基于GA-BP神经网络的高质量配电网供电可靠性分析_吴量.pdf

Application 创新应用124 电子技术 第 52 卷 第 2 期（总第 555 期）2023 年 2 月摘要：阐述一种基于GA-BP神经网络的高质量配电网供电可靠性预测方法，筛选出若干项目指标作为输入样本，将逐项指标的历史数据归一化到同一数量级，通过GA-BP神经网络训练，探讨利用训练好的网络模型，预测目标年份的供电可靠性。关键词：智能算法，GA-BP神经网络，可靠性，高质量配电网。中图分类号：TP18，TP311.13，F426.61文章编号：1000-0755(2023)02-0124-03文献引用格式：吴量，张丰丰，陈正华，钱宇昊，杨晓楠，李雨菲，陶永晋，徐丽君.基于GA-BP神经网络的高质量配电网供电可靠性分析J.电子技术,2023,52(02):124-126.理分析各项指标现状水平。其中，将供电可靠性作为综合指标之一进行配电网评估。然而项目指标与综合指标的关联关系如何影响配电网供电可靠性是需要解决的问题。因此，本文将GA-BP（GeneticAlgorithm，GA、BackPropagation，BP）神经网络应用到供电可靠性预测，实现评估更精确、投资更精准、运维更精益、服务更精细，促进配电网高质量发展和经营管理的高质效运转。1 研究背景供电可靠性研究现状。据统计1，目前电力系统80%的停电原因都是由配电网设施毁坏导致的，因此，配电网供电可靠性研究是电力系统中的重中之重。国外对配电网供电可靠性研究较早，北美大停电事故更进一步推动了配电网供电可靠性研究进程。巴黎2中压配电网采用蛛网式结构，扩展0 引言电力作为国民经济命脉，始终是国计民生重要的能源保障。近年来能源革命力推发展清洁能源，能源侧以风光为代表的可再生能源正在大范围代替传统能源，负荷侧则以电动汽车等为代表的电能消费新型式大量涌入市场，电网逐步呈“多态融合、多元互动、多能互补”等特点。在电网日渐庞大复杂的形势下，用户对能源服务质量的需求与要求也在不断攀升，供电可靠性作为电网安全稳定的最核心指标之一，已经成为决定配电网发展能否适应社会经济快速发展的关键因素。目前，扬州供电公司为了提升配电网供电服务能力，开展高质量配电网专项行动，建立扬州高质量配电网发展“35+5”指标体系，结合具体指标定义及计算方法，按照扬州市、县（区）及网格梳基于GA-BP神经网络的高质量配电网供电可靠性分析吴量1，张丰丰1，陈正华1，钱宇昊1，杨晓楠1，李雨菲1，陶永晋2，徐丽君3（1.国网江苏省电力有限公司扬州供电分公司，江苏 225009；2.清华四川能源互联网研究院，四川 610213；3.云南民族大学，云南 650500）Abstract This paper describes a high quality distribution network power supply reliability prediction method based on GA-BP neural network,selects several project indicators as input samples,normalizes the historical data of each indicator to the same order of magnitude,and discusses how to use the trained network model to predict the power supply reliability of the target year through GA-BP neural network training.Index Terms intelligent algorithm,GA-BP neural network,reliability,high-quality distribution network.Analysis of Power Supply Reliability of High-quality Distribution Network Based on GA-BP Neural NetworkWU Liang1,ZHANG Fengfeng1,CHEN Zhenghua1,QIAN Yuhao1,YANG Xiaonan1,LI Yufei1,TAO Yongjin2,XU Lijun3(1.Yangzhou Power Supply Branch of State Grid Jiangsu Electric Power Co.,Ltd.,Jiangsu 225009,China.2.Tsinghua Sichuan Energy Internet Research Institute,Sichuan 610213,China.3.Yunnan University for Nationalities,Yunnan 650500,China.)作者简介：吴量，国网江苏省电力有限公司扬州供电分公司；研究方向：智能技术应用。收稿日期：2022-12-30；修回日期：2023-02-11。Application 创新应用电子技术 第 52 卷 第 2 期（总第 555 期）2023 年 2 月 125性良好。新加坡22kV配电网呈花瓣式结构，2020年供电可靠率已经达到99.9999%，户均年停电时间仅有0.7min。国内配电网供电可靠性研究起步于80年代。由于我国电网覆盖面广、配电设施故障率高、自动化水平低等特点，配电网基础数据难以有效收集，致使配电网安全管理难度大，供电可靠性受到直接影响。近几年随着网架的不断完善和自动化水平大幅度提升，2021年3相比于2017年，我国用户平均配电网供电可靠率从99.814%上升到99.872%，准确科学的统计与评估体系是提升配电网可靠性的关键所在。传统的配电网可靠性评估方法4有模拟法、解析法，这两种方法面对复杂配电网系统计算困难，很难进行准确评估。而人工智能算法大规模并行处理能力强，目前已广泛应用在电网可靠性预测等领域。如宋云亭5等人使用标准BP神经网络预测目标年份供电可靠率，并且还进行指标灵敏度分析，但相关指标考虑太少且单纯BP神经网络计算精度存在风险。因此，本文提出一套基于GA-BP神经网络算法应用到高质量配电网供电可靠性分析中，以下具体介绍相关算法和应用验证过程。2 GA-BP神经网络算法 2.1 标准BP神经网络BP神经网络是一种多层前馈神经网络，分为输入层-隐含层-输出层三层架构，如图1所示。算法基本思想如下：首先将输入样本分为训练集、测试集，输入层接收训练集样本，通过隐含层、输出层两次映射输出预测值，将预测值与训练集真实值比较，计算误差不够精度，再将误差反向传播，通过梯度下降算法调节权值（）和阈值（b）。重复此过程，直到满足设定精度或最大迭代次数等条件终止训练。最后训练得到的网络再用测试集测试比较，如训练效果良好，输入预测集得预测结果。BP神经网络最大的功能就是能够从复杂的任意K维样本映射到任意I维之间的非线性关系，根据相关理论分析，三层网络足够表达任意复杂的连续函数关系，而三层结构间的连接强度大小由权重和阈值等参数决定。2.2 GA-BP神经网络标准BP神经网络第一次前向传播的权重和阈值随机选取，利用梯度下降算法将进行参数优化更新，但是梯度下降法作为确定性算法，最终收敛结果并非一定是全局最优，与初始权值和阈值有关。因此，本文引入启发式算法即遗传算法（GA），利用GA具有的良好全局搜索能力，找出最优的权值和阈值，BP神经网络再基于优化后的权值和阈值作为初始参数起点，进行训练。GA-BP神经网络应用供电可靠性预测，训练步骤如下：（1）读取数据。每条历史数据包含供电可靠性输出值和项目指标输入值。所有的历史数据划分为训练集和测试集，训练集与测试集比例控制在4:1左右。（2）数据预处理。将所有历史数据做归一化处理，全部映射至01之间，方便计算。（3）建立BP网络。采用广泛使用的3层BP神经网络，输入层个数为样本的属性个数，隐含层节点通常是随机设置，输出层节点为预测的节点数。（4）GA寻最优权值和阈值。利用GA良好的全局搜索能力，以不同权值和阈值差下的预测结果偏差值为目标进行寻优，找到最优阈值和权值作为BP神经网络初始值起点，提升BP预测精度。（5）训练网络及应用。利用GA寻优的结果得到最优的网络进行预测，将预测值反归一化到原始数量级，得到实际预测值。3 算例分析扬州市制定高质量配电网行动方案，提出23项10kV配电网供电可靠性相关参考项目指标，如图2所示。本文以近几年扬州市、县（区）及网格等98条电网数据，其中80条为训练集、18条为测试集，在Matlab平台使用GA-BP算法进行训练、测试及预测。测试集利用训练好的网络验证预测精度，如图3所示，标准BP神经网络第12和第16样本预测偏差过大，GA-BP预测值比标准BP预测结果更接近真实值，预测精度更高。两种神经网络训练误差对例如图4所示，标准BP预测误差范围在-0.034%0.02%，而GA-BP神经网络预测误差在-0.01%0.01%之间，误差控制在0.01%以内，由图1 BP神经网络结构Application 创新应用126 电子技术 第 52 卷 第 2 期（总第 555 期）2023 年 2 月此可以看出GA-BP神经网络在供电可靠性预测精度会更高，效果更好，预测可靠。利用训练好的GA-BP网络，对扬州供电公司提供的2022年扬州市与供电可靠性相关的项目指标数据进行预测，得到目标年份2023年供电可靠率为99.9785%，较比往年有所提高，与扬州公司开展的预测结果比较符合，可以支撑下一步供电可靠率的预测工作开展。4 结语本文基于GA-BP神经网络对经济技术指标历史数据的训练，得到的人工神经网络收敛速度快、误差小、准确性高，对扬州供电公司高质量配电网发展提供技术支撑。但各个项目指标与综合指标之间如何协调配合，达到更高的供电可靠性，以及如何与主观因素相结合实现更加精准的定量分析，是下一步研究的重要方向。参考文献1 梁伟豪.考虑多种影响因素的配电网供电可靠性研究D.广东：华南理工大学,2018.2贾巍,雷才嘉,葛磊蛟,高慧.城市配电网的国内外发展综述及技术展望J.电力电容器与无功补偿,2020,41(01):158-168+175.3 李霞,周霞,陈旦,白文元,于乔.我国2021年度供电可靠性的现状分析与展望J.供用电,2022,39(08):85-92.4 毛启慧.配电网供电可靠性评估及提升措施研究D.辽宁：沈阳工业大学,2021.5宋云亭,吴俊玲,彭冬,张东霞,梁才浩,邱野,陈志刚,吴琼,曹静.基于BP神经网络的城网供电可靠性预测方法J.电网技术,2008(20):56-59.图3 BP和GA-BP神经网络预测值与真实值对比图2 扬州供电公司10kV配电网供电可靠性相关的23项项目指标 图4 BP和GA-BP神经网络误差对比