基于BP神經網絡的電網線損率預測模型分析

（國網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經濟效益的重要因素之一，準確地預測電網線損率對提高電力企業經濟效益有著非常重要的意義[1]。在電網線損率的計算中，如何根據歷史數據快速準確地計算出線損率，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雜的問題[2]。傳統神經網絡算法在對其進行訓練時容易陷入局部最小值，難以保證網絡的全局最優性[3]。因此，提出一種基于BP神經網絡的電網線損率預測模型，對于探究電網線損率的預測精度和效果具有重要的意義。

1 BP神經網絡架構

1.1 BP神經網絡模型結構

BP神經網絡是一種具有多層結構的網絡模型，采用BP神經網絡構造了一個三層前饋網絡。BP神經網絡結構圖如圖1所示。

圖1 BP神經網絡結構圖

輸入層、輸出層和隱藏層都是由許多神經元組成，它們以權重相互聯系，盡管存在著聯系，但各個層級的神經元不能進行任何形式的信息交流，而各個層級的神經元只能夠將信息傳送到上層。

在BP神經網絡中，隱藏層可為單層，也可為多層，通常利用神經網絡算法來選擇其節點數的多少，對于輸入層、輸出層和隱藏層節點的確定方法如式（1）所示：

1.2 BP神經網絡學習算法

BP神經網絡是一種有指導的學習方法，它的學習是由前向和后向兩個方向進行的。正向傳輸是用于對前向網絡進行運算，將數據寫到輸入層，再由隱藏層傳送到輸出層將其輸出[5]。在前向傳輸時，各節點權重不發生變化，同一層次的各神經元相互獨立。假定所得到的結果有較大的偏差，就會被引入反向的方法。反向傳播主要實現的是誤差的反向傳播。將輸出結果誤差較大的信號通過逐層逆向反饋，改變神經元的連接閾值和權值，從而降低正向傳播的輸出結果誤差。BP 神經網絡學習算法圖如圖2所示。

圖2 BP神經網絡學習算法圖

1.3 BP神經網絡算法步驟

步驟四：將誤差反向傳播分配給隱含層節點：

2 基于BP神經網絡的電網線損率預測模型構建

2.1 線損數據質量校核

BP 神經網絡學習算法可以根據線損數據計算出電網數據中隱藏的規律，但是它對線損樣本數據也有一定的要求。因此，在用模型進行預測之前，要先對線損數據的質量進行檢查，刨除其中沒有用的數據。建立了一個線損數據質量校核體系，具體流程如圖3 所示，通過數據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 線損數據質量校核過程

另外，電網的結構相對來說比較復雜，許多因素都可能會造成線損，例如線路電纜化率、線路界面、長度標準化率等等都會造成線損。為了不讓這些因素影響到計算，要先對原始線損數據進行統一的標準化處理。假設特征參數為個，樣本數據集為，表示樣本數量，，處理過程如式（4）所示：

經過以上計算，線損數據基本統一，質量校驗完成，為模型預測線損率打下基礎。

2.2 電網線損率預測模型

為了避免傳統神經網絡中，神經元在預測模型中出現飽和現象，需對BP 神經網絡輸入層中存在的數據展開歸一化處理，過程如下：

在利用BP 神經網絡對電網線損率進行預測時，需根據預測的歷史年中的數據和全年總的電量對輸入層變量中存在的典型日供電量進行計算，獲得下式：

3 試驗分析

為了驗證文中所提方法的線損率預測和診斷效果。選取IEE69節點電網拓撲結構。為了滿足試驗要求，在電網中接入10 個小水電站，電網拓撲圖如圖4所示。

圖4 接入小水電站后的IEE69節點電網拓撲圖

在上述實驗環境下，應用文中提出的方法進行電網線損異常檢測。根據異常檢測結果，驗證本文研究內容的可行性。

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

圖5 電網線損率預測時間對比

由圖5 可知，本文所設計電網線損率預測方法較k均值聚類算法和孤立森林算法方法預測時間更短。主要是所設計模型預先對數據質量進行了校核，并生成了電網線損率特征值，同時采用了BP神經網絡算法建立了預測模型，提高了預測效果。

為了進一步說明本文所提方法在線損異常診斷方面的優越性，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日線損數據進行分析，線損診斷對比結果如表1所示。

表1 線損診斷對比結果

由表1 可知，本文方法的線損異常診斷方法的準確率、誤判率和漏判率等方面均優于其他三種模型方法，說明本文基于BP 神經網絡的電網線損率預測模型方法在高維數據相關性分析方面有其獨到的優越性，降低了誤判率和漏判率，表現出了較好的線損診斷效果。

4 結語

本文提出的基于改進BP 神經網絡的電網線損率預測模型，通過將電力系統的歷史數據輸入到BP神經網絡模型中進行訓練，并采用相應的學習率對其進行調整，最終獲得一個比較準確的預測模型。該模型可以有效地減少BP 神經網絡學習時間，并提高網絡學習速率，從而提高電網線損率的預測效率和預測精度，線損故障診斷效果更好。