎机刀具磨损程度判断方法 |
CN111291518B (zh) * | 2020-01-21 | 2024-04-09 | 上海电气集团股份有限公司 | 一种基于bp神经网络的破碎机刀具磨损程度判断方法 |
CN111353313A (zh) * | 2020-02-25 | 2020-06-30 | 四川翼飞视科技有限公司 | 基于进化神经网络架构搜索的情感分析模型构建方法 |
CN112329328A (zh) * | 2020-07-07 | 2021-02-05 | 广东电网有限责任公司 | 一种基于cso优化神经网络的变压器损耗计算方法 |
CN112149796A (zh) * | 2020-08-13 | 2020-12-29 | 江苏大学 | 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法 |
CN112100918A (zh) * | 2020-09-15 | 2020-12-18 | 中国人民解放军陆军装甲兵学院 | 火炮身管烧蚀磨损量的ga-bp预测模型研究方法 |
CN112100927A (zh) * | 2020-09-24 | 2020-12-18 | 湖南工业大学 | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 |
CN112347573A (zh) * | 2020-09-30 | 2021-02-09 | 哈尔滨理工大学 | 针对电机线棒表面电场的多因素高效优化设计方法 |
CN112327098A (zh) * | 2020-10-28 | 2021-02-05 | 江苏方天电力技术有限公司 | 基于低压配网综合监测单元的配电网故障区段定位方法 |
CN112580174A (zh) * | 2020-12-11 | 2021-03-30 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于遗传算法优化神经网络的配电网线损率计算方法 |
CN112649642A (zh) * | 2020-12-14 | 2021-04-13 | 广东电网有限责任公司广州供电局 | 一种窃电位置判断方法、装置、设备和存储介质 |
CN112906957A (zh) * | 2021-02-05 | 2021-06-04 | 东北大学秦皇岛分校 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
CN113139596A (zh) * | 2021-04-20 | 2021-07-20 | 武汉理工大学 | 低压台区线损神经网络的优化算法 |
CN113270865A (zh) * | 2021-05-24 | 2021-08-17 | 云南电网有限责任公司瑞丽供电局 | 一种基于混沌遗传的电压质量优化治理方法 |
CN113270865B (zh) * | 2021-05-24 | 2023-05-12 | 云南电网有限责任公司瑞丽供电局 | 一种基于混沌遗传的电压质量优化治理方法 |
CN113255887A (zh) * | 2021-05-25 | 2021-08-13 | 上海机电工程研究所 | 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统 |
CN113743003A (zh) * | 2021-08-24 | 2021-12-03 | 广东电网有限责任公司广州供电局 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
CN113743003B (zh) * | 2021-08-24 | 2023-01-17 | 广东电网有限责任公司广州供电局 | 考虑温度、湿度影响的高压线路对地电场强度计算方法 |
CN113780775A (zh) * | 2021-08-30 | 2021-12-10 | 国网浙江省电力有限公司 | 一种电网理论线损计算结果评价方法及系统 |
CN115616472A (zh) * | 2022-11-30 | 2023-01-17 | 北京志翔科技股份有限公司 | 电能表误差模型的参数优化、误差确定方法及装置 |
CN115762685A (zh) * | 2022-12-02 | 2023-03-07 | 浙江大学 | 一种降低异种材料界面声学传递损失的透声层及优化方法 |
CN115762685B (zh) * | 2022-12-02 | 2023-07-28 | 浙江大学 | 一种降低异种材料界面声学传递损失的透声层及优化方法 |
CN115935828A (zh) * | 2023-01-05 | 2023-04-07 | 北京志翔科技股份有限公司 | 电能表线损模型参数的确定方法、装置及电子设备 |
CN117725446A (zh) * | 2024-02-07 | 2024-03-19 | 南昌大学 | 基于ga-bp的sofc电堆性能衰减预测方法及系统 |
CN117725446B (zh) * | 2024-02-07 | 2024-05-14 | 南昌大学 | 基于ga-bp的sofc电堆性能衰减预测方法及系统 |
CN117852611A (zh) * | 2024-03-07 | 2024-04-09 | 哈尔滨工业大学(威海) | 一种电离层f2层最大高度预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109165764A (zh) | 一种遗传算法优化bp神经网络的线损计算方法 | |
CN102629106B (zh) | 供水控制方法及系统 | |
Rejc et al. | Short-term transmission-loss forecast for the slovenian transmission power system based on a fuzzy-logic decision approach | |
Cinar et al. | Development of future energy scenarios with intelligent algorithms: case of hydro in Turkey | |
CN107909220A (zh) | 一种电采暖负荷预测方法 | |
CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN108197744A (zh) | 一种光伏发电功率的确定方法及系统 | |
CN107706932B (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
CN103577679A (zh) | 一种低压台区理论线损实时计算方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN106130066B (zh) | 一种用于独立微电网系统的多目标鲁棒频率控制方法 | |
CN109615169A (zh) | 一种基于MEA-IElman神经网络的配电网可靠性评估方法 | |
CN110443418A (zh) | 基于ga-bp神经网络的城市用水量预测方法 | |
CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
CN109118020A (zh) | 一种地铁车站能耗短期预测方法及其预测系统 | |
CN108564205A (zh) | 一种基于实测数据的负荷模型及参数辨识优化方法 | |
CN108090629A (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
CN116914751B (zh) | 一种智能配电控制系统 | |
CN104820877A (zh) | 基于云自适应pso-snn的光伏系统发电功率预测方法 | |
CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
CN109346177A (zh) | 一种基于改进ga-bp算法的疾病症状数量预测方法 | |
Tasre et al. | Daily peak load forecasting using ANN | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN104268802B (zh) | 采用神经网络模型确定城市居民小区用电需用系数的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
RJ01 | Rejection of invention patent application after publication |