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(luò)的臺區(qū)線損率評估方法。
背景技術(shù)：
：我國配電網(wǎng)規(guī)模龐大、結(jié)構(gòu)復(fù)雜，具有點(diǎn)多、線長、面廣的特點(diǎn)。隨著社會經(jīng)濟(jì)的發(fā)展，用電負(fù)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(dá)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(biāo)之一。如何準(zhǔn)確簡便地計(jì)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(wù)。由于低壓臺區(qū)的建設(shè)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(fù)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(jì)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(jì)算理論線損率還是評估統(tǒng)計(jì)線損率均需要?jiǎng)佑么罅康娜肆?、物力才能收集到必要和充分的運(yùn)行資料，工作量非常大，致使各供電部門難以每月進(jìn)行一次計(jì)算工作。近年來，神經(jīng)網(wǎng)絡(luò)理論的發(fā)展與應(yīng)用為線損率計(jì)算提供了新的途徑。神經(jīng)網(wǎng)絡(luò)計(jì)算線損率無須建立數(shù)學(xué)模型，可以利用網(wǎng)絡(luò)強(qiáng)大的自學(xué)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(fù)雜的非線性關(guān)系，因此利用神經(jīng)網(wǎng)絡(luò)算法可以快速計(jì)算和評估臺區(qū)線損率。技術(shù)實(shí)現(xiàn)要素：為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡(luò)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(jié)構(gòu)和負(fù)荷相關(guān)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(luò)學(xué)習(xí)電氣特征指標(biāo)與臺區(qū)線損率之間的非線性關(guān)系，進(jìn)而得到BP神經(jīng)網(wǎng)絡(luò)模型，通過BP神經(jīng)網(wǎng)絡(luò)模型評估臺區(qū)線損率。為了實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采取如下技術(shù)方案：本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡(luò)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(jìn)行標(biāo)準(zhǔn)化處理；步驟2：構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，并對臺區(qū)線損率進(jìn)行歸一化處理；步驟3：根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型評估臺區(qū)線損率。所述步驟1中，設(shè)臺區(qū)個(gè)數(shù)為N，每個(gè)臺區(qū)的臺區(qū)電氣特征參數(shù)為M個(gè)，N個(gè)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(jìn)行標(biāo)準(zhǔn)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(biāo)準(zhǔn)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(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型：BP神經(jīng)網(wǎng)絡(luò)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(jìn)行歸一化處理：設(shè)臺區(qū)線損率為d，采用式(6)對臺區(qū)線損率d進(jìn)行歸一化處理，有：di′=αdi-dmin+βdmax-dmin+β---(6)]]>其中，di′為第i個(gè)臺區(qū)的臺區(qū)線損率歸一化后的值，di為第i個(gè)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(luò)模型對Zij和di′進(jìn)行學(xué)習(xí)訓(xùn)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(luò)模型中，計(jì)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(gè)臺區(qū)的臺區(qū)電氣特征參數(shù)為M個(gè)，所以輸入層含有M個(gè)BP神經(jīng)元，于是設(shè)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(zhuǎn)置，Zm為輸入層的第m個(gè)BP神經(jīng)元，yp為隱含層的第p個(gè)BP神經(jīng)元，ol為輸出層的的第l個(gè)BP神經(jīng)元，dl為第l個(gè)期望輸出量，P為隱含層的BP神經(jīng)元個(gè)數(shù)，L為輸出層的BP神經(jīng)元個(gè)數(shù)，m＝1,2,...,M，p＝1,2,...,P，l＝1,2,...,L；輸入層到隱含層的權(quán)值和閾值分別為wmp和bmp，隱含層到輸出層的權(quán)值和閾值分別為wpl和bpl；于是，利用BP神經(jīng)網(wǎng)絡(luò)模型對Zij和di′進(jìn)行學(xué)習(xí)訓(xùn)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(luò)模型對Zij和di′進(jìn)行學(xué)習(xí)訓(xùn)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(quán)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(quán)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(zhuǎn)置；Δw(n)為第n+1與第n次代過程中權(quán)值的變化量，即Δw(n)＝w(n+1)-w(n)，當(dāng)Δw(n)＝-A-1(n)g(n)時(shí)，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(shù)相比，本發(fā)明提供的技術(shù)方案具有以下有益效果：1)本發(fā)明利用網(wǎng)絡(luò)強(qiáng)大的自學(xué)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(fù)雜的非線性關(guān)系，無需建立復(fù)雜的數(shù)學(xué)模型；2)本發(fā)明提出的基于BP神經(jīng)網(wǎng)絡(luò)的臺區(qū)線損率評估方法具有快速收斂、高精度等優(yōu)點(diǎn)。3)本發(fā)明提出的基于BP神經(jīng)網(wǎng)絡(luò)的臺區(qū)線損率評估方法可以評估沒有實(shí)測的臺區(qū)的線損率，為臺區(qū)線損分析提供了技術(shù)支撐。附圖說明圖1是本發(fā)明實(shí)施例中基于BP神經(jīng)網(wǎng)絡(luò)的臺區(qū)線損率評估方法流程圖；圖2是本發(fā)明實(shí)施例中BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)說明。如圖1，本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡(luò)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(jìn)行標(biāo)準(zhǔn)化處理；對臺區(qū)電氣特征參數(shù)進(jìn)行標(biāo)準(zhǔn)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(jié)構(gòu)的參數(shù)和與負(fù)荷相關(guān)的參數(shù)；反映網(wǎng)架結(jié)構(gòu)的參數(shù)包括供電半徑、低壓線路總長度；與負(fù)荷相關(guān)的參數(shù)包括負(fù)載率、用電性質(zhì)及比例。選取某地區(qū)10個(gè)臺區(qū)，各個(gè)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(zhì)及比例EC/％負(fù)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(biāo)是作為神經(jīng)網(wǎng)絡(luò)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(luò)算法來說只區(qū)分?jǐn)?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(yīng)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(biāo)準(zhǔn)化就是將數(shù)據(jù)按比例縮放，使之落入一個(gè)小的特定區(qū)間去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無量綱的純數(shù)值。設(shè)臺區(qū)個(gè)數(shù)為N，每個(gè)臺區(qū)的臺區(qū)電氣特征參數(shù)為4個(gè)，N個(gè)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(jìn)行標(biāo)準(zhǔn)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(biāo)準(zhǔn)化處理后的量，為xij的平均值，sij為xij的方差；對10個(gè)臺區(qū)的電氣特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，結(jié)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(zhì)及比例EC/％負(fù)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(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，并對臺區(qū)線損率進(jìn)行歸一化處理；具體有：步驟2-1：構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型：BP神經(jīng)網(wǎng)絡(luò)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(jìn)行歸一化處理：設(shè)臺區(qū)線損率為d，采用式(6)對臺區(qū)線損率d進(jìn)行歸一化處理，有：di′=αdi-dmin+βdmax-dmin+β---(6)]]>其中，di′為第i個(gè)臺區(qū)的臺區(qū)線損率歸一化后的值，di為第i個(gè)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(luò)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(luò)模型對Zij和di′進(jìn)行學(xué)習(xí)訓(xùn)練；BP算法的學(xué)習(xí)訓(xùn)練過程由信號的正向傳播和誤差的反向傳播兩個(gè)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(jié)果沒有達(dá)到期望值，則轉(zhuǎn)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(quán)值和閾值進(jìn)行調(diào)整。權(quán)值和閾值不斷調(diào)整的過程就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程，直到誤差達(dá)到預(yù)期范圍或者達(dá)到設(shè)定的學(xué)習(xí)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(gè)臺區(qū)的臺區(qū)電氣特征參數(shù)為4個(gè)，所以輸入層含有4個(gè)BP神經(jīng)元，輸出層含有1個(gè)BP神經(jīng)元，于是設(shè)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(zhuǎn)置，yp為隱含層的第p個(gè)BP神經(jīng)元，P為隱含層的BP神經(jīng)元個(gè)數(shù)，p＝1,2,...,P；輸入層到隱含層的權(quán)值和閾值分別為wmp和bmp，隱含層到輸出層的權(quán)值和閾值分別為wp1和bp1；于是，利用BP神經(jīng)網(wǎng)絡(luò)模型對Zij和di′進(jìn)行學(xué)習(xí)訓(xùn)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(luò)模型對Zij和di′進(jìn)行學(xué)習(xí)訓(xùn)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(quán)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(quán)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(zhuǎn)置；Δw(n)為第n+1與第n次代過程中權(quán)值的變化量，即Δw(n)＝w(n+1)-w(n)，當(dāng)Δw(n)＝-A-1(n)g(n)時(shí)，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(luò)模型中，計(jì)算臺區(qū)線損率d。對10個(gè)臺區(qū)進(jìn)行計(jì)算，臺區(qū)線損率的實(shí)際值、估計(jì)值、絕對誤差和相對誤差如表3：表3臺區(qū)實(shí)際線損率線損率估計(jì)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(yīng)當(dāng)說明的是：以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案而非對其限制，所屬領(lǐng)域的普通技術(shù)人員參照上述實(shí)施例依然可以對本發(fā)明的具體實(shí)施方式進(jìn)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(quán)利要求保護(hù)范圍之內(nèi)。當(dāng)前第1頁1 2 3