CN113139596A - 低压台区线损神经网络的优化算法 - Google Patents
低压台区线损神经网络的优化算法 Download PDFInfo
- Publication number
- CN113139596A CN113139596A CN202110425840.2A CN202110425840A CN113139596A CN 113139596 A CN113139596 A CN 113139596A CN 202110425840 A CN202110425840 A CN 202110425840A CN 113139596 A CN113139596 A CN 113139596A
- Authority
- CN
- China
- Prior art keywords
- neural network
- line loss
- transformer area
- low
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012417 linear regression Methods 0.000 claims abstract description 9
- 238000000556 factor analysis Methods 0.000 claims abstract description 6
- 238000007621 cluster analysis Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 17
- 238000004364 calculation method Methods 0.000 abstract description 15
- 238000010845 search algorithm Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 11
- 230000035772 mutation Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/086—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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
Abstract
本发明公开了低压台区线损神经网络的优化算法，包括：1)对原始的低压台区的配变侧数据和用户侧数据进行预处理，得到低压台区线损特征指标；2)对低压台区数据进行聚类分析，分为四个分类样本，采用线性回归、r树、K最邻近算法对全样本和四个分类样本进行建模；3)通过主因子分析法筛选出与台区网架结构和负荷相关的四个特征参数；4)建立BP神经网络模型，设置四个输入端和一个输出端，分别对应四个特征参数和线损率，应用遗传算法和/或粒子群算法对神经网络的输入变量进行优化，直至数据收敛。本发明根据低压台区线损计算的特点将遗传算法和粒子群算法两种随机搜索算法应用于优化BP神经网络的初始阈值和权值，提高网络训练的精度和速度。
Description
技术领域
本发明涉及配电网低压台区线损计算技术领域，具体地指一种低压台区线损神经网络的优化算法。
技术背景
在配电网中，低压台区为电压0.4kV的供电区域，为广大居民和企业提供用电保障。线损是指电力系统从供电端到用电端的电能损失，是由于电能在输送过程中通过输电线路产生的损耗。而在线损管理中，由于设备众多，管理不足和窃电等问题，影响电网公司对于电网的精准降损。
在低压台区研究中，网络拓扑结构多样且复杂。在同一个低压台区中，负荷和功率也有较大的起伏。因此在线损的理论计算时，只能通过算法的优化来尽量接近线损的实际值，但是永远不可能是真实值。
电网的线损率是综合反映电网规划、生产运行和运营管理水平的关键技术经济指标，也是衡量电网企业技术水平和管理水平的标志，综合反映了电网输送的能效水平。降低线损率是电网节能减排的重要举措，也是电网公司提升自身竞争力的需要。电网公司为了控制线损始终处在合理的范围内，需要建立线损管理平台监测异常线损并降低线损率。
在传统线损计算使用的是电力系统的多种电气数据。包括电网的原始结构图和各类电气的运行参数(比如电流，电压和规律因素等等)。在低压台区的管理过程中，由于台区用户数量庞大，数据采集不完善，线路分布差距过大等原因，很难实现精确的理论线损计算。在线损管理时，需要动员大量人力物力，且效果不佳，如人工抄表可能出现错误和遗漏。由于工作量巨大，电网公司难以收集到准确的计算线损的必要数据和资料，更难以找到异常线损，完成线损的降损处理。
基于上述现状，需要找到适合的智能算法用于快速、准确地计算出台区线损，并将结果应用于线损管理等提高电网管理水平的措施中。
发明内容
本发明的目的在于克服现有技术的不足，提出一种低压台区线损神经网络的优化算法，根据低压台区线损计算的特点将遗传算法和粒子群算法两种随机搜索算法应用于优化BP神经网络的初始阈值和权值，提高网络训练的精度和速度。
为实现上述目的，本发明所设计的低压台区线损神经网络的优化算法，其特殊之处在于，所述算法用于分析原始低压台区数据的特征参数，并基于特征参数计算线损率；所述算法包括如下步骤：
1)对原始的低压台区的配变侧数据和用户侧数据进行预处理，得到低压台区线损特征指标；
2)对低压台区数据进行聚类分析，分为四个分类样本，采用线性回归、r树、K最邻近算法对全样本和四个分类样本进行建模；
3)通过主因子分析法筛选出与台区网架结构和负荷相关的四个特征参数；
4)建立BP神经网络模型，设置四个输入端和一个输出端，分别对应四个特征参数和线损率，应用遗传算法和/或粒子群算法对神经网络的输入变量进行优化，直至数据收敛。
优选地，所述步骤1)中预处理的过程包括：剔除小于0和大于 20％的台区线损率的相关数据，使用原始数据对线损率于所有变量进行回归分析，使用决策树对变量的重要性进行排序，经过相关性分析和重要性分析，选择13个指标作为台区线损特征指标。低压台区建设和管理水平参差不齐，不同低压台区下，影响台区拓扑分析与线损计算的因素各不相同，针对不同低压台区特点，提取基于多特征融合的台区拓扑与线损分析的关键因子。
优选地，所述步骤2)中采用平均绝对误差和平均绝对百分比误差评价线性回归、r树、K最邻近算法的建模精度，并去掉不满足建模精度要求的分类样本。选取符合台区实际情况的聚类方法、确定满足台区线损指标分类管理需求的聚类数量。
优选地，所述步骤3)中四个特征参数为：台区平均功率因数、负荷形状系数、台区用户容量比、单相容量占比。应用主因子分析法分析数据，去除相关性高的指标。
优选地，所述步骤4)中应用遗传算法优化神经网络的步骤包括：
(1)确定权值的编码长度，确定适应度函数；
(2)在编码的解空间中生成一个初始群体；
(3)对群体中的每一个个体进行适应度值计算；
(4)根据个体的适应度值，对群体的个体进行选择，交叉和变异遗传操作；
(5)生成新一代的群体；
(6)反复进行(3)(4)(5)项操作；
(7)从第k代群体中选择m个可能具有全局性的进化解；
(8)分别以进化解为初始网络权值和阈值，用以神经网络求解；
(9)比较m个由BP神经网络求得的最优解，从而获得整体的最优解。
优选地，所述步骤4)中应用粒子群算法优化神经网络的步骤包括：
(1)初始化粒子参数，确定适应度函数；
(2)对群体中的每一个个体进行适应度评价；
(3)根据个体的适应度，确定每一个粒子的个体极值和粒子群整体极值；
(4)根据公式更新粒子的位置和速度；
(5)达到最大迭代次数时停止更新，保存最优解；
(6)以最优解为初始网络权值和阈值，用以神经网络求解；
(7)比较m个由BP神经网络求得的最优解，从而获得整体的最优解。
优选地，所述粒子群算法中粒子速度和位置的更新公式为：
Xi是第i个粒子位置的变量，k是更新次数，pbest代表最佳的当前每个粒子本身的位置，gbest代表历史上整个群体所有粒子的最佳位置，r1是从0到1的随机数，c1是学习因子，w是惯性因子，Vi k代表当前速度。
优选地，所述遗传算法的参数设置为种群规模为60，进化次数为 50次，交叉概率为0.4，变异概率为0.2。
优选地，所述BP神经网络的隐层结点为5层，共25个权值和6 个阈值。
优选地，所述步骤4)中采用粒子群算法优化的BP神经网络在相同量级精度的情况下迭代次数优于遗传算法。
低压台区理论线损计算一般采用等值电阻法和潮流法，需要使用复杂多样的供用电数据进行计算。实际数据并不能满足理论线损计算的要求。因此需要通过神经网络等智能学习算法探索低压台区数据与线损的关系。数据的好坏对台区线损率的评估和计算有很大的影响。
为了满足神经网络算法对样本数据的质量要求，本发明提出的低压台区线损神经网络的优化算法的有益效果为：
1、通过样本数据分布特点分析和特征指标相关性分析挑选出可以进行下一步机器学习的变量和原始数据。
2、粒子群优化算法计算复杂度低，以较大的概率保证最优解，克服BP算法局部最优的缺陷。在MATLAB中建立的改进粒子群算法优化BF神经网络模型，验证了模型具有高精度的特点。
3、通过对三种模型的线损计算值与实际值对比分析中，GA-BP 模型和PSO-BP模型相较于BP模型绝对误差最大值分别减少了52％和38％，相对误差最大值为别减少了31％和20.7％；验证了遗传算法GA和粒子群算法PSO两种算法均对BP神经网络模型的线损计算起到了优化的作用。
附图说明
图1为低压台区拓扑等效模型示意图。
图2为原始数据在Excel表格中示意图。
图3为样本数据进行分布特点分析示意图。
图4为回归分析系数矩阵示意图。
图5为各变量对线损率影响的重要性分布表。
图6为BP神经网络模型结构示意图。
图7为交叉操作示意图。
图8为变异操作示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述。
本发明所提出的低压台区线损神经网络的优化算法用于分析原始低压台区数据的特征参数，并基于特征参数计算线损率。
低压台区线损神经网络的优化算法的具体步骤如下：
1)对原始的低压台区的配变侧数据和用户侧数据进行预处理，得到低压台区线损特征指标；
2)对低压台区数据进行聚类分析，分为四个分类样本，采用线性回归、r树、K最邻近算法对全样本和四个分类样本进行建模；
3)通过主因子分析法筛选出与台区网架结构和负荷相关的四个特征参数；
4)建立BP神经网络模型，设置四个输入端和一个输出端，分别对应四个特征参数和线损率，应用遗传算法和/或粒子群算法对神经网络的输入变量进行优化，直至数据收敛。
低压台区拓扑等效模型如图1所示，当网络拓扑结构未知和所需数据不足时，可以建立一个虚拟的配电网络，假设配变和每个用户都与这个网络连接，形成一个虚拟的网络拓扑结构，该结构中所有负荷的连接点即为虚拟的负荷中心点。低压台区原始数据包括配变侧数据和用户侧数据，通过收集到的数据初步选定的聚类指标如下表1。
表1配变侧数据和用户侧数据
原始的低压台区的配变侧数据和用户侧数据并不能直接进行机器学习，需要预处理去除的空缺值和无意义数据。对预处理后的数据进行分布特点分析进一步了解低压台区数据，并通过所有变量之间的相关性分析和重要性分析去除少数相关性高且重要性低的变量，初步选出进入神经网络训练的变量。
本实施例中的原始数据包括16个变量，其基本信息如表1所示，其中，用户性质、线路类型为离散的类别变量，配变容量、台区用户容量比和台区线损率等为连续型变量。图2为数据在Excel表格中的截图。原始数据包括19324个台区的相关指标，该数据中台区线损率的分布为-100％到100％，由于小于0的台区线损率没有现实意义，所以剔除了小于0和大于20％的台区线损率的相关数据，得到18720个台区一天的数据。
将样本数据导入到数据挖掘软件Weka中进行分布特点分析，基本分布如图3所示。
使用原始数据对线损率于所有变量进行回归分析，得到的系数矩阵如图4，所示，通过图4的系数矩阵，可以发现，台区单相容量占比、负荷形状系数、平均功率因素和台区用户容量比对台区线损率影响较高，其中台区平均功率因素影响最高，其次是负荷形状系数对台区线损率的影响。
使用决策树对变量的重要性进行排序，得到的变量重要性矩阵如附图5所示。本实施例此处使用随机抽样建立训练集，训练集样本 13473个，分析变量相关性，挑选出相关性高于0.75的变量为最大三相平衡度、单相容量占比和台区最大负载率三个变量。
经过相关性分析和重要性分析，从初步预选的台区特征指标中删除台区最大三相不平衡系数和台区最大负载率两个指标，最终选定的台区特征指标共13个，如表2所示。
表2初步选定台区特征指标
在台区样本数据中上表所示参数可以组成13维的电气特征参数向量。
本发明采用了线性回归(遗传)、rtree、邻近算法(knn)算法对全样本和各分类样本进行了建模。应用主因子分析法对13个指标进行分析，去除相关性高的指标以提高BP神经网络的收敛速度。利用遗传算法和粒子群算法优化BP神经网络模型，并通过MATLAB将处理好的数据进行多次训练，验证不同算法优化的BP神经网络是否具有收敛速度快和精度高的特点。
线性回归是简单的来确定多种变量之间相关性的一种数理统计分析方法。其表达形式为y＝w'x+e，e为误差服从均值为0的正态分布。
R树是用于以有效方式存储空间数据索引的树数据结构。R树对于空间数据查询和存储非常有用，适合索引多维信息。R树由单个根，内部节点和叶节点组成。根包含指向空间域中最大区域的指针。父节点包含指向其子节点的指针，其中子节点的区域与父节点的区域完全重叠。
K最邻近算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
模型评价指标为MAE(平均绝对误差)和MAPE(平均绝对百分比误差)。MAE范围[0,+∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大，该值越大。MAPE范围[0,+∞)，MAPE为0％表示完美模型，MAPE大于100％则表示劣质模型。
全样本数据建模结果如下表3所示，效果最好的为K最近邻模型，但平均相对误差(MAPE)均超过80％，不满足建模精度要求，仅作为各分类建模指标最差基准值。
表3全样本数据建模结果
分类1数据建模结果如下表4所示，效果最好的为遗传模型，平均相对误差(MAPE)为15.348％，基本满足建模精度要求，还需进一步进行参数优化，提高模型预测精度。
表4分类1数据建模结果
分类2数据建模结果如下表5所示，效果最好的为遗传模型，但平均相对误差(MAPE)均超过64.798％，不满足建模精度要求，需进一步研究其他模型或对模型进行参数优化。
表5分类2数据建模结果
分类3数据建模结果如下表6所示，效果最好的为遗传模型，平均相对误差(MAPE)为17.385％，基本满足建模精度要求，还需进一步进行参数优化，提高模型预测精度。
表6分类3数据建模结果
分类4数据建模结果如下表7所示，效果最好的为遗传模型，平均相对误差(MAPE)为20.715％，基本满足建模精度要求，还需进一步进行参数优化，提高模型预测精度。
表7分类4数据建模结果
采用线性回归、R树、K最近邻算法对全样本和各分类样本进行建模，其中分类1、分类3、分类4的模型基本满足建模精度要求，还需进一步进行参数优化，提高模型预测精度；分类2不满足建模精度要求，需进一步研究其他模型或对模型进行参数优化。本实施例中直接去掉分类2的数据进行下一步研究，即留下了10381个台区数据进行下一步分析。
主成分分析(PCA)算法通过提取数据的主要特征分量，将高维数据投影到较低维空间，将原始数据变换为一组各维度线性无关的表示，使得处理数据的时间和费用大大降低。另一方面，由于各主成分是相互垂直的，所以增大了类间距，减小了类内差异，可提高分类精度。
利用MATLAB软件对进行主成分分析。可得出除第一、二、三、四主成分外，其他的主成分特征值都很低(值小于1)，由此可以确定应该含有四个主成分。其中对主成分影响最大的原始变量如下表8所示。
表8主成分与原始变量的关系
通过上述分析可以得出可用这四个最大影响率的原始变量替代其他的原始变量，也就是说可以选取台区平均功率因数、负荷形状系数、台区用户容量比、单相容量占比作为电气特征指标。为了进行来的神经网络分析对所选电气特征指标及线损率归一化处理，所选用归一化方法为线性归一化法。
BP(back propagation)神经网络是一种具有三层及以上的前馈神经网络，是一种应用最为广泛的机器学习算法。其基本原理是通过将网络输出值和目标值的误差逆向传播，不断修正网络的权值和阈值得到最接近于目标值的输出。最基本的BP神经网络包括一个输入层，一个输出层和一个及以上的隐含层，如图6所示。图6中，x1，x2……xm为输入变量，y1，y2……yp为隐含层神经元，O1，O2……Om为输出变量。wij为第i个输入变量到第j个神经元的权值，代表输入变量的重要性，权值越高越重要。wjk为第j个神经元到第k个输出变量的权值。bij和bjk为阈值，只有输入之和超过阈值时才会引起输出的变化。
BP神经网络需要设置初始权值和阈值后才能进行训练。第一次的输出值aij与目标值tij的差距没有达到足够小时，神经网络会将两者最小均方差MSE作为误差信号由输出层反向传播，连接权值和阈值会被逐个修正。
最小均方差(MSE)的计算公式如下所示：
由公式可以看出MSE是关于权值和阈值的函数。式中，SN为样本总数，N为输出向量维度。接下来BP神经网络会根据新的权值和阈值进行下一次训练，直到输出值aij和目标值tij的差距足够小为止。尽管在实际的研究与应用中，BP神经网络被广泛的使用，但是网络的隐含层神经元节点个数，激活函数类型和初始权值与阈值的选择并没有指导标准，缺乏理论支持。
BP神经网络的训练结果如下表9所示。
表9 BP神经网络训练结果
表中Ec为样本相对误差百分数；迭代次数为各类迭代次数之和。通过表9可以看出随着训练误差的增大，迭代次数越来越少，越来越多的台区落入到相对误差小于1％的区域，越来越少的目标落入到相对误差大于5％的区域。
随机选择10个台区数据投入训练好的BP神经网络，将BP模型的计算值导出后与真实线损率对比，其结果见表10所示。
表10 BP神经网络模型测试结果误差
BP神经网络模型绝对误差最大值为0.63％,相对误差最大值为 0.135％。
本实施例采用BP模型神经网络，有4个输入端和1个输出端,分别与4个特征参数和线损率相对应。网络中权重总数应等于或小于样本容量，所得数学模型才比较稳定。由此，本实施例中隐层结点为5 层比较合适，网络结构为4个输入变量—5个隐藏层—1个输出变量，共25个权值和6个阈值。算例共选取10381个样本，每个样本数据包含1自变量和因变量。分别为台区平均功率因素，负荷形状系数，台区单相容量占比和台区用户容量比，输出为线损率。
遗传算法GA的基本操作包括染色体编码、适应度函数选择和三种遗传操作(选择、交叉和变异)。在GA网络优化中必须考虑染色体编码方式，初始种群的大小，适应度函数的选择，三种基本遗传算子，并需要确定交叉概率和变异概率。
(1)染色体编码
染色体编码有二进制编码和实数编码两种方式。本实施例采用二进制编码方式。二进制编码就是将神经网络权值和阈值编码成二进制位串。若权值的取值范围为[wmin，wmax]，第i个权值的编码长度为 Li，则第i个权值wi与无符号数Ui之间的关系如下式所示：
(2)初始种群
群体中所有个体的数量就是初始种群的大小。当初始种群取值较小时，由于进行运算的个体数量较少，很明显运算速度会比较高，但是可能导致优化不足秀，群体的多样性并不能得到保障。而当初始种群取值较大时，会大大增加计算量，降低效率。一般来说，初始种群的大小取值在20～100之间。
(3)适应度函数
适应度函数是需要根据实际问题所需设计的函数。在GA训练过程中，通过适应度函数计算每个个体的适应度值。然后选择算子将通过每个个体的适应度值进行选择。适应度表示在群体中各个个体的相对于最优解的接近程度。
(4)三种基本算子
①选择算子
选择算子会根据适应度函数计算得到的每个个体的适应度值进行选择。适应度高的个体被留下，而适应度低的个体会被淘汰。
②交叉算子
交叉操作如附图7所示。为了防止下一代总是重复上一代，需要按照交叉概率从群体中任意选择两个个体A和B，在二进制串码的某些位选择一个或多个位置交换，从而产生新个体。
③变异算子
变异操作如附图8所示。按照变异概率从群体中任选一个个体A，随机选择二进制串码的某些位变异从而产生新个体。当染色体全部一样时，交叉算子不能起作用，变异算法就更加重要。
(5)交叉概率和变异概率
GA在初始化时需要确定交叉概率和变异概率。交叉操作和变异操作分别对应交叉概率和变异概率。交叉概率和变异概率过大会快速破坏掉适应度高的个体。而这两种概率过小会使得GA的优化搜索不能继续进行。
GA-BP神经网络模型的主要步骤如下所示：
(1)确定各权值的编码长度，确定适应度函数；
(2)在编码的解空间中随时生成一个初始群体；
(3)对群体中的每一个个体进行适应度值计算；
(4)根据个体的适应度值，对群体的个体进行选择，交叉和变异遗传操作；
(5)生成新一代的群体；
(6)反复进行(3)(4)(5)项操作；
(7)从第k代群体中选择m个可能具有全局性的进化解，选择时要注意避免相似个体；
(8)分别以这些进化解为初始网络权值和阈值，用以神经网络求解；
(9)比较m个由BP神经网络求得的最优解，从而获得整体的最优解。
GA参数设置为种群规模为60，进化次数为50次，交叉概率为 0.4，变异概率为0.2。将BP神经网络模型的目标误差设置为0.01、 0.005、0.001、0.0005和0.0001，得到下表11所示训练结果。
表11 GA-BP神经网络训练结果
通过表11可以看出随着训练误差的增大，迭代次数越来越少，越来越多的台区落入到相对误差小于1％的区域，越来越少的目标落入到相对误差大于5％的区域。GA-BP神经网络在相同的目标训练误差下能够更快收敛。相对误差大于5％的区域比普通BP神经网络减少至少50％。
粒子群算法PSO对设计变量的缩放不敏感，而且仅拥有很少的算法参数，是一种高效的全局搜索算法。在PSO中有两个重要特征：速度和位置。它通过一些确定的规则公式更新，并在不断地更新后到达最佳点。下面两个公式是关于速度和位置的更新公式。
Xi是第i个粒子位置的变量，k是更新次数，pbest代表最佳的当前每个粒子本身的位置，gbest代表历史上整个群体所有粒子的最佳位置，r1是从0到1的随机数，c1是学习因子，w是惯性因子，Vi k代表当前速度。
PSO-BP神经网络的权值和阈值的流程与GA相似，都是将网络的最小均方差MSE设为适应度函数，将粒子群算法PSO的优化结果作为神经网络的初始权值与阈值。
PSO-BP神经网络的主要步骤如下所示：
(1)初始化粒子参数，确定适应度函数；
(2)对群体中的每一个个体进行适应度评价；
(3)根据个体的适应度，确定每一个粒子的个体极值和粒子群整体极值；
(4)根据公式更新粒子的位置和速度；
(5)达到最大迭代次数时停止更新，保存最优解；
(6)以这些最优解为初始网络权值和阈值，用以神经网络求解；
(7)比较m个由BP神经网络求得的最优解，从而获得整体的最优解。
结合粒子群的神经网络算法(PSO-BP)实验：首先给出算法的参数设置。基于粒子群优化的训练算法种群规模s＝30，惯性权重W取随机值，加速因子c1＝c2＝2，权值为[-1,1]区间变量，由经验公式确定神经网络隐含层节点数为5，算法停止条件为最大迭代次数(4000) 或误差精度为0.0001。
表12所示为分别用PSO-BP神经网络模型和GA-BP神经网络模型训练后的计算结果的误差。
表12 PSO-BP神经网络和GA-BP神经网络对比
GA-BP模型绝对误差最大值为0.3％，PSO-BP模型绝对误差最大值为0.39％，相较于BP模型绝对误差最大值为0.63％，分别减少了 52％和38％。GA-BP模型相对误差最大值为0.093％，PSO-BP模型绝对误差最大值为0.107％，相较于在BP模型相对误差最大值为0.135％，分别减少了31％和20.7％。将BP模型与GA-BP模型和PSO-GA模型进行对比，可以发现，无论是GA还是PSO优化后的神经网络计算精度都大大提高。粒子群算法优化的BP神经网络在相同量级精度的情况下迭代次数明显优于遗传算法。其结果较遗传算法优化的BP神经网络精度提高。
最后需要说明的是，以上具体实施方式仅用以说明本专利技术方案而非限制，尽管参照较佳实施例对本专利进行了详细说明，本领域的普通技术人员应当理解，可以对本专利的技术方案进行修改或者等同替换，而不脱离本专利技术方案的精神和范围，其均应涵盖在本专利的权利要求范围当中。
Claims (10)
1.一种低压台区线损神经网络的优化算法，其特征在于，所述算法用于分析原始低压台区数据的特征参数，并基于特征参数计算线损率，所述算法包括如下步骤：
1)对原始的低压台区的配变侧数据和用户侧数据进行预处理，得到低压台区线损特征指标；
2)对低压台区数据进行聚类分析，分为四个分类样本，采用线性回归、r树、K最邻近算法对全样本和四个分类样本进行建模；
3)通过主因子分析法筛选出与台区网架结构和负荷相关的四个特征参数；
4)建立BP神经网络模型，设置四个输入端和一个输出端，分别对应四个特征参数和线损率，应用遗传算法和/或粒子群算法对神经网络的输入变量进行优化，直至数据收敛。
2.根据权利要求1所述的低压台区线损神经网络的优化算法，其特征在于：所述步骤1)中预处理的过程包括：剔除小于0和大于20％的台区线损率的相关数据，使用原始数据对线损率于所有变量进行回归分析，使用决策树对变量的重要性进行排序，经过相关性分析和重要性分析，选择13个指标作为台区线损特征指标。
3.根据权利要求1所述的低压台区线损神经网络的优化算法，其特征在于：所述步骤2)中采用平均绝对误差和平均绝对百分比误差评价线性回归、r树、K最邻近算法的建模精度，并去掉不满足建模精度要求的分类样本。
4.根据权利要求1所述的低压台区线损神经网络的优化算法，其特征在于：所述步骤3)中四个特征参数为：台区平均功率因数、负荷形状系数、台区用户容量比、单相容量占比。
5.根据权利要求1所述的低压台区线损神经网络的优化算法，其特征在于：所述步骤4)中应用遗传算法优化神经网络的步骤包括：
(1)确定权值的编码长度，确定适应度函数；
(2)在编码的解空间中生成一个初始群体；
(3)对群体中的每一个个体进行适应度值计算；
(4)根据个体的适应度值，对群体的个体进行选择，交叉和变异遗传操作；
(5)生成新一代的群体；
(6)反复进行(3)(4)(5)项操作；
(7)从第k代群体中选择m个可能具有全局性的进化解；
(8)分别以进化解为初始网络权值和阈值，用以神经网络求解；
(9)比较m个由BP神经网络求得的最优解，从而获得整体的最优解。
6.根据权利要求1述的低压台区线损神经网络的优化算法，其特征在于：所述步骤4)中应用粒子群算法优化神经网络的步骤包括：
(1)初始化粒子参数，确定适应度函数；
(2)对群体中的每一个个体进行适应度评价；
(3)根据个体的适应度，确定每一个粒子的个体极值和粒子群整体极值；
(4)根据公式更新粒子的位置和速度；
(5)达到最大迭代次数时停止更新，保存最优解；
(6)以最优解为初始网络权值和阈值，用以神经网络求解；
(7)比较m个由BP神经网络求得的最优解，从而获得整体的最优解。
7.根据权利要求6所述的低压台区线损神经网络的优化算法，其特征在于：所述粒子群算法中粒子速度和位置的更新公式为：
Xi是第i个粒子位置的变量，k是更新次数，pbest代表最佳的当前每个粒子本身的位置，gbest代表历史上整个群体所有粒子的最佳位置，r1是从0到1的随机数，c1是学习因子，w是惯性因子，Vi k代表当前速度。
8.根据权利要求5所述的低压台区线损神经网络的优化算法，其特征在于：所述遗传算法的参数设置为种群规模为60，进化次数为50次，交叉概率为0.4，变异概率为0.2。
9.根据权利要求1所述的低压台区线损神经网络的优化算法，其特征在于：所述BP神经网络的隐层结点为5层，共25个权值和6个阈值。
10.根据权利要求1所述的低压台区线损神经网络的优化算法，其特征在于：所述步骤4)中采用粒子群算法优化的BP神经网络在相同量级精度的情况下迭代次数优于遗传算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110425840.2A CN113139596A (zh) | 2021-04-20 | 2021-04-20 | 低压台区线损神经网络的优化算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110425840.2A CN113139596A (zh) | 2021-04-20 | 2021-04-20 | 低压台区线损神经网络的优化算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113139596A true CN113139596A (zh) | 2021-07-20 |
Family
ID=76812852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110425840.2A Pending CN113139596A (zh) | 2021-04-20 | 2021-04-20 | 低压台区线损神经网络的优化算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139596A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113866562A (zh) * | 2021-09-29 | 2021-12-31 | 国网甘肃省电力公司电力科学研究院 | 一种电力系统台区线损识别方法 |
| CN114565779A (zh) * | 2022-04-08 | 2022-05-31 | 武汉中原电子信息有限公司 | 一种低压台区户变拓扑辨识方法及系统 |
| CN114881429A (zh) * | 2022-04-19 | 2022-08-09 | 国网江苏省电力有限公司南通供电分公司 | 基于数据驱动的台区线损量化方法及系统 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160416A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种结合主元分析与神经网络的台区合理线损预测方法 |
| CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及系统 |
| CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
| US20200235949A1 (en) * | 2019-01-23 | 2020-07-23 | Cisco Technology, Inc. | Transmission of pulse power and data in a communications network |
| 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 |
-
2021
- 2021-04-20 CN CN202110425840.2A patent/CN113139596A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105160416A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种结合主元分析与神经网络的台区合理线损预测方法 |
| CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及系统 |
| CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
| US20200235949A1 (en) * | 2019-01-23 | 2020-07-23 | Cisco Technology, Inc. | Transmission of pulse power and data in a communications network |
| 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 |
Non-Patent Citations (5)
| Title |
|---|
| FEI GUO ET AL.: "An Optimized Back Propagation Neural Network Based on Genetic Algorithm for Line Loss Calculation in Low-voltage Distribution Grid", 《2020 CHINESE AUTOMATION CONGRESS(CAC)》, 8 November 2020 (2020-11-08), pages 663 - 667 * |
| 何立强等: "基于改进PSO优化RBF神经网络线损计算与分析", 《东北电力技术》, vol. 41, no. 4, 30 April 2020 (2020-04-30), pages 55 - 59 * |
| 柴明锐等: "《数据挖掘技术及在石油地质中的应用》", 30 September 2017, 天津科学技术出版社, pages: 17 - 19 * |
| 董威: "《粗糙集理论及其数据挖掘应用》", 30 October 2014, 东北大学出版社, pages: 35 * |
| 赵庶旭等: "《神经网络 理论、技术、方法及应用》", 31 May 2013, 中国铁道出版社, pages: 184 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113866562A (zh) * | 2021-09-29 | 2021-12-31 | 国网甘肃省电力公司电力科学研究院 | 一种电力系统台区线损识别方法 |
| CN114565779A (zh) * | 2022-04-08 | 2022-05-31 | 武汉中原电子信息有限公司 | 一种低压台区户变拓扑辨识方法及系统 |
| CN114881429A (zh) * | 2022-04-19 | 2022-08-09 | 国网江苏省电力有限公司南通供电分公司 | 基于数据驱动的台区线损量化方法及系统 |
| CN114881429B (zh) * | 2022-04-19 | 2024-04-02 | 国网江苏省电力有限公司南通供电分公司 | 基于数据驱动的台区线损量化方法及系统 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113139596A (zh) | 低压台区线损神经网络的优化算法 | |
| CN111091143B (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
| CN111738512A (zh) | 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法 | |
| CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
| CN108876054A (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
| CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
| CN108694502A (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
| CN112994017A (zh) | 基于配电网概率潮流计算的分布式光伏电源选址优化方法 | |
| CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
| CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
| CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
| CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
| CN112508232A (zh) | 一种基于多层次模糊综合评价模型的短路电流限制措施评估方法 | |
| CN105335810A (zh) | 一种配电网单体项目投资效益评价方法 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN115526393B (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
| CN113949079B (zh) | 基于深度学习的配电台区用户三相不平衡预测优化方法 | |
| CN116307844A (zh) | 一种低压台区线损评估分析方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
| CN114240069A (zh) | 一种基于回归学习与特征挖掘的电网在线风险计算方法 | |
| Bao et al. | Multiobjective Optimal Dispatching of Smart Grid Based on PSO and SVM | |
| CN113285440B (zh) | 一种低压台区降损优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210720 |