论文部分内容阅读
[摘 要]在降低配电网线损的研究应用和研究中，传统降损措施存在着相应的缺陷和不足。因此提出将BP神经网络算法应用到配电网的综合降损研究中，简单介绍了BP神经网络算法，分析了BP神经网络的学习和训练的过程，将BP神经网络算法应用到配电网的负荷预测、配电网重构和无功补偿三个方面，综合分析结果和实际数据，验证了BP神经网络算法在配电网综合降损应用中的可行性。
[关键词]神经网络；配电网；线损
中图分类号：S868 文献标识码：A 文章编号：1009-914X（2018）10-0380-01
0 引言
線损是电能在传输过程中各个环节的损失，是供电量和售电量之间的差值。在电能的传输过程中造成部分电能的浪费，降低了电网传输的经济性，因此研究人员在不断的探究新的降低线损的方法，目前国内外普遍采用的措施有合理调整运行电压、调整电网升压改造、更换粗导线截面、缩短供电半径、增加无功补偿容量等措施。将智能算法应用到配电网降损中也逐步成为研究人员青睐的内容，如将BP神经网络算法应用到配电网的综合降损中，并结合实际电网数据，从配电网的负荷预测、配网重构和无功补偿三个方面进行分析论证，为配电网降损研究做出了贡献。
1 BP神经网络算法
1.1 BP神经网络简介
BP神经网络是到目前理论较为成熟，应用广泛的人工神经网络算法，它包括输入层、隐含层和输出层，按照误差逆向传播的方式训练多层前馈网络。BP神经网络的学习过程是信息的前向传播和信息误差的反向传播两项内容。在信息前向传播的过程中输入层传播到隐含层，信息由隐含层处理后再传播到输出层，这是信息逐层更新的过程。若输出的信息不能到达期望的效果则要将信息反向传播，将误差传播到各神经元，修改各神经元的连接权值，使误差均方达到最小化，直至满足要求。一个典型的BP神经网络包括输入层、隐含层和输出层。
1.2 BP神经网络学习和训练
BP神经网络算法是通过调整权重来实现使网络输出值逼近期望值的目的，BP神经网络算法学习过程为[4]：
1）将各权重值和阀值设为最小正数；给定网络一组输入向量和目标输出向量；
2）根据输入向量计算实际输出向量，即，将此输出值送到下一层作为输入；
3）权重的调整是通过权重调整公式来实现；式中为增益相，为输出误差，可以表示为。
在应用BP神经网络解决问题前，除了了解它的学习过程外，还需要对其进行训练，步骤如下：
1）对相应的数据进行初始化：
期望误差最小值：err_goal
最大循环次数：max_epoch
权值修正学习速率：lr，取0.01-0.6
2）完成一个训练样本的学习后，将下一个学习样本提供给网络，再计算实际输出向量，以此类推完成全部的样本训练。
3）从学习样本中选取一组输入和目标样本数据，然后再计算输出向量，网络全局误差小于设定期望误差为止，训练结束。
2 配电网综合降损
将BP神经网络算法应用到配电网的综合降损中，从配电网的负荷预测、配电网重构和无功补偿三个方面出发，根据配电网负荷预测的结果构造出更为科学合理的配电网结构和无功补偿的方案，实现配电网综合降损的目的。以某地区一条10KV配电线路为例说明。标号1-13为负荷母线，Sl-S12为母线之间的12个联络开关，两座变电站由A、B表示，其中偶数标号的母线安装有电容器组，可实现最大和最小运行方式下的最优补偿。选取l号负荷母线2013年12月前十天的负荷数据为训练数据。
2.1 负荷预测
采用BP神经网络实现负荷预测的过程为：以当天负荷段对应的负荷点12个分量的数据为配电网的输入向量，且输出向量同样为第二天12个分量的负荷数据，这样就实现了为下一天负荷的预测。
以某地区10KV配电网线路1号负荷母线2013年12月份前十天的数据为依据，对网络进行训练，用1号到9号的数据进行网络训练，训练函数设置为[6-7]：
net.trainParam.epochs=500；
%训练次数设为500次
net.trainParam.goal=0.001；
%训练目标设为0.001
L.P.lr=0.05；
%学习速率设为0.05
Net=train（net，P，T）；
%P为输入向量，1到5号的负荷数据
%T为输出向量，6到10号的负荷数据
训练结果为：
TRAINLM，Epoch0/500，MSE3.7989/0.001，Gradient1081.63/1e-010
TRAINLM，Epoch5/500，MSE0.000463846/0.001，Gradient7.38793/1e-010
TRAINLM，Performance goal met.
由此可见通过训练之后，预测数据和实测数据误差为0.001，且基本无偏差，可很好的满足实际应用需求
2.2配网重构
根据负荷等级将图2配电网线路中的13条母线分为7类，则有713种负荷模式，从713种负荷模式中选取4000个，以其中3000个数据作为训练集合，应用BP神经网络算法对配电网进行学习训练，另外1000个数据为测试集合，经过46次训练后可达到误差要求，训练结果为：
TRAINBFG-srchbac.Epoch0/500，MSE21.616/0.02，Gradient236.65/1e-006
TRAINBFG-srchbac.Epoch25/500，MSE0.026354/0.02，Gradient0.150609/1e-006
TRAINBFG-srchbac.Epoch46/500，MSE0.0199597/0.02，Gradient0.0677733/1e-006
TRAINBFG， Performance goal met.
以13条母线的某一时刻负荷的实测数据为依据，通过负荷预测网络的预测得到下一时刻的负荷预测数据，并通过配电网重构在预测时刻采用将图2中开关S6断开的模式运行则配电网线损为586.21kW，若采用将开关S7断开的模式运行则线损为628.18kW，可见通过配电网重构后线损降低了41.97kW，降低了约6.7%，提高了配电网的输电效率。
2.3无功补偿
同样按照负荷等级分类将13条母线分为7类，有713负荷模式，对应着、、和的电容装置建立起4个BP神经网络，以13个无功分量向量做为输入，则输出为5分分量的向量。同时隐含层为25个神经元，中间神经元的传递函数为tansing，输出神经元传递函数为purelin，训练函数为trainbfg。从713种负荷模式选取8000个数据，其中7000个数据做为训练集合，1000个数据做为测试集合。
3 结论
通过对BP神经网络算法的简单介绍和学习、训练过程的分析，将BP神经网络算法应用到配电网的综合降损中，分别从负荷预测、配网重构和无功补偿三个方面说明了BP神经网络算法在配电网综合降损可取的较为良好的降损效果，也为相似的研究和工程实践提供了理论依据。
参考文献：
[1] 戴晓亮.无功补偿技术在配电网中的应用[J].电网技术，1999，38（6）：11-14.
[2] 王敬志，任开春，胡斌.基于BP神经网络整定的PID控制[J].工业控制计算机，2011，24（3）：72-74.
[关键词]神经网络；配电网；线损
中图分类号：S868 文献标识码：A 文章编号：1009-914X（2018）10-0380-01
0 引言
線损是电能在传输过程中各个环节的损失，是供电量和售电量之间的差值。在电能的传输过程中造成部分电能的浪费，降低了电网传输的经济性，因此研究人员在不断的探究新的降低线损的方法，目前国内外普遍采用的措施有合理调整运行电压、调整电网升压改造、更换粗导线截面、缩短供电半径、增加无功补偿容量等措施。将智能算法应用到配电网降损中也逐步成为研究人员青睐的内容，如将BP神经网络算法应用到配电网的综合降损中，并结合实际电网数据，从配电网的负荷预测、配网重构和无功补偿三个方面进行分析论证，为配电网降损研究做出了贡献。
1 BP神经网络算法
1.1 BP神经网络简介
BP神经网络是到目前理论较为成熟，应用广泛的人工神经网络算法，它包括输入层、隐含层和输出层，按照误差逆向传播的方式训练多层前馈网络。BP神经网络的学习过程是信息的前向传播和信息误差的反向传播两项内容。在信息前向传播的过程中输入层传播到隐含层，信息由隐含层处理后再传播到输出层，这是信息逐层更新的过程。若输出的信息不能到达期望的效果则要将信息反向传播，将误差传播到各神经元，修改各神经元的连接权值，使误差均方达到最小化，直至满足要求。一个典型的BP神经网络包括输入层、隐含层和输出层。
1.2 BP神经网络学习和训练
BP神经网络算法是通过调整权重来实现使网络输出值逼近期望值的目的，BP神经网络算法学习过程为[4]：
1）将各权重值和阀值设为最小正数；给定网络一组输入向量和目标输出向量；
2）根据输入向量计算实际输出向量，即，将此输出值送到下一层作为输入；
3）权重的调整是通过权重调整公式来实现；式中为增益相，为输出误差，可以表示为。
在应用BP神经网络解决问题前，除了了解它的学习过程外，还需要对其进行训练，步骤如下：
1）对相应的数据进行初始化：
期望误差最小值：err_goal
最大循环次数：max_epoch
权值修正学习速率：lr，取0.01-0.6
2）完成一个训练样本的学习后，将下一个学习样本提供给网络，再计算实际输出向量，以此类推完成全部的样本训练。
3）从学习样本中选取一组输入和目标样本数据，然后再计算输出向量，网络全局误差小于设定期望误差为止，训练结束。
2 配电网综合降损
将BP神经网络算法应用到配电网的综合降损中，从配电网的负荷预测、配电网重构和无功补偿三个方面出发，根据配电网负荷预测的结果构造出更为科学合理的配电网结构和无功补偿的方案，实现配电网综合降损的目的。以某地区一条10KV配电线路为例说明。标号1-13为负荷母线，Sl-S12为母线之间的12个联络开关，两座变电站由A、B表示，其中偶数标号的母线安装有电容器组，可实现最大和最小运行方式下的最优补偿。选取l号负荷母线2013年12月前十天的负荷数据为训练数据。
2.1 负荷预测
采用BP神经网络实现负荷预测的过程为：以当天负荷段对应的负荷点12个分量的数据为配电网的输入向量，且输出向量同样为第二天12个分量的负荷数据，这样就实现了为下一天负荷的预测。
以某地区10KV配电网线路1号负荷母线2013年12月份前十天的数据为依据，对网络进行训练，用1号到9号的数据进行网络训练，训练函数设置为[6-7]：
net.trainParam.epochs=500；
%训练次数设为500次
net.trainParam.goal=0.001；
%训练目标设为0.001
L.P.lr=0.05；
%学习速率设为0.05
Net=train（net，P，T）；
%P为输入向量，1到5号的负荷数据
%T为输出向量，6到10号的负荷数据
训练结果为：
TRAINLM，Epoch0/500，MSE3.7989/0.001，Gradient1081.63/1e-010
TRAINLM，Epoch5/500，MSE0.000463846/0.001，Gradient7.38793/1e-010
TRAINLM，Performance goal met.
由此可见通过训练之后，预测数据和实测数据误差为0.001，且基本无偏差，可很好的满足实际应用需求
2.2配网重构
根据负荷等级将图2配电网线路中的13条母线分为7类，则有713种负荷模式，从713种负荷模式中选取4000个，以其中3000个数据作为训练集合，应用BP神经网络算法对配电网进行学习训练，另外1000个数据为测试集合，经过46次训练后可达到误差要求，训练结果为：
TRAINBFG-srchbac.Epoch0/500，MSE21.616/0.02，Gradient236.65/1e-006
TRAINBFG-srchbac.Epoch25/500，MSE0.026354/0.02，Gradient0.150609/1e-006
TRAINBFG-srchbac.Epoch46/500，MSE0.0199597/0.02，Gradient0.0677733/1e-006
TRAINBFG， Performance goal met.
以13条母线的某一时刻负荷的实测数据为依据，通过负荷预测网络的预测得到下一时刻的负荷预测数据，并通过配电网重构在预测时刻采用将图2中开关S6断开的模式运行则配电网线损为586.21kW，若采用将开关S7断开的模式运行则线损为628.18kW，可见通过配电网重构后线损降低了41.97kW，降低了约6.7%，提高了配电网的输电效率。
2.3无功补偿
同样按照负荷等级分类将13条母线分为7类，有713负荷模式，对应着、、和的电容装置建立起4个BP神经网络，以13个无功分量向量做为输入，则输出为5分分量的向量。同时隐含层为25个神经元，中间神经元的传递函数为tansing，输出神经元传递函数为purelin，训练函数为trainbfg。从713种负荷模式选取8000个数据，其中7000个数据做为训练集合，1000个数据做为测试集合。
3 结论
通过对BP神经网络算法的简单介绍和学习、训练过程的分析，将BP神经网络算法应用到配电网的综合降损中，分别从负荷预测、配网重构和无功补偿三个方面说明了BP神经网络算法在配电网综合降损可取的较为良好的降损效果，也为相似的研究和工程实践提供了理论依据。
参考文献：
[1] 戴晓亮.无功补偿技术在配电网中的应用[J].电网技术，1999，38（6）：11-14.
[2] 王敬志，任开春，胡斌.基于BP神经网络整定的PID控制[J].工业控制计算机，2011，24（3）：72-74.