基于B P神經網絡的電力系統潮流計算

廣東工業大學自動化學院 許 銳 許錦標

0 引言

電力潮流計算是電力系統三大計算之一，是電力系統中最重要的計算之一。傳統的潮流計算方法有PQ分解法，牛頓法等。[1]

在人工智能的方法中，BP神經網絡為眾多方法中的一種研究方法。因為BP神經網絡模擬出一下復雜問題，能夠自學習以及較強的魯棒性和容錯性等優點，所以BP神經網絡可以對電力系統中復雜的問題進行建模和仿真。[2]BP神經網絡，是具有多層結構的，又可以稱之為誤差反向傳播神經網絡。

1 基于BP神經網絡的潮流計算

潮流計算的意義對于電力系統的穩定以及故障分析有非常重要的作用，屬于電力系統三大計算之一。結合BP網絡的優點，提出利用神經網絡替代傳統的潮流計算方法，為電力網絡系統提高穩定性計算和故障分析。

具體步驟如下：

（1）選取一個電力系統，在matlab的simulink工具下進行仿真，產生多組仿真的數據，并把這些仿真數據記錄下來，作為網絡的輸入；

（2）通過matlab語言編程，建立BP神經網絡，并把訓練樣本加入到神經網絡當中；

（3）進行仿真，觀察仿真結構與實際輸出值的誤差，若誤差較大，調整BP神經網絡的結構；若誤差符合預先設定值，則該網絡正確；

（4）把訓練好的BP神經網絡運用到電力系統潮流計算當中。[3]

2 算例仿真分析

2.1 電力系統模型

在如今的電力系統分析中，電力網絡的數學模型是其基礎。本文所研究的電力系統模型是由線性的集中參數元件組成。圖1所示是一個簡單的電力系統模型。

2.1.1 輸入和輸出的選取

在圖1所示中的電力網絡系統中，一般情下，假設線路的參數是不變的，變壓器的參數也是不變的，具體參數為：

L=80km，采用LGJ-150導線，ro=0.21/km，x0=0.416歐/km,b0=2.76*10-6S/km。

變壓器為三相110/11KV，每臺的容量為15MV.A，其參數為：P0=40.5KW，PS=128KW，VS%=10.5，I0%=3.5。

固定母線A的實際運行電壓為117KV，額定電壓為110KV。所以

圖1 簡單電力網絡系統

2.1.2 BP神經網絡的參數

用matlab語言進行編程，建立一個三層的BP神經網絡，網絡結構如下：

輸入層數、隱含層數，輸出層數分別為4，11，1；學習速率設置的值是0.05；目標誤差為0.0001；傳遞函數分別為：雙曲正切S型傳輸函數tansig和線性傳輸函數purelin；訓練函數選取增加動量項的BP算法；動量因子選擇0.9。

2.2 仿真

圖2 訓練過程中網絡誤差性能的變化

選擇負荷功率作為樣本的輸入，選擇母線c的電壓作為輸出響應。

圖3 回歸系數曲線

從圖2所示中可以看出，BP神經網絡經過了144次迭代之后，網絡的誤差下降到預先設定的誤差值，網絡輸出可以比較號地收斂到期望的目標響應，最后的響應誤差較小，證明經過訓練后的BP神經網絡是可以代替傳統的潮流算法對電力系統進行潮流計算，而且精度較高，速度更快。

圖4 預測曲線與真實數據

從圖3所示的回歸系數曲線可以看出訓練網絡輸出值和目標值有著極好的線性度。說明訓練好的BP神經網絡可以準確的對電力網絡計算潮流。圖4所示中，*畫出的曲線代表的是實際的電壓值，o畫出的曲線代表的是BP神經網絡的預測值。所以，由圖5可以看得出，雖然網絡預測具有一定的誤差，但是預測值與實際的電壓曲線誤差不大，且基本重合。故利用BP神網絡對電力網絡系統進行潮流計算的方法是非常準確的，BP神經網絡的預測率也是非常理想的，所以對圖2中的簡單電力系統模型來說，BP神經網絡所建立的模型是有效的，驗證了本文開始所提出BP神經網絡代替傳統潮流算法的正確性。

3 結論

本文研究了利用BP神經網絡來代替傳統的潮流計算方法對電力系統進行潮流計算的問題。文中建立了一個BP神經網絡，對一個簡單的電力系統進行潮流計算，利用該電力網絡的負荷作為輸入，母線電壓作為輸出來對BP神經網絡進行訓練。并用matlab程序來對系統仿真，經過仿真后所得處的圖可以得出預測值與實際值的誤差以及擬合程度。最終結果驗證了這種方法的正確性，證明了BP神經網絡可以應用于電力系統的潮流計算當中。顯然這種方法要比傳統的潮流計算方法速度要更快。

[1]何仰贊,溫增銀.電力系統分析[M].武漢:華中科技大學出版社(第3版),2002.

[2]朱凱,王正林.精通MATLAB神經網絡[M].北京:電子工業出版社,2010.

[3]賁可榮,張彥鐸.人工智能[M].北京:清華大學出版社,2006.