BP神经网络算法在配网线损计算中应用探讨.docVIP

BP神经网络算法在配网线损计算中应用探讨 　　摘 要 从BP神经网络算法及其在配网线损计算的意义展开探讨，阐述了BP神经网络算法在配网线损计算的优势。 　　关键词 BP神经网络；免疫遗传算法；模拟退火算法；线损 　　中图分类号：TM744 文献标识码：A 文章编号：1671-7597（2013）11-0000-00 　　线损是考核电力网运行部门一个重要经济指标，是电力网供售电过程中损失的电量。线损是技术线损与管理线损之和。对于技术线损则应控制在合理的范围以内，而管理线损要尽力减到最少。线损理论计算得到的电力网技术线损数值是电力网线损分析和指导降损的科学依据。线损计算是节能管理的重要工作。本文主要讨论BP神经网络算法在配网线损计算中的应用。 　　1 配网线损的计算方法 　　整个电力网电能损耗计算可以分解为如下元件的电能损耗计算，即35 kV及以上电力网为35 kV及以上交流线路及变压器的电能损耗计算；20 kV配电网为20 kV交流线路及公用配电变压器的电能损耗计算；10 kV配电网为10 kV交流线路及公用配电变压器的电能损耗计算；6 kV配电网为6 kV交流线路及公用配电变压器的电能损耗计算；0.4 kV低压网为0.4 kV及以下电力网的电能损耗计算；其它交流元件为并联电容器，并联电抗器，调相机，电压互感器，站用变等；高压直流输电系统：直流线路，接地极系统，换流站（换流变压器、换流阀、交流滤波器、平波电抗器、直流滤波器、并联电抗器、并联电容器和站用变压器）。 　　目前已有不少计算线损的方法，日均方根电流法应用较多，但它只是对35 kV及以上电压的输电网络比较适用，而对于35 kV以下的配电网，因为线段数、分支线路、配电变压器数量较多，使得其等值电路的节点数和元件数大大增加，需要花费大量的人、物力计算所需的运行资料，因此在实际应用中日均方根电流方法难以通用。回归分析方法在配网线损计算中也有较为广泛的应用，但该方法难于确定回归方程，对不同配网结构不具通用性，计算结果准确度不高。近年来，神经网络理论的发展与应用为配网理论线损计算提供了新的思路。 　　2 BP神经网络算法 　　人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。人工神经网络具有自组织、自学习、良好的容错性和非线性逼近能力，受到学界的关注。实际应用领域中，百分之八十至九十的人工神经网络模型采用了误差反传算法或者为其变化形式的网络模型，在这里简称为BP网络，BP网络目前主要应用在模式识别、分类、函数逼近和数据压缩或数据挖掘等方面。 　　BP（Back Propagation）神经网络，由信息正向传播及误差反向传播两个过程构成，即误差反向传播算法的学习过程。输入层的每个神经元负责接收来自外界的输入信息，并传递给中间层的每个神经元；中间层是内部信息的处理层，负责信息变换；最后一个隐层传递到 　　输出层各神经元的信息成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；当输出层的实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。 　　BP神经网络模型包括其输入输出模型、误差计算模型、作用函数模型和自学习模型。 　　2.1 作用函数模型 　　作用函数是反映下层输入对上层节点刺激脉冲强度的函数，一般取为（0，1）内连续取值Sigmoid函数，即为：f（x）=1/（1+e）。 　　2.2 节点输出模型 　　隐节点输出模型为Oj=f（∑Wij×Xi-qj），输出节点输出模型为Yk=f（∑Tjk×Oj-qk），其中f为非线形作用函数；q为神经单元阈值。 　　2.3 误差计算模型 　　误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数： 　　Ep=1/2×∑（tpi-Opi） ，其中tpi-i节点的期望输出值；Opi-i节点计算输出值。 　　2.4 自学习模型 　　神经网络的学习过程，即连接上层节点之间和下层节点的权重矩阵Wij的设定和误差修正过程。BP网络有师学习方式（即需要设定期望值）和无师学习方式（即只需输入模式）之分。自学习模型为△Wij（n+1）=h×Фi×Oj+a×△Wij（n），其中h为学习因子；Фi为输出节点i的计算误差；Oj为输出节点j的计算输出；a为动量因子。 　　神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史数