CN117335425A - 一种基于ga-bp神经网络的潮流计算方法 - Google Patents
一种基于ga-bp神经网络的潮流计算方法 Download PDFInfo
- Publication number
- CN117335425A CN117335425A CN202311116189.6A CN202311116189A CN117335425A CN 117335425 A CN117335425 A CN 117335425A CN 202311116189 A CN202311116189 A CN 202311116189A CN 117335425 A CN117335425 A CN 117335425A
- Authority
- CN
- China
- Prior art keywords
- neural network
- value
- data
- individual
- model
- 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 46
- 238000004364 calculation method Methods 0.000 title claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 35
- 230000035772 mutation Effects 0.000 claims description 12
- 230000001360 synchronised effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于GA‑BP神经网络的潮流计算方法,包括如下步骤:步骤1,收集电力系统的历史数据,包括有功功率、无功功率、电压幅值和相位,对数据进行归一化处理,并将数据划分为训练集和测试集;步骤2,建立BP神经网络模型;步骤3,初始化GA遗传算法参数;步骤4,使用GA遗传算法优化BP神经网络模型的权值和阈值,若达到最大迭代次数,停止迭代,将最优权值和阈值带入到BP神经网络模型,获得最优参数的BP神经网络模型;步骤5,使用测试集对最优参数的BP神经网络进行测试,评价模型的精度。本发明提供一种基于GA‑BP神经网络的潮流计算方法,建立非线性映射关系,解决了线性潮流无法精确表达潮流计算的非线性关系问题。
Description
技术领域
本发明涉及一种电力系统潮流计算方法,尤其是一种基于GA-BP神经网络的潮流计算方法。
背景技术
传统潮流计算方法是在给定的电力系统物理模型、线路元件参数、发电和负荷参数条件下,根据基尔霍夫定律构建节点功率的非线性方程,并使用牛顿-拉夫逊法进行迭代求解,得到有功功率、无功功率、电压幅值和相位在电力系统中的分布。在线路元件以及拓扑结构信息不准确或无法测量电力系统的参数的情况下,传统潮流计算的方法将不能适用。随着电力系统中安装大量同步相量量测单元,高精度的同步电气量(有功功率、无功功率、电压幅值和相位)历史及实时数据能可靠获取,基于数据驱动的潮流计算方法具有很广的应用前景。数据驱动的潮流计算中,通常采用线性回归的方法来计算潮流,如采用最小二乘法建立输入电气量和输出电气量之间的线性回归模型。潮流线性化回归模型的计算精度有限,且难以表达电力系统潮流模型的非线性特性,存在建模不充分的问题。
近年来,人工神经网络理论在电力系统中被广泛的应用,但用于潮流计算的研究还很少。利用人工神经网络的自学习能力,学习和训练同步电气量的历史数据,挖掘输入电气量和输出电气量之间的内在联系,建立了非线性映射关系,解决了线性回归模型建模不准确的问题,提高了回归精度。人工神经网络输入层、隐藏层和输出层之间的权值和阈值影响回归精度,采用智能优化算法对人工神经网络的参数进行寻优,找到最佳的模型参数,因此本发明根据遗传算法(Genetic Algorithm,GA)和反向传播(Back Propagation,BP)神经网络的特点,提出一种基于GA-BP神经网络的潮流计算方法。
发明内容
本发明所要解决的技术问题是提供一种基于GA-BP神经网络的潮流计算方法,建立非线性映射关系,解决了线性潮流无法精确表达潮流计算的非线性关系问题;同时,解决了模型参数不准确的问题,采用遗传算法对BP神经网络进行参数寻优,提高了BP神经网络的回归精度。
为解决上述技术问题,本发明所采用的技术方案是:一种基于GA-BP神经网络的潮流计算方法,包括如下步骤:
步骤1,收集电力系统的历史数据,包括有功功率、无功功率、电压幅值和相位,对数据进行归一化处理,并将数据划分为训练集和测试集;
步骤2,建立BP神经网络模型;
步骤3,初始化GA遗传算法参数;
步骤4,使用GA遗传算法优化BP神经网络模型的权值和阈值,若达到最大迭代次数,停止迭代,将最优权值和阈值带入到BP神经网络模型,获得最优参数的BP神经网络模型;
步骤5,使用测试集对最优参数的BP神经网络进行测试,评价模型的精度。
优选地,所述的步骤1包括以下步骤:
步骤1.1,由安装在PQ、PV和平衡节点的同步相量量测单元,测量得到高精度的同步电气量,包括所有的有功功率和无功功率、电压幅值和相位数据。
步骤1.2,对数据进行归一化处理,采用如下的归一化公式:
式中,x′为归一化处理后的数据;x为原始数据;xmax,xmin分别为原始数据中的最大值和最小值。
步骤1.3,数据集划分为测试集和训练集,取数据集的80%为训练集数据,20%为测试集数据。
优选地,所述步骤2包括以下步骤:
步骤2.1,建立BP神经网络模型,输入层神经元个数为m个,隐藏层神经元个数为p个,输出层神经元个数为n个;
步骤2.2,确定BP神经网络模型的各层之间的权值和阈值,w1为m×p维的矩阵,表示输入层与隐藏层之间的权值;b1为p×1维的矩阵,表示输入层与隐藏层之间的阈值;w2为p×n维的矩阵,表示隐藏层与输出层之间的权值;b2为n×1维的矩阵,表示隐藏层与输出层之间的阈值;所有权值和阈值的总个数为q个,边界在[-1,1]之间,且q=m×p+p+p×n+n。
优选地,所述步骤3包括以下步骤:
步骤3.1,设置GA遗传算法的种群规模为G个;该种群中每个个体都包含了q个变量,分别对应BP神经网络的所有权值和阈值;设置交叉概率为pc;变异概率为pm;最大迭代次数为K;
步骤3.2,初始化种群,随机生成q个变量,采用实数编码的方式对每个变量进行编码,即直接使用[-1,1]之间的实数对变量赋值;
优选地,所述步骤4包括以下步骤:
步骤4.1,计算个体的适应度值;
以训练集的模型预测值和实际值之间的平均绝对误差作为适应度函数,计算个体的适应度值f,计算公式为:
式中:i=1,2,3…n,表示输出的维数;yi为模型输出值;为实际值。
步骤4.2,对个体进行选择操作,采用轮盘赌的方法选择个体作为父代,所述步骤4.2包括以下步骤:
步骤4.2.1,计算适应度值总和:将种群中所有个体的适应度值进行求和,得到适应度值的总和,计算公式为:
式中:i=1,2,3…G,表示种群的个数;F为适应度值的总和;fi为每个个体的适应度值。
步骤4.2.2,计算选择概率:对于每个个体,将个体的适应度值除以适应度值总和来计算选择概率,计算公式为:
式中:Pi为第i个个体被选中的概率。
步骤4.2.3,构建轮盘赌:将选择概率转换为轮盘赌的刻度,使得适应度较高的个体具有更大的刻度区间;
步骤4.2.4,进行选择:随机生成一个概率值,根据概率值选择个体作为父代,选择概率较大的个体有更高的概率被选中;
步骤4.2.5,重复选择过程,直到选择一半的种群数量的父代个体时停止选择。
步骤4.3,对步骤4.2选择的父代个体进行交叉操作,采用实数交叉法:
在j位的第h个染色体ahj和在j位的第l个染色体alj进行交换,产生新的优秀个体,相应表达式为:
式中:r1为[0,1]之间的随机数;
步骤4.4,对步骤4.3交叉操作后的父代进行变异操作,变异方法如下:
式中:amax为基因akj的最大值;amin为基因akj的最小值;r2为[0,1]之间的随机数;k为当前迭代次数;K为最大迭代次数。
步骤4.5,更新种群:将经过交叉操作和变异操作生成的父代个体替换上一代种群中的个体,形成新的种群;
步骤4.6,重复步骤4.1~步骤4.5,若达到最大迭代次数,停止迭代,将最优权值和阈值带入到BP神经网络模型,获得最优参数的BP神经网络模型;
优选地,所述步骤5,使用测试集对最优参数的BP神经网络进行测试,分析模型的精度:
使用决定系数来分析模型的精度,决定系数公式为:
式中,式中,i=1,2,3…n,n表示输出的维数,yi为模型FJ输出值,为实际值,/>为实际值的平均值。
本发明提供一种基于GA-BP神经网络的潮流计算方法,具有以下有益效果:
1、高速计算与精确度:该方法利用了BP神经网络的快速计算和高精度的特点。BP神经网络是一种基于误差反向传播算法的人工神经网络,它能够在相对较短的时间内进行大量计算,并且通过逐层传播误差来调整权重,从而提高计算结果的精度。在潮流计算中,通过建立BP神经网络来学习输入特征与输出潮流数据之间的复杂非线性映射关系,能够更准确地预测电力系统中的潮流分布情况。
2、GA全局搜索优势:引入GA遗传算法的全局搜索能力可以帮助克服BP神经网络容易陷入局部极值的问题。GA是一种模拟自然进化过程的优化算法,它通过不断地迭代演化来搜索可能的解空间,有助于发现更优的权重和阈值组合,从而进一步提升模型的预测准确性。GA能够遍历更广泛的搜索空间,有助于找到更接近全局最优解的神经网络参数。
3、模型精度的提升:通过将GA与BP神经网络结合,该方法能够显著提高模型的精度。BP神经网络通过学习样本数据的特征和目标输出之间的关系来进行预测,而GA遗传算法则在权衡探索和利用已知信息之间寻求平衡。这种综合运用两种方法的策略可以使得模型更好地拟合复杂的电力系统潮流计算问题,从而实现更准确的预测结果。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为BP神经网络结构图。
图2为本发明流程图。
图3为本发明实施例的GA遗传算法参数寻优的迭代过程。
图4为本发明实施例电压幅值的回归结果图。
图5为本发明实施例相位的回归结果图。
具体实施方式
如图1、2中所示,本发明提出一种基于GA-BP神经网络的潮流计算方法,包括如下步骤:
步骤1,收集电力系统的历史数据,包括有功功率、无功功率、电压幅值和相位,对数据进行归一化处理,并将数据划分为训练集和测试集;
步骤2,建立BP神经网络模型;
步骤3,初始化GA遗传算法参数;
步骤4,使用GA遗传算法优化BP神经网络模型的权值和阈值,若达到最大迭代次数,停止迭代,将最优权值和阈值带入到BP神经网络模型,获得最优参数的BP神经网络模型;
步骤5,使用测试集对最优参数的BP神经网络进行测试,评价模型的精度。
优选地,所述的步骤1包括以下步骤:
步骤1.1,由安装在PQ、PV和平衡节点的同步相量量测单元,测量得到高精度的同步电气量,包括所有的有功功率和无功功率、电压幅值和相位数据。
步骤1.2,对数据进行归一化处理,采用如下的归一化公式:
式中,x′为归一化处理后的数据;x为原始数据;xmax,xmin分别为原始数据中的最大值和最小值。
步骤1.3,数据集划分为测试集和训练集,取数据集的80%为训练集数据,20%为测试集数据。
优选地,所述步骤2包括以下步骤:
步骤2.1,建立BP神经网络模型,如图1所示,包括输入层、隐藏层和输出层,输入层神经元个数为m个,隐藏层神经元个数为p个,输出层神经元个数为n个;
其中输入层包含PQ节点有功功率和无功功率,PV节点的有功功率和电压幅值,平衡节点的电压幅值和相位;隐藏层的神经元数根据经验公式c为1~10的随机数;输出层包括PQ节点的电压幅值和相位,PV节点的无功功率和相位;
步骤2.2,确定BP神经网络模型的各层之间的权值和阈值,w1为m×p维的矩阵,表示输入层与隐藏层之间的权值;b1为p×1维的矩阵,表示输入层与隐藏层之间的阈值;w2为p×n维的矩阵,表示隐藏层与输出层之间的权值;b2为n×1维的矩阵,表示隐藏层与输出层之间的阈值;所有权值和阈值的总个数为q个,边界在[-1,1]之间,且q=m×p+p+p×n+n。
优选地,所述步骤3包括以下步骤:
步骤3.1,设置GA遗传算法的种群规模为G个;该种群中每个个体都包含了q个变量,分别对应BP神经网络的所有权值和阈值;设置交叉概率为pc;变异概率为pm;最大迭代次数为K;
步骤3.2,初始化种群,随机生成q个变量,采用实数编码的方式对每个变量进行编码,即直接使用[-1,1]之间的实数对变量赋值;
优选地,所述步骤4包括以下步骤:
步骤4.1,计算个体的适应度值;
以训练集的模型预测值和实际值之间的平均绝对误差作为适应度函数,计算个体的适应度值f,计算公式为:
式中:i=1,2,3…n,表示输出的维数;yi为模型输出值;为实际值。
步骤4.2,对个体进行选择操作,采用轮盘赌的方法选择个体作为父代,所述步骤4.2包括以下步骤:
步骤4.2.1,计算适应度值总和:将种群中所有个体的适应度值进行求和,得到适应度值的总和,计算公式为:
式中:i=1,2,3…G,表示种群的个数;F为适应度值的总和;fi为每个个体的适应度值。
步骤4.2.2,计算选择概率:对于每个个体,将个体的适应度值除以适应度值总和来计算选择概率,计算公式为:
式中:Pi为第i个个体被选中的概率。
步骤4.2.3,构建轮盘赌:将选择概率转换为轮盘赌的刻度,使得适应度较高的个体具有更大的刻度区间;
步骤4.2.4,进行选择:随机生成一个概率值,根据概率值选择个体作为父代,选择概率较大的个体有更高的概率被选中;
步骤4.2.5,重复选择过程,直到选择一半的种群数量的父代个体时停止选择。
步骤4.3,对步骤4.2选择的父代个体进行交叉操作,采用实数交叉法:
在j位的第h个染色体ahj和在j位的第l个染色体alj进行交换,产生新的优秀个体,相应表达式为:
式中:r1为[0,1]之间的随机数;
步骤4.4,对步骤4.3交叉操作后的父代进行变异操作,变异方法如下:
式中:amax为基因akj的最大值;amin为基因akj的最小值;r2为[0,1]之间的随机数;k为当前迭代次数;K为最大迭代次数。
步骤4.5,更新种群:将经过交叉操作和变异操作生成的父代个体替换上一代种群中的个体,形成新的种群;
步骤4.6,重复步骤4.1~步骤4.5,若达到最大迭代次数,停止迭代,将最优权值和阈值带入到BP神经网络模型,获得最优参数的BP神经网络模型;
优选地,所述步骤5,使用测试集对最优参数的BP神经网络进行测试,分析模型的精度:
使用决定系数来分析模型的精度,决定系数公式为:
式中,式中,i=1,2,3…n,n表示输出的维数,yi为模型输出值,为实际值,/>为实际值的平均值。
实施例:
本发明以采用IEEE9节点系统为例进行测试验证。考虑用户用电行为不同的特点,将各节点的负荷在原水平上设置±30%的随机均匀分布的功率扰动,通过Matpower7.0进行精确的潮流计算,得到所有节点的有功功率、无功功率、电压幅值、相位的分布情况,共200组数据,其中训练集数据有160组,测试集数据有40组,将PQ节点有功功率和无功功率、PV节点的有功功率和电压幅值、平衡节点的电压幅值和相位作为模型的输入,将PQ节点的电压幅值和相位数据、PV节点的无功功率和相位数据作为模型的输出。
GA遗传算法的迭代过程如图3所示,GA遗传算法在迭代32次时就寻找到最优的适应度值;图4为本发明实施例电压幅值的回归结果图;图5为本发明实施例相位的回归结果图。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (10)
1.一种基于GA-BP神经网络的潮流计算方法,其特征在于,包括以下步骤:
步骤1,收集电力系统的历史数据,包括有功功率、无功功率、电压幅值和相位,对数据进行归一化处理,并将数据划分为训练集和测试集;
步骤2,建立BP神经网络模型;
步骤3,初始化GA遗传算法参数;
步骤4,使用GA遗传算法优化BP神经网络模型的权值和阈值,若达到最大迭代次数,停止迭代,将最优权值和阈值带入到BP神经网络模型,获得最优参数的BP神经网络模型;
步骤5,使用测试集对最优参数的BP神经网络进行测试,分析模型的精度。
2.根据权利要求1所述一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤1包括以下步骤:
步骤1.1,由安装在PQ节点、PV节点和平衡节点的同步相量量测单元,测量得到高精度的同步电气量,包括所有的有功功率和无功功率、电压幅值和相位数据。
步骤1.2,对数据进行归一化处理,采用如下的归一化公式:
式中,x′为归一化处理后的数据;x为原始数据;xmax,xmin分别为原始数据中的最大值和最小值。
步骤1.3,数据集划分为测试集和训练集,取数据集的80%为训练集数据,20%为测试集数据。
3.根据权利要求1所述一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1,建立BP神经网络模型,输入层神经元个数为m个,隐藏层神经元个数为p个,输出层神经元个数为n个;
步骤2.2,确定BP神经网络模型的各层之间的权值和阈值,w1为m×p维的矩阵,表示输入层与隐藏层之间的权值;b1为p×1维的矩阵,表示输入层与隐藏层之间的阈值;w2为p×n维的矩阵,表示隐藏层与输出层之间的权值;b2为n×1维的矩阵,表示隐藏层与输出层之间的阈值;所有权值和阈值的总个数为q个,范围在[-1,1]之间,且q=m×p+p+p×n+n。
4.根据权利要求1所述一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤3包括以下步骤:
步骤3.1,设置GA遗传算法的种群规模为G个;该种群中每个个体都包含了q个变量,分别对应BP神经网络的所有权值和阈值;设置交叉概率为pc;变异概率为pm;最大迭代次数为K;
步骤3.2,初始化种群,随机生成q个变量,采用实数编码的方式对每个变量进行编码,即直接使用[-1,1]之间的实数对变量赋值。
5.根据权利要1所述一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤4包括以下步骤:
步骤4.1,计算个体的适应度值;
步骤4.2,对个体进行选择操作,采用轮盘赌的方法选择个体作为父代;
步骤4.3,对步骤4.2选择的父代个体进行交叉操作;
步骤4.4,对步骤4.3交叉操作后的父代进行变异操作;
步骤4.5,更新种群,将经过交叉操作和变异操作生成的父代个体替换上一代种群中的个体,形成新的种群;
步骤4.6,重复步骤4.1至步骤4.5,若达到最大迭代次数,停止迭代,将最优权值和阈值带入到BP神经网络模型,获得最优参数的BP神经网络模型。
6.根据权利要求1所述一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤5包括以下步骤:
使用测试集对最优参数的BP神经网络进行测试,通过决定系数来分析模型的精度,决定系数公式为:
式中,式中,i=1,2,3…n,n表示输出的维数,yi为模型输出值,为实际值,/>为实际值的平均值。
7.根据权利要求5所述一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤4.1具体为:
以训练集的模型预测值和实际值之间的平均绝对误差作为适应度函数,计算个体的适应度值f,计算公式为:
式中:i=1,2,3…n,表示输出的维数;yi为模型输出值;为实际值。
8.根据权利要求5所述一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤4.2具体为:
步骤4.2.1,计算适应度值总和:将种群中所有个体的适应度值进行求和,得到适应度值的总和,计算公式为:
式中:i=1,2,3…G,表示种群的个数;F为适应度值的总和;fi为每个个体的适应度值;
步骤4.2.2,计算选择概率:对于每个个体,将个体的适应度值除以适应度值总和来计算选择概率,计算公式为:
式中:Pi为第i个个体被选中的概率;
步骤4.2.3,构建轮盘赌:将选择概率转换为轮盘赌的刻度,使得适应度较高的个体具有更大的刻度区间;
步骤4.2.4,进行选择:随机生成一个概率值,根据概率值选择个体作为父代,选择概率较大的个体有更高的概率被选中;
步骤4.2.5,重复选择过程,直到选择一半的种群数量的父代个体时停止选择。
9.根据权利要求5所述的一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤4.3具体为:
在j位的第h个染色体ahj和在j位的第l个染色体alj进行交换,产生新的优秀个体,相应表达式为:
式中:r1为[0,1]之间的随机数。
10.根据权利要求5所述的一种基于GA-BP神经网络的潮流计算方法,其特征在于,所述步骤4.4具体为:
变异操作方法如下:
式中:amax为基因akj的最大值;amin为基因akj的最小值;r2为[0,1]之间的随机数;k为当前迭代次数;K为最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311116189.6A CN117335425A (zh) | 2023-08-31 | 2023-08-31 | 一种基于ga-bp神经网络的潮流计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311116189.6A CN117335425A (zh) | 2023-08-31 | 2023-08-31 | 一种基于ga-bp神经网络的潮流计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117335425A true CN117335425A (zh) | 2024-01-02 |
Family
ID=89294101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311116189.6A Pending CN117335425A (zh) | 2023-08-31 | 2023-08-31 | 一种基于ga-bp神经网络的潮流计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117335425A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-08-31 CN CN202311116189.6A patent/CN117335425A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876054B (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 | |
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN111582534A (zh) | 一种基于极限学习机的水力发电预测方法 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN112686481A (zh) | 一种径流量预报方法、处理器 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN116451556A (zh) | 一种混凝土坝变形观测量统计模型构建方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN117150925A (zh) | 一种水电工程高陡边坡岩体力学参数反分析方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN115130662A (zh) | 一种基于迁移学习的配电网时变拓扑状态估计方法 | |
CN113902492A (zh) | 一种分时电价预测方法及系统 | |
CN114066250A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 |
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 |