本發(fā)明涉及一種評估方法，具體涉及一種基于BP神經(jīng)網(wǎng)絡的臺區(qū)線損率評估方法。
背景技術：
：我國配電網(wǎng)規(guī)模龐大、結構復雜，具有點多、線長、面廣的特點。隨著社會經(jīng)濟的發(fā)展，用電負荷的增加，低壓配電網(wǎng)線損的問題越來越突出，線損電量和線損率占比達50％左右。低壓配網(wǎng)臺區(qū)作為電力系統(tǒng)中的末端環(huán)節(jié)，線損率為臺區(qū)管理重要的考核指標之一。如何準確簡便地計算臺區(qū)線損率、為制定合理的降損措施提供依據(jù)已成為供電企業(yè)的重要任務。由于低壓臺區(qū)的建設和管理狀況參差不齊、臺區(qū)和終端用戶數(shù)目龐大、臺賬管理不完備、線路分布復雜多樣、用電采集系統(tǒng)的采集成功率差別較大，目前對臺區(qū)線損理論計算的方法大多數(shù)采用電壓損失法、等值電阻法等，對臺區(qū)不論計算理論線損率還是評估統(tǒng)計線損率均需要動用大量的人力、物力才能收集到必要和充分的運行資料，工作量非常大，致使各供電部門難以每月進行一次計算工作。近年來，神經(jīng)網(wǎng)絡理論的發(fā)展與應用為線損率計算提供了新的途徑。神經(jīng)網(wǎng)絡計算線損率無須建立數(shù)學模型，可以利用網(wǎng)絡強大的自學能力、推廣能力以及非線性處理能力來擬合線損率與特征參數(shù)之間復雜的非線性關系，因此利用神經(jīng)網(wǎng)絡算法可以快速計算和評估臺區(qū)線損率。技術實現(xiàn)要素：為了克服上述現(xiàn)有技術的不足，本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡的臺區(qū)線損率評估方法，通過篩選出與臺區(qū)的網(wǎng)架結構和負荷相關的臺區(qū)電氣特征參數(shù)，采用基于LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡學習電氣特征指標與臺區(qū)線損率之間的非線性關系，進而得到BP神經(jīng)網(wǎng)絡模型，通過BP神經(jīng)網(wǎng)絡模型評估臺區(qū)線損率。為了實現(xiàn)上述發(fā)明目的，本發(fā)明采取如下技術方案：本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡的臺區(qū)線損率評估方法，所述方法包括：步驟1：對臺區(qū)電氣特征參數(shù)進行標準化處理；步驟2：構建BP神經(jīng)網(wǎng)絡模型，并對臺區(qū)線損率進行歸一化處理；步驟3：根據(jù)BP神經(jīng)網(wǎng)絡模型評估臺區(qū)線損率。所述步驟1中，設臺區(qū)個數(shù)為N，每個臺區(qū)的臺區(qū)電氣特征參數(shù)為M個，N個臺區(qū)樣本的臺區(qū)電氣特征參數(shù)組成臺區(qū)電氣特征向量X，有：X=x11x12...x1j...x1Mx21x22...x2j...x2M............xi1xi2...xij...xiM............xN1xN2...xNj...xNM---(1)]]>其中，xij為臺區(qū)電氣特征向量X的第i行、第j列元素，i＝1,2,...,N，j＝1,2,...,M；對臺區(qū)電氣特征參數(shù)進行標準化處理，有：Zij=xij-x‾jsij---(2)]]>x‾j=1NΣi=1Nxij---(3)]]>sij=1N-1Σi=1N(xij-x‾j)2---(4)]]>其中，Zij為xij標準化處理后的量，為xij的平均值，sij為xij的方差。所述步驟2包括以下步驟：步驟2-1：構建BP神經(jīng)網(wǎng)絡模型：BP神經(jīng)網(wǎng)絡模型包括輸入層、隱含層和輸出層，各層之間的傳遞函數(shù)f(a)采用logsig函數(shù)，有：f(a)=11+e-a---(5)]]>其中，a為各層之間的傳遞函數(shù)f(a)的自變量，0＜f(a)＜1；步驟2-2：對臺區(qū)線損率進行歸一化處理：設臺區(qū)線損率為d，采用式(6)對臺區(qū)線損率d進行歸一化處理，有：di′=αdi-dmin+βdmax-dmin+β---(6)]]>其中，di′為第i個臺區(qū)的臺區(qū)線損率歸一化后的值，di為第i個臺區(qū)的臺區(qū)線損率，dmin為所有臺區(qū)線損率的最小值，dmax為所有臺區(qū)線損率的最大值，α、β為常數(shù)，且0.9＜α＜1，0＜β＜0.1。所述步驟3包括以下步驟：步驟3-1：利用BP神經(jīng)網(wǎng)絡模型對Zij和di′進行學習訓練；步驟3-2：將臺區(qū)電氣特征參數(shù)代入BP神經(jīng)網(wǎng)絡模型中，計算臺區(qū)線損率d。所述步驟3-1中，對于任一臺區(qū)，由于每個臺區(qū)的臺區(qū)電氣特征參數(shù)為M個，所以輸入層含有M個BP神經(jīng)元，于是設輸入層輸入向量為Zr＝(Z1,Z2,…,Zm,…,ZM)T，隱含層的輸出向量為Yr＝(y1,y2,...,yp,...,yP)T，輸出層的輸出向量為or＝(o1,o2,...,ol,...oL)T，期望輸出向量為dr＝(d1,d2,...,dl,...,dL)T，其中，T表示轉置，Zm為輸入層的第m個BP神經(jīng)元，yp為隱含層的第p個BP神經(jīng)元，ol為輸出層的的第l個BP神經(jīng)元，dl為第l個期望輸出量，P為隱含層的BP神經(jīng)元個數(shù)，L為輸出層的BP神經(jīng)元個數(shù)，m＝1,2,...,M，p＝1,2,...,P，l＝1,2,...,L；輸入層到隱含層的權值和閾值分別為wmp和bmp，隱含層到輸出層的權值和閾值分別為wpl和bpl；于是，利用BP神經(jīng)網(wǎng)絡模型對Zij和di′進行學習訓練的正向傳播過程如下：yp=f(Σm=1M(wmpZm+bmp))---(7)]]>ol=f(Σp=1P(wplyp+bpl))---(8)]]>輸出誤差e表示為：e=12Σl=1L(dl-ol)2=12Σl=1L(dl-f(Σp=1P(wplyp+bpl)))2=12Σl=1L(dl-f(Σp=1P(wplf(Σm=1M(wmpZm+bmp))+bpl)))2---(9)]]>利用BP神經(jīng)網(wǎng)絡模型對Zij和di′進行學習訓練的反向傳播過程如下：在第n+1次迭代過程中，e按泰勒公式展開，得到公式(10)：e(w(n+1))＝e(w(n))+gT(n)Δw(n)+0.5ΔwT(n)A(n)Δw(n)(10)其中，w(n)為第n次迭代過程中的權值，e(w(n))為第n次迭代過程中輸出誤差；w(n+1)為第n+1代過程中的權值，e(w(n+1))為第n+1次迭代過程中輸出誤差；g(n)為梯度向量，T表示轉置；Δw(n)為第n+1與第n次代過程中權值的變化量，即Δw(n)＝w(n+1)-w(n)，當Δw(n)＝-A-1(n)g(n)時，e(w(n+1))取得最小值；A(n)為Hessian矩陣；采用LM算法將Hessian矩陣A(n)表示為：A(n)＝JTJ(11)其中，J為雅克比矩陣；梯度向量g(n)表示為：g(n)＝JTe(12)w(n+1)用下式修正：w(n+1)＝w(n)-[JTJ+μI]-1JTe(13)其中，I為單位向量，μ為常數(shù)；同理，第n+1代過程中的閾值b(n+1)用下式修正：b(n+1)＝b(n)-[JTJ+μI]-1JTe(14)其中，b(n)為第n代過程中的閾值。與最接近的現(xiàn)有技術相比，本發(fā)明提供的技術方案具有以下有益效果：1)本發(fā)明利用網(wǎng)絡強大的自學能力、推廣能力以及非線性處理能力來擬合線損率與特征參數(shù)之間復雜的非線性關系，無需建立復雜的數(shù)學模型；2)本發(fā)明提出的基于BP神經(jīng)網(wǎng)絡的臺區(qū)線損率評估方法具有快速收斂、高精度等優(yōu)點。3)本發(fā)明提出的基于BP神經(jīng)網(wǎng)絡的臺區(qū)線損率評估方法可以評估沒有實測的臺區(qū)的線損率，為臺區(qū)線損分析提供了技術支撐。附圖說明圖1是本發(fā)明實施例中基于BP神經(jīng)網(wǎng)絡的臺區(qū)線損率評估方法流程圖；圖2是本發(fā)明實施例中BP神經(jīng)網(wǎng)絡模型結構示意圖。具體實施方式下面結合附圖對本發(fā)明作進一步詳細說明。如圖1，本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡的臺區(qū)線損率評估方法，所述方法包括：步驟1：對臺區(qū)電氣特征參數(shù)進行標準化處理；對臺區(qū)電氣特征參數(shù)進行標準化處理之前，先確定臺區(qū)電氣特征參數(shù)；臺區(qū)電氣特征參數(shù)包括反映網(wǎng)架結構的參數(shù)和與負荷相關的參數(shù)；反映網(wǎng)架結構的參數(shù)包括供電半徑、低壓線路總長度；與負荷相關的參數(shù)包括負載率、用電性質及比例。選取某地區(qū)10個臺區(qū)，各個臺區(qū)的臺區(qū)電氣特征參數(shù)如表1：表1臺區(qū)供電半徑R/米低壓線路總長度D/米用電性質及比例EC/％負載率L/％臺區(qū)113527085.8348臺區(qū)214029095.0739.42708臺區(qū)312630092.7629.60417臺區(qū)4132924100.0027.11694臺區(qū)51451015100.003.347414臺區(qū)6118826100.004.546424臺區(qū)710976372.094.356545臺區(qū)812285485.756.297043臺區(qū)913695285.2610.95262臺區(qū)10144100888.677.236223電氣特征指標是作為神經(jīng)網(wǎng)絡算法的輸入，也就是自變量。各參數(shù)具有不同的單位和量級，對于神經(jīng)網(wǎng)絡算法來說只區(qū)分數(shù)據(jù)數(shù)值的大小，并不能反映出數(shù)據(jù)的單位。為了更好的應用上述算法，需要消除各參數(shù)間不同單位和量級對數(shù)值的影響，防止出現(xiàn)“大數(shù)吃小數(shù)”的現(xiàn)象。而數(shù)據(jù)的標準化就是將數(shù)據(jù)按比例縮放，使之落入一個小的特定區(qū)間去除數(shù)據(jù)的單位限制，將其轉化為無量綱的純數(shù)值。設臺區(qū)個數(shù)為N，每個臺區(qū)的臺區(qū)電氣特征參數(shù)為4個，N個臺區(qū)樣本的臺區(qū)電氣特征參數(shù)組成臺區(qū)電氣特征向量X，有：X=x11x12x13x14x21x22x23x24............xN1xN2xN3xN4---(1)]]>用xij表示臺區(qū)電氣特征向量X的第i行、第j列元素，i＝1,2,...,N，j＝1,2,...,4；對臺區(qū)電氣特征參數(shù)進行標準化處理，有：Zij=xij-x‾jsij---(2)]]>x‾j=1NΣi=1Nxij---(3)]]>sij=1N-1Σi=1N(xij-x‾j)2---(4)]]>其中，Zij為xij標準化處理后的量，為xij的平均值，sij為xij的方差；對10個臺區(qū)的電氣特征參數(shù)進行標準化處理，結果如表2：表2臺區(qū)供電半徑R/米低壓線路總長度D/米用電性質及比例EC/％負載率L/％臺區(qū)1-0.78757-0.703-0.680320.989197臺區(qū)2-0.75876-0.688340.5138980.662709臺區(qū)3-0.83943-0.681010.2156020.288615臺區(qū)4-0.80486-0.223611.1512190.193892臺區(qū)5-0.72996-0.15691.151219-0.71134臺區(qū)6-0.88552-0.295441.151219-0.66568臺區(qū)7-0.93738-0.34162-2.45674-0.67291臺區(qū)8-0.86248-0.27492-0.69093-0.59901臺區(qū)9-0.78181-0.20308-0.75435-0.42171臺區(qū)10-0.73572-0.16203-0.31359-0.56324步驟2：構建BP神經(jīng)網(wǎng)絡模型，并對臺區(qū)線損率進行歸一化處理；具體有：步驟2-1：構建BP神經(jīng)網(wǎng)絡模型：BP神經(jīng)網(wǎng)絡模型包括輸入層、隱含層和輸出層，各層之間的傳遞函數(shù)f(a)采用logsig函數(shù)，有：f(a)=11+e-a---(5)]]>其中，a為各層之間的傳遞函數(shù)f(a)的自變量，0＜f(a)＜1；步驟2-2：對臺區(qū)線損率進行歸一化處理：設臺區(qū)線損率為d，采用式(6)對臺區(qū)線損率d進行歸一化處理，有：di′=αdi-dmin+βdmax-dmin+β---(6)]]>其中，di′為第i個臺區(qū)的臺區(qū)線損率歸一化后的值，di為第i個臺區(qū)的臺區(qū)線損率，dmin為所有臺區(qū)線損率的最小值，dmax為所有臺區(qū)線損率的最大值，α、β為常數(shù)，且0.9＜α＜1，0＜β＜0.1，這里取α＝0.99，β＝0.01；步驟3：根據(jù)BP神經(jīng)網(wǎng)絡模型評估臺區(qū)線損率，具體有：步驟3-1：利用BP神經(jīng)網(wǎng)絡模型對Zij和di′進行學習訓練；BP算法的學習訓練過程由信號的正向傳播和誤差的反向傳播兩個部分組成。正向傳播是指輸入樣本從輸入層輸入，經(jīng)過各隱含層逐層處理傳向輸出層。若輸出層輸出結果沒有達到期望值，則轉到誤差的反向傳播。誤差反向傳播是將輸出誤差以某種形式通過隱含層逐層反傳，對各神經(jīng)元權值和閾值進行調整。權值和閾值不斷調整的過程就是網(wǎng)絡的學習訓練過程，直到誤差達到預期范圍或者達到設定的學習次數(shù)為止。所述步驟3-1中，如圖2，對于任一臺區(qū)，由于每個臺區(qū)的臺區(qū)電氣特征參數(shù)為4個，所以輸入層含有4個BP神經(jīng)元，輸出層含有1個BP神經(jīng)元，于是設輸入層輸入向量為Zr＝(Z1,Z2,Z3,Z4)T，隱含層的輸出向量為Yr＝(y1,y2,...,yp,...,yP)T，輸出層的輸出向量為or＝o1，期望輸出向量為dr＝d1，其中，T表示轉置，yp為隱含層的第p個BP神經(jīng)元，P為隱含層的BP神經(jīng)元個數(shù)，p＝1,2,...,P；輸入層到隱含層的權值和閾值分別為wmp和bmp，隱含層到輸出層的權值和閾值分別為wp1和bp1；于是，利用BP神經(jīng)網(wǎng)絡模型對Zij和di′進行學習訓練的正向傳播過程如下：yp=f(Σm=14(wmpZm+bmp))---(7)]]>o1=f(Σp=1P(wp1yp+bp1))---(8)]]>輸出誤差e表示為：e=12(d1-o1)2=12(d1-f(Σp=1P(wp1yp+bp1)))2=12(d1-f(Σp=1P(wp1f(Σm=14(wmpZm+bmp))+bp1)))2---(9)]]>利用BP神經(jīng)網(wǎng)絡模型對Zij和di′進行學習訓練的反向傳播過程如下：在第n+1次迭代過程中，e按泰勒公式展開，得到公式(10)：e(w(n+1))＝e(w(n))+gT(n)Δw(n)+0.5ΔwT(n)A(n)Δw(n)(10)其中，w(n)為第n次迭代過程中的權值，e(w(n))為第n次迭代過程中輸出誤差；w(n+1)為第n+1代過程中的權值，e(w(n+1))為第n+1次迭代過程中輸出誤差；g(n)為梯度向量，T表示轉置；Δw(n)為第n+1與第n次代過程中權值的變化量，即Δw(n)＝w(n+1)-w(n)，當Δw(n)＝-A-1(n)g(n)時，e(w(n+1))取得最小值；A(n)為Hessian矩陣；采用LM算法將Hessian矩陣A(n)表示為：A(n)＝JTJ(11)其中，J為雅克比矩陣；梯度向量g(n)表示為：g(n)＝JTe(12)w(n+1)用下式修正：w(n+1)＝w(n)-[JTJ+μI]-1JTe(13)其中，I為單位向量，μ為常數(shù)；同理，第n+1代過程中的閾值b(n+1)用下式修正：b(n+1)＝b(n)-[JTJ+μI]-1JTe(14)其中，b(n)為第n代過程中的閾值。步驟3-2：將臺區(qū)電氣特征參數(shù)代入BP神經(jīng)網(wǎng)絡模型中，計算臺區(qū)線損率d。對10個臺區(qū)進行計算，臺區(qū)線損率的實際值、估計值、絕對誤差和相對誤差如表3：表3臺區(qū)實際線損率線損率估計值絕對誤差相對誤差臺區(qū)13.063.0613770.000.05％臺區(qū)24.424.3283090.092.07％臺區(qū)35.225.2490340.030.56％臺區(qū)44.003.9902670.010.31％臺區(qū)54.004.0899780.092.18％臺區(qū)64.204.2660870.071.69％臺區(qū)74.104.1031870.000.02％臺區(qū)84.004.0359610.040.91％臺區(qū)93.994.1547290.164.09％臺區(qū)104.104.084580.010.27％最后應當說明的是：以上實施例僅用以說明本發(fā)明的技術方案而非對其限制，所屬領域的普通技術人員參照上述實施例依然可以對本發(fā)明的具體實施方式進行修改或者等同替換，這些未脫離本發(fā)明精神和范圍的任何修改或者等同替換，均在申請待批的本發(fā)明的權利要求保護范圍之內。當前第1頁1 2 3