基于改进EO-BP神经网络的高压线损预测_徐利美.pdf

www.ChinaAET.comMeasurement Control Technology and Instruments测控技术与仪器仪表基于改进 EO-BP 神经网络的高压线损预测*徐利美1，闫磊1，李远1，杨射2，任密蜂3（1.国网山西省电力公司，山西 太原 030021；2.国网山西超高压变电公司，山西 太原 030021；3.太原理工大学 电气与动力工程学院，山西 太原 030024）摘 要：针对高压线损预测精度不高的问题，提出一种基于均衡优化器（Equilibrium Optimizer，EO）和 BP 神经网络相结合的线损预测模型。首先，为了提高 EO 算法的寻优能力，利用多种混沌映射关系初始化种群，使种群多样性增加，全局搜索能力得到改善；同时，采用物竞天择概率跳脱策略改进 EO 算法，使模型依概率跳出局部最优而收敛于全局最优解。其次，采用改进的 EO 算法对 BP 神经网络的权值和偏置进行优化，进而改善 BP 神经网络的预测效果。最后，实验结果证明，所提线损预测模型相对于回归模型、BP 神经网络模型、模拟退火算法优化 BP 神经网络模型和EO 优化 BP 神经网络模型具有更高的预测精度。关键词：线损预测；混沌映射；物竞天择概率跳脱策略；均衡优化器算法；神经网络中图分类号：TP183；TM73 文献标志码：A DOI:10.16157/j.issn.0258-7998.223399中文引用格式：徐利美，闫磊，李远，等.基于改进 EO-BP 神经网络的高压线损预测J.电子技术应用，2023，49(3)：82-88.英文引用格式：Xu Limei，Yan Lei，Li Yuan，et al.High-voltage line loss prediction based on improved EO-BP neural networkJ.Application of Electronic Technique，2023，49(3)：82-88.High-voltage line loss prediction based on improved EO-BP neural networkXu Limei1，Yan Lei1，Li Yuan1，Yang She2，Ren Mifeng3(1.State Grid Shanxi Electric Power Company，Taiyuan 030021，China；2.Shanxi Extra High Voltage Substation Company of State Grid，Taiyuan 030021，China；3.College of Electrical and Power Engineering，Taiyuan University of Technology，Taiyuan 030024，China)Abstract：Aiming at the problem of low accuracy of high voltage line loss prediction,a line loss prediction model is proposed based on improved BP neural network and Equalization optimizer(EO)algorithm.Firstly,in order to improve the optimization ability of EO algorithm,a variety of chaotic mapping relations is used to initialize the population to increase the population diversity,then the global search ability could be improved.At the same time,the EO algorithm is improved by using the natural selection probability jump strategy,so that the model could jump out of the local optimization according to the probability and converge to the global optimal solution.Secondly,the improved EO algorithm is used to optimize the weight and bias of BP neural network,and the prediction effect of BP neural network for high voltage line loss is improved.Finally,the experimental results show that the proposed line loss prediction model has the highest prediction accuracy compared with regression model,BP neural network model,simulated annealing optimized BP neural network model and EO optimized BP neural network model.Key words：line loss prediction；chaotic mapping；natural selection probability jump strategy；equilibrium optimizer algorithm；neural network0 引言线路损耗是衡量电能在输送过程中电能损失的指标，线损率表征了线路电能损耗占总供电量的比重。分析电能在电网系统中传输和分配过程中的损耗，提高线路损耗的预测精度，可以为电力系统节能降损提供技术支持，有利于提高电力相关企业的经济效益1。在线损的治理过程中，线损计算是其中关键的环节。为了更有效地利用线损相关的特征变量和历史线损数据获得更准确的预测数据，近年来相关研究人员将机器学习算法引进线损预测过程中。文献2提出一种融合小生境遗传算法和串级 BP 神经网络的线损预测模*基金项目：山西省自然科学基金面上项目(20210302123189)82Measurement Control Technology and Instruments测控技术与仪器仪表电子技术应用 2023年 第49卷 第3期型，该方法对模型参数进行了优化，相对于传统预测方法该模型预测精度有所提高。文献3考虑特征变量数据的量值差异和影响线损的主要影响因素建立改进的BP 神经网络模型，但模型的预测效果需要进一步提升。文献4使用粒子群算法改进最小二乘支持向量机的惩罚因子，该方法提升了模型的预测精度和收敛速度。文献5通过灰色关联分析法筛选与线损相关联的特征指标，并提出自适应遗传算法优化 BP 神经网络的线损预测模型，所建立的模型具有收敛速度快和泛化能力强的特点。上述文献所建立的模型有利于提高电压等级较低的线损预测精度，对于电压等级较高的线损预测需要考虑电晕对线损的影响。EO 算法6是 2020 年提出的一种新颖的优化算法，该算法经过多个标准函数的测试显现出更强的寻优能力和更快的收敛速度。为了提高高压线损的预测精度，本文提出改进 EO-BP 神经网络的线损预测模型。该模型考虑了 BP 神经网络模型参数的优化和电晕对高压线路损耗的影响。经典 BP 神经网络在训练时易陷入局部最优而影响预测精度，本文引入 EO 算法对其优化，同时采用混沌种群初始化和物竞天择概率跳脱策略提高模型的搜索效率，扩大搜索范围的同时使模型收敛于全局最优，实验时将该模型与回归模型、BP 神经网络模型、模拟退火算法优化 BP 神经网络模型和 EO 优化 BP 神经网络模型进行仿真实验对比，证明了本文所提方法的有效性。1 影响高压线损率指标的特征变量长距离输电过程中线路阻抗是造成电能损失的主要原因，与电阻损耗关联的因素有流过线路的电流、环境温度等。本文研究山西省某地区 500 kV 线路的损耗，由于电压等级较高，影响线损的因素除了线路阻抗外，电晕也是造成电能损失的重要原因，电晕放电产生电晕损耗7。与电晕损耗关联的因素主要有电压、空气相对湿度等，空气湿度大电晕放电效应会变强。综合考虑选取关口电流、环境温度、关口电压、空气相对湿度为特征变量810，4 个特征变量如下：(1)关口电流(A)：不同用电时段关口电流也不同，当输电线其他参数确定时，电流越大，损耗越大。(2)关口电压(kV)：发电厂出线关口电压与线路电压等级相匹配，但也会有一些波动，关口电压的变化会引起电晕损耗的变化。(3)相对湿度(%)：相对湿度和电晕损耗相关联，当空气中的相对湿度增大时导线的电晕损耗随之增加。(4)气温()：温度对导线电阻率影响较大，所以气温的变化也是线损预测需要考虑的因素之一。基于以上分析，选择这 4 个特征变量作为模型输入，以线路的线损率值为输出，建立改进的 EO-BP 神经网络预测模型。2 线损预测模型本文采用 EO 算法对 BP 神经网络进行优化，同时为了提高 EO 算法的全局搜索能力，引入 10 种混沌映射关系初始化种群，以及物竞天择概率跳脱策略避免模型陷入局部最优。2.1 EO 算法EO 算法灵感来自于控制体积中充分混合的动态质量平衡，该过程的数学表达式为：VdCdt=QCeq-QC+G(1)其中：C 为控制体积内的浓度，V 表示体积，Q 是进出控制体积的容量变化率，Ceq表示容器内部处于平衡状态时的浓度，G 表示控制体积的质量生成变化率。对式(1)积分并重新整理，此时用流动率 表示 Q/V，得到式(2)：C=Ceq+(C0-Ceq)F+GV(1-F)(2)式中,F 由式(3)计算得到:F=e-(t-t0)(3)其中：C0和 t0分别表示控制体积的初始浓度和积分起始时间。通过构造初始浓度，确定平衡候选解以及计算影响质量生成率的参数向量，最后得到 EO 的更新规则如式(4)所示：C=Ceq+(C-Ceq)F+GV(1-F)(4)算法通过(C-Ceq)F 搜索空间中的最优解，式(4)右边第 3 项有助于模型全局寻优，第 2 项和第 3 项异号时有助于局部寻优，该过程一维表示如图 1 所示。2.2 改进 EO 算法为了扩大 EO 优化算法初始阶段的搜索范围，以及在搜索过程中避免陷入局部最优解，需要对 EO 算法进行改进。2.2.1 混沌种群初始化混沌数具有非线性、对初值敏感性和长期不可预测性等特点，因此利用该特点可以提高粒子的全局搜索能力11，在本算法中混沌映射用作种群序列生成器。如图2 所示，产生的混沌数的范围为-1,1或0,1。分析图 2 可知单个映射关系可能会表现出局部周期图 1寻优过程浓度更新的一维表示83Measurement Control Technology and Instruments测控技术与仪器仪表www.ChinaAET.com性、遍历不均匀性等特点，这会使寻优效率降低，所以本文没有使用单个映射关系来初始化种群，而是采用 10种映射模型来产生初始种群序列。本文使用的混沌映射关系有 Chebyshev map、Circle map、Gauss map、Iterative map、Logistic map、Piecewise map、Sin map、Singer map、Sinusoidal map、Tent map。使用以上 10 种映射关系形成 10 种不同的种群序列，并进行适应度排序，选取前 N 个种群作为初始种群。2.2.2 物竞天择概率跳脱策略物竞天择概率跳脱策略是基于模拟退火（Simulate Anneal，SA）算法12提出的优化策略。SA 是一种随