（國網(wǎng)甘肅省電力公司蘭州供電公司，甘肅蘭州市，730070） 海曉燕

線損率是影響電力企業(yè)經(jīng)濟(jì)效益的重要因素之一，準(zhǔn)確地預(yù)測電網(wǎng)線損率對提高電力企業(yè)經(jīng)濟(jì)效益有著非常重要的意義[1]。在電網(wǎng)線損率的計算中，如何根據(jù)歷史數(shù)據(jù)快速準(zhǔn)確地計算出線損率，并將其合理地分配到各個變電站和線路中是一個十分重要和復(fù)雜的問題[2]。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法在對其進(jìn)行訓(xùn)練時容易陷入局部最小值，難以保證網(wǎng)絡(luò)的全局最優(yōu)性[3]。因此，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)線損率預(yù)測模型，對于探究電網(wǎng)線損率的預(yù)測精度和效果具有重要的意義。

1 BP神經(jīng)網(wǎng)絡(luò)架構(gòu)

1.1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種具有多層結(jié)構(gòu)的網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)造了一個三層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層、輸出層和隱藏層都是由許多神經(jīng)元組成，它們以權(quán)重相互聯(lián)系，盡管存在著聯(lián)系，但各個層級的神經(jīng)元不能進(jìn)行任何形式的信息交流，而各個層級的神經(jīng)元只能夠?qū)⑿畔魉偷缴蠈印?/p>

在BP神經(jīng)網(wǎng)絡(luò)中，隱藏層可為單層，也可為多層，通常利用神經(jīng)網(wǎng)絡(luò)算法來選擇其節(jié)點數(shù)的多少，對于輸入層、輸出層和隱藏層節(jié)點的確定方法如式（1）所示：

1.2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)是一種有指導(dǎo)的學(xué)習(xí)方法，它的學(xué)習(xí)是由前向和后向兩個方向進(jìn)行的。正向傳輸是用于對前向網(wǎng)絡(luò)進(jìn)行運算，將數(shù)據(jù)寫到輸入層，再由隱藏層傳送到輸出層將其輸出[5]。在前向傳輸時，各節(jié)點權(quán)重不發(fā)生變化，同一層次的各神經(jīng)元相互獨立。假定所得到的結(jié)果有較大的偏差，就會被引入反向的方法。反向傳播主要實現(xiàn)的是誤差的反向傳播。將輸出結(jié)果誤差較大的信號通過逐層逆向反饋，改變神經(jīng)元的連接閾值和權(quán)值，從而降低正向傳播的輸出結(jié)果誤差。BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法圖如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法圖

1.3 BP神經(jīng)網(wǎng)絡(luò)算法步驟

步驟四：將誤差反向傳播分配給隱含層節(jié)點：

2 基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)線損率預(yù)測模型構(gòu)建

2.1 線損數(shù)據(jù)質(zhì)量校核

BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法可以根據(jù)線損數(shù)據(jù)計算出電網(wǎng)數(shù)據(jù)中隱藏的規(guī)律，但是它對線損樣本數(shù)據(jù)也有一定的要求。因此，在用模型進(jìn)行預(yù)測之前，要先對線損數(shù)據(jù)的質(zhì)量進(jìn)行檢查，刨除其中沒有用的數(shù)據(jù)。建立了一個線損數(shù)據(jù)質(zhì)量校核體系，具體流程如圖3 所示，通過數(shù)據(jù)輸入確定完整性是否合理，若合理則判斷精確性和及時性是否合理，若合理則完成校驗。

圖3 線損數(shù)據(jù)質(zhì)量校核過程

另外，電網(wǎng)的結(jié)構(gòu)相對來說比較復(fù)雜，許多因素都可能會造成線損，例如線路電纜化率、線路界面、長度標(biāo)準(zhǔn)化率等等都會造成線損。為了不讓這些因素影響到計算，要先對原始線損數(shù)據(jù)進(jìn)行統(tǒng)一的標(biāo)準(zhǔn)化處理。假設(shè)特征參數(shù)為個，樣本數(shù)據(jù)集為，表示樣本數(shù)量，，處理過程如式（4）所示：

經(jīng)過以上計算，線損數(shù)據(jù)基本統(tǒng)一，質(zhì)量校驗完成，為模型預(yù)測線損率打下基礎(chǔ)。

2.2 電網(wǎng)線損率預(yù)測模型

為了避免傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元在預(yù)測模型中出現(xiàn)飽和現(xiàn)象，需對BP 神經(jīng)網(wǎng)絡(luò)輸入層中存在的數(shù)據(jù)展開歸一化處理，過程如下：

在利用BP 神經(jīng)網(wǎng)絡(luò)對電網(wǎng)線損率進(jìn)行預(yù)測時，需根據(jù)預(yù)測的歷史年中的數(shù)據(jù)和全年總的電量對輸入層變量中存在的典型日供電量進(jìn)行計算，獲得下式：

3 試驗分析

為了驗證文中所提方法的線損率預(yù)測和診斷效果。選取IEE69節(jié)點電網(wǎng)拓?fù)浣Y(jié)構(gòu)。為了滿足試驗要求，在電網(wǎng)中接入10 個小水電站，電網(wǎng)拓?fù)鋱D如圖4所示。

圖4 接入小水電站后的IEE69節(jié)點電網(wǎng)拓?fù)鋱D

在上述實驗環(huán)境下，應(yīng)用文中提出的方法進(jìn)行電網(wǎng)線損異常檢測。根據(jù)異常檢測結(jié)果，驗證本文研究內(nèi)容的可行性。

本文所設(shè)計方法與基于k 均值聚類算法（kmeans clustering algorithm）線損率預(yù)測模型方法和基于孤立森林算法的電網(wǎng)線損率預(yù)測模型方法進(jìn)行預(yù)測時間對比，結(jié)果如圖5所示，表示出不同迭代次數(shù)下的電網(wǎng)線損率預(yù)測所需時間.

圖5 電網(wǎng)線損率預(yù)測時間對比

由圖5 可知，本文所設(shè)計電網(wǎng)線損率預(yù)測方法較k均值聚類算法和孤立森林算法方法預(yù)測時間更短。主要是所設(shè)計模型預(yù)先對數(shù)據(jù)質(zhì)量進(jìn)行了校核，并生成了電網(wǎng)線損率特征值，同時采用了BP神經(jīng)網(wǎng)絡(luò)算法建立了預(yù)測模型，提高了預(yù)測效果。

為了進(jìn)一步說明本文所提方法在線損異常診斷方面的優(yōu)越性，利用本文方法與基于k 均值聚類算法、基于孤立森林算法對5條線路近10日線損數(shù)據(jù)進(jìn)行分析，線損診斷對比結(jié)果如表1所示。

表1 線損診斷對比結(jié)果

由表1 可知，本文方法的線損異常診斷方法的準(zhǔn)確率、誤判率和漏判率等方面均優(yōu)于其他三種模型方法，說明本文基于BP 神經(jīng)網(wǎng)絡(luò)的電網(wǎng)線損率預(yù)測模型方法在高維數(shù)據(jù)相關(guān)性分析方面有其獨到的優(yōu)越性，降低了誤判率和漏判率，表現(xiàn)出了較好的線損診斷效果。

4 結(jié)語

本文提出的基于改進(jìn)BP 神經(jīng)網(wǎng)絡(luò)的電網(wǎng)線損率預(yù)測模型，通過將電力系統(tǒng)的歷史數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并采用相應(yīng)的學(xué)習(xí)率對其進(jìn)行調(diào)整，最終獲得一個比較準(zhǔn)確的預(yù)測模型。該模型可以有效地減少BP 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時間，并提高網(wǎng)絡(luò)學(xué)習(xí)速率，從而提高電網(wǎng)線損率的預(yù)測效率和預(yù)測精度，線損故障診斷效果更好。