基于BP神经网络的电网线损率预测模型分析.pdf

第5期2 0 2 3年10 月石河子科技中图分类号：V242.3+3文献标识码：B文章编号：1008-0899（2023）10-0033-03线损率是影响电力企业经济效益的重要因素之一，准确地预测电网线损率对提高电力企业经济效益有着非常重要的意义1。在电网线损率的计算中，如何根据历史数据快速准确地计算出线损率，并将其合理地分配到各个变电站和线路中是一个十分重要和复杂的问题2。传统神经网络算法在对其进行训练时容易陷入局部最小值，难以保证网络的全局最优性3。因此，提出一种基于BP神经网络的电网线损率预测模型，对于探究电网线损率的预测精度和效果具有重要的意义。1BP神经网络架构1.1BP神经网络模型结构BP神经网络是一种具有多层结构的网络模型，采用BP神经网络构造了一个三层前馈网络。BP神经网络结构图如图1所示。图1BP神经网络结构图输入层、输出层和隐藏层都是由许多神经元组成，它们以权重相互联系，尽管存在着联系，但各个层级的神经元不能进行任何形式的信息交流，而各个层级的神经元只能够将信息传送到上层。在BP神经网络中，隐藏层可为单层，也可为多层，通常利用神经网络算法来选择其节点数的多少，对于输入层、输出层和隐藏层节点的确定方法如式（1）所示：（1）式中：代表隐藏层对应的节点数目，代表输入层对应的节点数，u代表输出层对应的节点数目，g代表常数，数值在110之间。1.2BP神经网络学习算法BP神经网络是一种有指导的学习方法，它的学习是由前向和后向两个方向进行的。正向传输是用于对前向网络进行运算，将数据写到输入层，再由隐藏层传送到输出层将其输出5。在前向传输时，各节点权重不发生变化，同一层次的各神经元相互独立。假定所得到的结果有较大的偏差，就会被引入反向的方法。反向传播主要实现的是误差的反向传播。将输出结果误差较大的信号通过逐层逆向反馈，改变神经元的连接阈值和权值，从而降低正向传播的输出结果误差。BP神经网络学习算法图如图2所示。图2BP神经网络学习算法图1.3BP神经网络算法步骤假定输入层节点与隐藏层节点的连接权是，而在隐含层节点至输出层节点的连接基于BP神经网络的电网线损率预测模型分析（国网甘肃省电力公司兰州供电公司，甘肃兰州市，730070）海晓燕摘要为了提高电网线损的预测精度，提出一种基于误差逆传播算法训练的多层前馈（backpropagation，BP）神经网络的电网线损率预测模型。通过对BP神经网络模型的结构和学习算法进行分析，提出了线损数据质量校核方法。试验结果表明：此模型可提高预测效果，对于线损异常诊断具有较好的诊断效果。关键词BP神经网络；电网线损率；预测；模型作者简介：海晓燕（1990），女，回族，宁夏固原人，工程师，研究方向：电网规划。-33石河子科技总第2 71期权是，隐含层节点的门限是，而输出层节点是。步骤一：将所有数据进行初始化操作，即给，随机选择一个较小的值。步 骤 二：对 数 据 进 行 训 练，即 对 输 入 值和期望输出值，进行正向计算：（2）（3）步骤三：计算输出层节点输出的结果与期望输出值的误差：（4）步骤四：将误差反向传播分配给隐含层节点：（5）式中：表示隐含层参数节点，表示序列节点。步骤五：调整与间连接权的值，计算输出层节点阈值的值：（6）（7）式中：表示分部节点；表示输出层系数。步骤六：调整与间连接权值，计算隐含层节点阈值的值：（8）式中：表示特征参数，表示聚类节点。（9）步 骤 七：重 复 操 作 步 骤 三，直 到 对 于，输出结果误差变得足够小，则算法收敛。（10）式中：表示特征集；表示分布幅值。2基于BP神经网络的电网线损率预测模型构建2.1线损数据质量校核BP神经网络学习算法可以根据线损数据计算出电网数据中隐藏的规律，但是它对线损样本数据也有一定的要求。因此，在用模型进行预测之前，要先对线损数据的质量进行检查，刨除其中没有用的数据。建立了一个线损数据质量校核体系，具体流程如图3所示，通过数据输入确定完整性是否合理，若合理则判断精确性和及时性是否合理，若合理则完成校验。图3线损数据质量校核过程另外，电网的结构相对来说比较复杂，许多因素都可能会造成线损，例如线路电缆化率、线路界面、长度标准化率等等都会造成线损。为了不让这些因素影响到计算，要先对原始线损数据进行统一的标准化处理。假设特征参数为个，样本数据集为，表示样本数量，处理过程如式（4）所示：（11）式中，表示标准化处理后的线损数据，表示数据的平均值，表示若干类的方差。经过以上计算，线损数据基本统一，质量校验完成，为模型预测线损率打下基础。2.2电网线损率预测模型为了避免传统神经网络中，神经元在预测模型中出现饱和现象，需对BP神经网络输入层中存在的数据展开归一化处理，过程如下：（12）式中：表示典型日供电量和电网参数归一化处理后的数据；表示典型日供电量和电网参数的最大值；表示欧氏距离；表示典型日供电量和电网参数的实际值；表示归一化频率。在利用 BP 神经网络对电网线损率进行预测-34第5期2 0 2 3年10 月石河子科技时，需根据预测的历史年中的数据和全年总的电量对输入层变量中存在的典型日供电量进行计算，获得下式：（13）式中：表示预测的年电网线损率结果；表示历史某年电网典型日电量；表示预测年电网的总供电量；表示历史某年电网的供电量。3试验分析为了验证文中所提方法的线损率预测和诊断效果。选取IEE69节点电网拓扑结构。为了满足试验要求，在电网中接入10个小水电站，电网拓扑图如图4所示。图4接入小水电站后的IEE69节点电网拓扑图在上述实验环境下，应用文中提出的方法进行电网线损异常检测。根据异常检测结果，验证本文研究内容的可行性。本文所设计方法与基于 k 均值聚类算法（k-means clustering algorithm）线损率预测模型方法和基于孤立森林算法的电网线损率预测模型方法进行预测时间对比，结果如图5所示，表示出不同迭代次数下的电网线损率预测所需时间.图5电网线损率预测时间对比由图5可知，本文所设计电网线损率预测方法较k均值聚类算法和孤立森林算法方法预测时间更短。主要是所设计模型预先对数据质量进行了校核，并生成了电网线损率特征值，同时采用了BP神经网络算法建立了预测模型，提高了预测效果。为了进一步说明本文所提方法在线损异常诊断方面的优越性，利用本文方法与基于k均值聚类算法、基于孤立森林算法对5条线路近10日线损数据进行分析，线损诊断对比结果如表1所示。表1线损诊断对比结果方法本文方法k均值聚类算法孤立森林算法准确率/%98.7196.8995.27误判率/%1.052.342.56漏判率/%0.240.772.17由表1可知，本文方法的线损异常诊断方法的准确率、误判率和漏判率等方面均优于其他三种模型方法，说明本文基于BP神经网络的电网线损率预测模型方法在高维数据相关性分析方面有其独到的优越性，降低了误判率和漏判率，表现出了较好的线损诊断效果。4结语本文提出的基于改进BP神经网络的电网线损率预测模型，通过将电力系统的历史数据输入到BP神经网络模型中进行训练，并采用相应的学习率对其进行调整，最终获得一个比较准确的预测模型。该模型可以有效地减少 BP 神经网络学习时间，并提高网络学习速率，从而提高电网线损率的预测效率和预测精度，线损故障诊断效果更好。参考文献1黄元生,胡建军,蔡雅倩.基于耦合GPR-PSO的北京地区中长期电力需求预测J.电测与仪表,2020,727(2):79-85.2李正明,梁彩霞,王满商.基于PSO-DBN神经网络的光伏短期发电出力预测J.电力系统保护与控制,2020,554(8):155-160.3陈建华,皇甫成,梁吉等.一种基于实际数据驱动的新能源出力对电网线损影响评估方法J.电网与清洁能源,2020,253(8):64-70.4王方雨,刘文颖,李潇,等.考虑线损灵敏度一致性的外网静态等值模型J.电网技术,2020,439(6):316-326.5林宝德,杨铮宇.基于多维特征的电网台区线损数据异常识别研究J.电力系统保护与控制,2022,50(09):172-178.-35