CN109858799B - 主动配电网改造措施与线路重载率关联性挖掘方法及装置 - Google Patents

Abstract

本发明涉及一种主动配电网改造措施与线路重载率关联性挖掘方法及装置，该方法包括：输入分布式电源出力、电力负荷数据和对应的线路重载率作为样本数据，统计分析样本数据的性质和相互之间的数据关系，得到不同节点注入功率与线路重载率之间定性的信息对应关系；利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，得到基于BP神经网络的不同改造措施下的线路重载率评估模型。该方法及装置有利于估计不同配电网改造措施场景下的线路重载率，并提高计算效率。

Description

主动配电网改造措施与线路重载率关联性挖掘方法及装置

技术领域

本发明涉及电网建设改造技术领域，特别是一种主动配电网改造措施与线路重载率关联性挖掘方法及装置。

背景技术

“2015智能电力系统峰会”已提出主动配电网是配电网未来的发展方向。为了有效解决当前供电可靠性不足和提高电能质量，配电网结构已变得越来越复杂，未来配电网的发展将大步向主动配电网迈进。主动配电网具有一定比例的分布式可控资源，且网络拓扑结构灵活，可调性大，具有较为完善的可控可观能力。但随着主动配电网中风电、光伏等分布式能源渗透率增大，其出力的间歇性和波动性给电网的安全运行带来极大影响，因此实现清洁能源的高效利用且灵活控制潮流分布，保证电网运行安全十分必要。传统配电网结构将越来越难以适应分布式电源、储能装置、柔性负荷接入配电网，为保证高电能质量、高运行可靠性、高渗透率清洁能源，实现电网自愈和互动，对配电网结构进行改造，确定配电网优化投资决策也将势在必行。

大数据分析是实现主动配电网的技术支持，利用数据挖掘技术分析主动配电网改造措施与线路重载率的关联性，可通过输入数据直接得到结果，有利于主动配电网的优化投资决策，避免了传统分析方法中进行潮流计算的繁琐与复杂。数据挖掘利用了人工智能和统计分析的优点，基于统计分析方法学，利用计算机强大的计算能力完成相应的功能，如今数据挖掘算法主要有决策树算法、贝叶斯分类算法、神经网络算法等。决策树算法需要创建复杂的树而出现过拟合现象，此外决策树算法的结果可能不稳定，因为很小的数据变化会引起生成完全不同的树。贝叶斯分类算法在属性个数比较多或属性之间相关性较大时分类效果不好。神经网络算法分类的准确度高，并行分布处理能力强，分布存储及学习能力强，能充分逼近复杂的非线性关系，相比来说更加适合于挖掘配电网改造措施与线路重载率的关联性。

发明内容

本发明的目的在于提供一种主动配电网改造措施与线路重载率关联性挖掘方法及装置，该方法及装置有利于估计不同配电网改造措施场景下的线路重载率，并提高计算效率。

为实施上述目的，本发明的技术方案是：一种主动配电网改造措施与线路重载率关联性挖掘方法，包括：输入分布式电源出力、电力负荷数据和对应的线路重载率作为样本数据，统计分析样本数据的性质和相互之间的数据关系，得到不同节点注入功率与线路重载率之间定性的信息对应关系；利用BP神经网络的非线性映射能力构建配电网改造措施与线路重载率之间的直接映射，以样本数据作为训练样本，对BP神经网络进行训练，得到基于BP神经网络的不同改造措施下的线路重载率评估模型；最后采用遗传算法对BP神经网络进行参数寻优，得到更准确的线路重载率评估模型。

进一步地，将已有电网网架下的分布式电源出力和电力负荷与对应的线路重载率作为训练BP神经网络的样本数据，根据技术投资路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网线路重载率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与线路重载率之间的直接映射；

BP神经网络的输入与输出之间的关系如下：

其中，x_i为已知网架结构下的电力负荷和分布式电源出力，h_j为隐含层输出，y_k为输出的线路重载率，w_ij和θ_ij分别为输入层到隐含层的权值和阈值，ν_jk和r_jk分别为隐含层到输出层的权值和阈值；n表示输入数据x_i的个数，p表示隐含层的个数，m表示输出数据y_k的个数；f₁[]表示设定的输入数据x_i与隐含层输出h_j之间的关系函数，f₂[]表示设定的隐含层输出h_j与线路重载率y_k之间的关系函数；

误差反向传播过程如下：

其中，e为输出层输出的线路重载率与实际数值的差值，d_k为误差允许范围内的输出的线路重载率，

和

分别为权值和阈值的调整量，η为学习率。

进一步地，采用遗传算法对BP神经网络进行参数寻优，利用遗传算法优化BP神经网络的数学模型如下：

s.t.w∈R^n×p,v∈R^p×m,θ∈R^n×p,r∈R^p×m

其中，E为输出的线路重载率与实际数值的差值，

为误差允许范围内的输出的线路重载率，y_k为神经网络输出层输出的线路重载率；利用遗传算法对所述二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小。

进一步地，利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，包括以下步骤：

(1)初始化参数，包括BP神经网络结构和各层权值、阈值；

(2)建立BP神经网络，确定学习模式；

(3)输入一个网架结构下的分布式电源出力、电力负荷和相应的线路重载率数值作为样本数据；

(4)利用BP神经网络进行训练得到输出层各神经元的校正误差；

(5)根据校正误差调整BP神经网络隐含层到输出层之间的权值和阈值；

(6)更新学习模式；

(7)循环步骤(1)～(6)直至所有样本数据均参与训练学习；

(8)更新学习次数，重复步骤(1)～(7)直至全局误差满足要求，训练结束得到BP神经网络，从而建立配电网改造措施与线路重载率二者之间的关联性。

本发明还提供了一种主动配电网改造措施与线路重载率关联性挖掘装置，包括：

样本获取单元，用于输入分布式电源出力、电力负荷数据和对应的线路重载率作为样本数据，统计分析样本数据相互之间的数据关系，得到不同节点注入功率与线路重载率之间的对应关系；以及

处理单元，用于利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，得到基于BP神经网络的不同改造措施下的线路重载率评估模型。

进一步地，所述处理单元将已有电网网架下的分布式电源出力和电力负荷与对应的线路重载率作为训练BP神经网络的样本数据，根据技术投资路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网线路重载率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与线路重载率之间的直接映射；

BP神经网络的输入与输出之间的关系如下：

其中，x_i为已知网架结构下的电力负荷和分布式电源出力，h_j为隐含层输出，y_k为输出的线路重载率，w_ij和θ_ij分别为输入层到隐含层的权值和阈值，ν_jk和r_jk分别为隐含层到输出层的权值和阈值；n表示输入数据x_i的个数，p表示隐含层的个数，m表示输出数据y_k的个数；f₁[]表示设定的输入数据x_i与隐含层输出h_j之间的关系函数，f₂[]表示设定的隐含层输出h_j与线路重载率y_k之间的关系函数；

误差反向传播过程如下：

其中，e为输出层输出的线路重载率与实际数值的差值，d_k为误差允许范围内的输出的线路重载率，

和

分别为权值和阈值的调整量，η为学习率。

进一步地，所述处理单元还用于在得到基于BP神经网络的不同改造措施下的线路重载率评估模型后，采用遗传算法对BP神经网络进行参数寻优，得到更准确的线路重载率评估模型；利用遗传算法优化BP神经网络的数学模型如下：

s.t.w∈R^n×p,v∈R^p×m,θ∈R^n×p,r∈R^p×m

其中，E为输出的线路重载率与实际数值的差值，

为误差允许范围内的输出的线路重载率，y_k为神经网络输出层输出的线路重载率；利用遗传算法对所述二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小。

进一步地，所述处理单元利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，包括以下步骤：

(1)初始化参数，包括BP神经网络结构和各层权值、阈值；

(2)建立BP神经网络，确定学习模式；

(3)输入一个网架结构下的分布式电源出力、电力负荷和相应的线路重载率数值作为样本数据；

(4)利用BP神经网络进行训练得到输出层各神经元的校正误差；

(5)根据校正误差调整BP神经网络隐含层到输出层之间的权值和阈值；

(6)更新学习模式；

(7)循环步骤(1)～(6)直至所有样本数据均参与训练学习；

(8)更新学习次数，重复步骤(1)～(7)直至全局误差满足要求，训练结束得到BP神经网络，从而建立配电网改造措施与线路重载率二者之间的关联性。

相较于现有技术，本发明的有益效果是：该方法及装置在发现问题潜在规律和提高计算效率等方面具有较大优势，不仅可以避免复杂的潮流计算过程，并且可以有效地提升计算效率。以线路重载率和改造措施构成训练样本集，通过对样本数据的离线学习，可得到相应的关联关系模型。在实际应用中，当给定资源配置指标时，神经网络模型能快速给出相应线路重载率的结果，作为后续配电网投资决策模型的约束条件。此外，通过基于GA的BP神经网络阈值与权值优化，BP神经网络的收敛性也得到了较大提升。

附图说明

图1是本发明实施例的方法中BP神经网络的结构示意图。

图2是本发明实施例的方法中基于BP神经网络的线路重载率评估模型示意图。

图3是本发明实施例的方法中基于BP神经网络的配电网改造措施与线路重载率关联性的挖掘流程示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步说明。

本发明提供一种主动配电网改造措施与线路重载率关联性挖掘方法，包括：输入大量的分布式电源出力、电力负荷数据和对应的线路重载率作为样本数据，利用人工智能对人的思维的信息过程的模拟和统计分析样本数据的性质和相互之间的数据关系，配合计算机强大的数据计算能力，得到不同节点注入功率与线路重载率之间的信息对应关系。

然后，利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，得到基于BP神经网络的不同改造措施下的线路重载率评估模型，模型结构如图2所示。

为提高BP神经网络找到配电网改造措施与线路重载率之间关联规律的速度和效率，采用遗传算法对BP神经网络进行参数寻优，解决构建模型时初始权值确定及BP算法收敛慢等问题，得到更准确的线路重载率评估模型。

本发明中，将已有电网网架下的分布式电源出力和电力负荷与对应的线路重载率作为训练BP神经网络的样本数据，根据技术投资路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置等各类因素层指标，从统计分析和数据学习的角度推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网线路重载率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与线路重载率之间的直接映射。

BP神经网络是一种基于误差反向传播算法的多层前馈神经网络，具有良好的非线性映射能力，可以学习和自适应未知信息。在BP神经网络学习过程中，首先初始化网络结构和权值，再将输入层信号正向传播产生结果，根据逆向传播至隐含层的误差信号调整权值，当误差小于给定值或达到迭代次数则停止学习。

图1是本发明实施例中BP神经网络结构示意图。参考图1，BP神经网络的输入与输出之间的关系如下：

BP神经网络的输入与输出之间的关系如下：

其中，x_i为已知网架结构下的电力负荷和分布式电源出力，h_j为隐含层输出，y_k为输出的线路重载率，w_ij和θ_ij分别为输入层到隐含层的权值和阈值，ν_jk和r_jk分别为隐含层到输出层的权值和阈值；n表示输入数据x_i的个数，p表示隐含层的个数，m表示输出数据y_k的个数；f₁[]表示设定的输入数据x_i与隐含层输出h_j之间的关系函数，f₂[]表示设定的隐含层输出h_j与线路重载率y_k之间的关系函数；

误差反向传播过程如下：

其中，e为输出层输出的线路重载率与实际数值的差值，d_k为误差允许范围内的输出的线路重载率，

和

分别为权值和阈值的调整量，η为学习率，是影响算法收敛速度的重要因素之一。

本发明中，采用遗传算法对BP神经网络进行参数寻优，可以提升神经网络的学习效率，提高估计精度。遗传算法是一种模拟生物遗传选择和物种优胜劣汰进化过程的计算模型，其主要特点是群体搜索策略与群体中个体之间的信息交互，搜索不依赖于梯度信息，具有较强的问题解决能力和广泛适应性。

利用遗传算法优化BP神经网络的数学模型如下：

s.t.w∈R^n×p,v∈R^p×m,θ∈R^n×p,r∈R^p×m

其中，E为输出的线路重载率与实际数值的差值，

为误差允许范围内的输出的线路重载率，y_k为神经网络输出层输出的线路重载率。

利用遗传算法对上述二次非线性优化问题进行求解，可得到神经网络各参数值，同时满足输出误差最小。其具体流程如下：

步骤1：获取样本数据，初步训练确定网络各参数的基本解空间；

步骤2：定义如下适应度函数：

以其最大值作为优化过程中的目标函数，则有：

max F(w,v,θ,r)

s.t.w∈R^n×p,v∈R^p×m,θ∈R^n×p,r∈R^p×m

步骤3：对基本解空间进行编码，编码生成的码串包含了控制隐含层节点个数的控制码部分，以及控制网络权值和阈值的权重系数码部分。

步骤4：生成初始群体，群体中每个个体均由上述两部分编码构成。

步骤5：计算每个个体的适应度值，并将群体中适应度最高的个体直接遗传给下一代，其他个体则采用轮盘赌选择法进行选择。

步骤6：利用交叉、变异的手段进化当前群体，产生新的子代群体。

步骤7：重复步骤5、6，不断进化新的群体直到满足截止条件(最大进化代数)。

步骤8：对最终代中适应度最高的个体进行解码，得到相应的隐含层节点数和网络连接权值，利用测试集样本检验神经网络的泛化能力。

图3是本发明实施例中基于BP神经网络的配电网改造措施与线路重载率关联性的挖掘流程示意图。如图3所示，利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，从而挖掘出配电网改造措施与线路重载率二者关联性，包括以下步骤：

(1)初始化参数，包括BP神经网络结构和各层权值、阈值；

(2)建立BP神经网络，确定学习模式；

(3)输入一个网架结构下的分布式电源出力、电力负荷和相应的线路重载率数值作为样本数据；

(4)利用BP神经网络进行训练得到输出层各神经元的校正误差；

(5)根据校正误差调整BP神经网络隐含层到输出层之间的权值和阈值；

(6)更新学习模式；

(7)循环步骤(1)～(6)直至所有样本数据均参与训练学习；

(8)更新学习次数，重复步骤(1)～(7)直至全局误差满足要求，训练结束得到BP神经网络，从而建立配电网改造措施与线路重载率二者之间的关联性。

神经网络在外界输入样本的刺激下按权值调整规则不断改变网络的连接权值，以使网络的输出逐步逼近期望输出。神经网络能在没有输入-输出映射关系的数学方程的情况下，只要提供足够的样本对网络进行训练就能学习和存储大量输入-输出映射关系，训练学习完成后，当输入未训练过的非样本数据时，网络依然能输出正确的映射关系。配电网改造措施与线路重载率之间难以建立映射关系的数学方程，本发明通过输入线路重载率数据和优化配置指标构成样本集进行训练学习便可找到二者间的映射关系，挖掘到二者间的关联性。

本发明还提供了一种用于实现上述方法的主动配电网改造措施与线路重载率关联性挖掘装置，包括：

样本获取单元，用于输入分布式电源出力、电力负荷数据和对应的线路重载率作为样本数据，统计分析样本数据相互之间的数据关系，得到不同节点注入功率与线路重载率之间的对应关系；以及

处理单元，用于利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，得到基于BP神经网络的不同改造措施下的线路重载率评估模型。

所述处理单元将已有电网网架下的分布式电源出力和电力负荷与对应的线路重载率作为训练BP神经网络的样本数据，根据技术投资路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网线路重载率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与线路重载率之间的直接映射；

BP神经网络的输入与输出之间的关系如下：

其中，x_i为已知网架结构下的电力负荷和分布式电源出力，h_j为隐含层输出，y_k为输出的线路重载率，w_ij和θ_ij分别为输入层到隐含层的权值和阈值，ν_jk和r_jk分别为隐含层到输出层的权值和阈值；n表示输入数据x_i的个数，p表示隐含层的个数，m表示输出数据y_k的个数；f₁[]表示设定的输入数据x_i与隐含层输出h_j之间的关系函数，f₂[]表示设定的隐含层输出h_j与线路重载率y_k之间的关系函数；

误差反向传播过程如下：

其中，e为输出层输出的线路重载率与实际数值的差值，d_k为误差允许范围内的输出的线路重载率，

和

分别为权值和阈值的调整量，η为学习率。

所述处理单元还用于在得到基于BP神经网络的不同改造措施下的线路重载率评估模型后，采用遗传算法对BP神经网络进行参数寻优，得到更准确的线路重载率评估模型；利用遗传算法优化BP神经网络的数学模型如下：

s.t.w∈R^n×p,v∈R^p×m,θ∈R^n×p,r∈R^p×m

其中，E为输出的线路重载率与实际数值的差值，

为误差允许范围内的输出的线路重载率，y_k为神经网络输出层输出的线路重载率；利用遗传算法对所述二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小。

所述处理单元利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，包括以下步骤：

(1)初始化参数，包括BP神经网络结构和各层权值、阈值；

(2)建立BP神经网络，确定学习模式；

(3)输入一个网架结构下的分布式电源出力、电力负荷和相应的线路重载率数值作为样本数据；

(4)利用BP神经网络进行训练得到输出层各神经元的校正误差；

(5)根据校正误差调整BP神经网络隐含层到输出层之间的权值和阈值；

(6)更新学习模式；

(7)循环步骤(1)～(6)直至所有样本数据均参与训练学习；

(8)更新学习次数，重复步骤(1)～(7)直至全局误差满足要求，训练结束得到BP神经网络，从而建立配电网改造措施与线路重载率二者之间的关联性。

本发明利用BP神经网络的非线性映射能力构建配电网改造措施与线路重载率之间的直接映射。针对配电网线路重载率与各种预想的改造措施的训练BP神经网络，当配电网改造措施场景发生变化时，该模型能快速估计出该改造措施下的线路重载率值，从而判定不同配电网改造措施对配电网线路重载率的影响程度，作为后期配电网投资决策的关联性约束条件，节省了时域仿真的时间消耗。利用该基于BP神经网络的配电网线路重载率评估模型可以大大提升模型的求解速度，从而快速、有效地制定配电网投资策略。

本发明以软件功能模块的形式实现，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明实施例所述方法的部分步骤。也就是说，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序包括用于执行上述方法的指令。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (6)

1.一种主动配电网改造措施与线路重载率关联性挖掘方法，其特征在于，包括：输入分布式电源出力、电力负荷数据和对应的线路重载率作为样本数据，统计分析样本数据相互之间的数据关系，得到不同节点注入功率与线路重载率之间的对应关系；利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，得到基于BP神经网络的不同改造措施下的线路重载率评估模型；

得到基于BP神经网络的不同改造措施下的线路重载率评估模型后，采用遗传算法对BP神经网络进行参数寻优，得到更准确的线路重载率评估模型；利用遗传算法优化BP神经网络的数学模型如下：

s.t.w∈R^n×p,v∈R^p×m,θ∈R^n×p,r∈R^p×m

其中，E为输出的线路重载率与实际数值的差值，d_k为误差允许范围内的输出的线路重载率，y_k为神经网络输出层输出的线路重载率；n表示输入数据x_i的个数，p表示隐含层的个数，m表示线路重载率y_k的个数；利用遗传算法对二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小。

2.根据权利要求1所述的主动配电网改造措施与线路重载率关联性挖掘方法，其特征在于，将已有电网网架下的分布式电源出力和电力负荷与对应的线路重载率作为训练BP神经网络的样本数据，根据技术投资路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网线路重载率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与线路重载率之间的直接映射；

BP神经网络的输入与输出之间的关系如下：

其中，x_i为已知网架结构下的电力负荷和分布式电源出力，h_j为隐含层输出，y_k为神经网络输出层输出的线路重载率，w_ij和θ_ij分别为输入层到隐含层的权值和阈值，ν_jk和r_jk分别为隐含层到输出层的权值和阈值；f₁[]表示设定的输入数据x_i与隐含层输出h_j之间的关系函数，f₂[]表示设定的隐含层输出h_j与线路重载率y_k之间的关系函数；

误差反向传播过程如下：

其中，e为输出层输出的线路重载率与实际数值的差值，d_k为误差允许范围内的输出的线路重载率，

和

分别为权值和阈值的调整量，η为学习率。

3.根据权利要求1所述的主动配电网改造措施与线路重载率关联性挖掘方法，其特征在于，利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，包括以下步骤：

(1)初始化参数，包括BP神经网络结构和各层权值、阈值；

(2)建立BP神经网络，确定学习模式；

(3)输入一个网架结构下的分布式电源出力、电力负荷和相应的线路重载率数值作为样本数据；

(4)利用BP神经网络进行训练得到输出层各神经元的校正误差；

(5)根据校正误差调整BP神经网络隐含层到输出层之间的权值和阈值；

(6)更新学习模式；

(7)循环步骤(1)～(6)直至所有样本数据均参与训练学习；

(8)更新学习次数，重复步骤(1)～(7)直至全局误差满足要求，训练结束得到BP神经网络，从而建立配电网改造措施与线路重载率二者之间的关联性。

4.一种主动配电网改造措施与线路重载率关联性挖掘装置，其特征在于，包括：

样本获取单元，用于输入分布式电源出力、电力负荷数据和对应的线路重载率作为样本数据，统计分析样本数据相互之间的数据关系，得到不同节点注入功率与线路重载率之间的对应关系；以及

处理单元，用于利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，得到基于BP神经网络的不同改造措施下的线路重载率评估模型；

所述处理单元还用于在得到基于BP神经网络的不同改造措施下的线路重载率评估模型后，采用遗传算法对BP神经网络进行参数寻优，得到更准确的线路重载率评估模型；利用遗传算法优化BP神经网络的数学模型如下：

s.t.w∈R^n×p,v∈R^p×m,θ∈R^n×p,r∈R^p×m

其中，E为输出的线路重载率与实际数值的差值，d_k为误差允许范围内的输出的线路重载率，y_k为神经网络输出层输出的线路重载率；n表示输入数据x_i的个数，p表示隐含层的个数，m表示线路重载率y_k的个数；利用遗传算法对二次非线性优化问题进行求解，得到BP神经网络各参数值，且同时满足输出误差最小。

5.根据权利要求4所述的主动配电网改造措施与线路重载率关联性挖掘装置，其特征在于，所述处理单元将已有电网网架下的分布式电源出力和电力负荷与对应的线路重载率作为训练BP神经网络的样本数据，根据技术投资路径，模拟量化配电网网架结构、分布式电源接入位置、储能装置容量配置各类因素层指标，推演综合评价各类可配置资源方案下的主动配电网技术经济指标，通过学习训练得到配电网线路重载率与各种预想配置方案之间的BP神经网络，构建出配电网改造措施与线路重载率之间的直接映射；

BP神经网络的输入与输出之间的关系如下：

其中，x_i为已知网架结构下的电力负荷和分布式电源出力，h_j为隐含层输出，y_k为神经网络输出层输出的线路重载率，w_ij和θ_ij分别为输入层到隐含层的权值和阈值，ν_jk和r_jk分别为隐含层到输出层的权值和阈值；f₁[]表示设定的输入数据x_i与隐含层输出h_j之间的关系函数，f₂[]表示设定的隐含层输出h_j与线路重载率y_k之间的关系函数；

误差反向传播过程如下：

其中，e为输出层输出的线路重载率与实际数值的差值，d_k为误差允许范围内的输出的线路重载率，

和

分别为权值和阈值的调整量，η为学习率。

6.根据权利要求4所述的主动配电网改造措施与线路重载率关联性挖掘装置，其特征在于，所述处理单元利用BP神经网络的非线性映射能力，以样本数据作为训练样本，对BP神经网络进行训练，构建配电网改造措施与线路重载率之间的直接映射，包括以下步骤：

(1)初始化参数，包括BP神经网络结构和各层权值、阈值；

(2)建立BP神经网络，确定学习模式；

(3)输入一个网架结构下的分布式电源出力、电力负荷和相应的线路重载率数值作为样本数据；

(4)利用BP神经网络进行训练得到输出层各神经元的校正误差；

(5)根据校正误差调整BP神经网络隐含层到输出层之间的权值和阈值；

(6)更新学习模式；

(7)循环步骤(1)～(6)直至所有样本数据均参与训练学习；

(8)更新学习次数，重复步骤(1)～(7)直至全局误差满足要求，训练结束得到BP神经网络，从而建立配电网改造措施与线路重载率二者之间的关联性。

Images