基于IGABP综合算法人工神经网络在线损计算中应用.docVIP

基于IGABP综合算法人工神经网络在线损计算中应用 　　摘要：针对配电网线损计算，文章根据文献[13]提出了一种综合免疫遗传算法（IGA）与BP算法优点的IGA-BP混合算法，进行了改进并应用到实际配电网线损计算中。先用IGA训练多层前向神经网络，保持解群多样性，然后用BP算法快速搜索到最优解。此算法克服了常规遗传算法收敛方向不确定，BP算法容易陷入极小点的缺点，而且具有了记忆功能，能够促进快速求解。文中以68条配电线路数据为例，验证了该算法有很好的鲁棒性和适应性，且计算精度高。 　　关键词：免疫遗传算法；BP算法；神经网络；线损 　　作者简介：韩永强（1977-），男，内蒙古包头人，杭州余杭供电局，工程师；季小慧（1978-），女，蒙古族，内蒙古赤峰人，杭州余杭供电局，工程师。（浙江#8194;杭州#8194;311100） 　　中图分类号：TM731 文献标识码：A 文章编号：1007-0079（2011）27-0101-03 　　 　　配电网损耗是电力工业中一个重要的技术经济指标，而低压配电网线损在整个电网损耗中几乎占一半。因此，加强配电网线损的管理对实现电力系统经济运行具有重要意义。目前，人工神经网络（ANN）模型种类已有数十种，应用这些网络模型可以实现函数的近似、模式识别、优化计算等功能，所以人工神经网络广泛应用于人工智能、自动控制等领域。以往的线损计算方法计算不精确，而且需要考虑很多的电网各个电气元件的电气参数和运行参数进行计算，[1-4]把神经网络模型应用于配电网线损计算，可以选取与配电网线损有重要关系的运行参数作为输入特征参数，然后通过神经网络把输入特征参数和线损的函数关系拟合出来。经验证明，三层前向神经网络在理论上可以拟合任意复杂的函数关系。经过训练的ANN模型，具有很好的精度与鲁棒性，可用于近几年的线损分析。BP算法是多层前向神经网络最常用的学习方法，但是BP算法不可避免的问题是容易陷入极小点。而且学习步长和动量项的取值都是依靠经验选取。文献[5][6]分别用分群算法和Kohonen型神经网络对样本进行分类，然后再采用BP型神经网络计算配电网线损。文献[8]先利用了精确的线损模型计算得到的数据作为神经网络的训练样本，再采用函数型神经网络拟合输入特征参数和线损之间的关系。文献[9]提出了改进的BP算法，采用自适应调整学习速率系数的大小，而且将原始样本分成数据值相差不大的几组，然后针对每组样本训练相应的BP网络。本文采用免疫遗传算法（IGA）和BP相结合的新方法，借鉴了两种算法的优点来研究配电网线损计算的问题。IGA是以GA为基础，引入了生物免疫机制中机体抵抗病原体的生理功能，增加了对病原体的识别功能、记忆功能和自我调节的功能，同时兼顾了GA的鲁棒性。 　　一、免疫遗传算法的介绍 　　免疫遗传算法是遗传算法的改进，是基于生物免疫机制的一种改进遗传算法。生物免疫系统可以产生抗体来抵御外界侵犯的抗原，系统通过免疫细胞不断地产生新抗体，最终生成适合的抗体消灭抗原，而且免疫系统为了维持免疫平衡，抗体间有抑制和促进作用。生物体免疫功能的特点可以用于遗传算法的改进和提高，当遗传算法具备了自我调节功能，能够产生适当数量的必要抗体，就可以提高遗传算法的局部搜索能力，此外把免疫系统的记忆功能引入遗传算法，则可以加快搜索速度，提高遗传算法的整体计算能力。 　　1.免疫遗传算法的一般步骤 　　免疫遗传算法将待求解的问题对应为抗原，问题的解对应为抗体，该算法的一般步骤为：[12] 　　（1）读入初始化文件，根据给定问题确定解决方案，即抗原的识别。 　　（2）产生初始抗体群。如果抗原是新抗原，那么随机产生初始群体，否则从记忆细胞中提取出相应的抗体组成IGA的初始群体。并确定编码方式。 　　（3）计算目标函数（个体适应度）和多样度。 　　（4）记忆细胞的分化。如果抗原是新抗原，则用当前群体中适应度高的个体替换掉记忆细胞中的适应度低的个体。否则把当前群体中适应度高的个体加入记忆细胞中。 　　（5）抗体的促进和抑制。计算当前群体中适应度相近的个体浓度，浓度高则减小该个体的选择概率（即抑制），浓度低则增加该个体的选择概率（即促进）。 　　（6）抗体的产生（交叉和变异）。对产生的新一代群体重新进行评价、选择、交叉和变异等操作，使群体中最优个体的适应值不断提高，而且种群保持多样化，如此循环往复，直到最优个体的适应值达到规定数值，算法结束。 　　2.免疫遗传算法的常用术语 　　在免疫遗传算法中，定义了下列名词：多样度、亲和度、浓度。多样度是抗体多样性测度。设一个免疫系统具有N个抗体，每个抗体长度为M。采用符号集大小为S，则抗体基因座j的平均信息量： 　　（1） 　　其中Pij为第i个符号出现在基因座j上的概率