基于优化后的神经网络配电网网损计算

0  引言
随着电力行业节能减排工作的不断深入进行，配电网线损率的计算就显得较为重要，只有掌握了线损的规律及特点才可以提出较为有效地降损方式，从而做到节能。由于配电网结构多样且随着用电负荷及用户的不断变化，网络结构也会随着变化，而且线路R/X较大，电能在转换、输送及分配中不可避免的会伴随有电能的损耗。随着人民生活水平的提高以及工业的发展，各种用电设备的增加，也会导致三相负荷不对称问题也会日益突出，电能质量下降的同时电能损耗也会增大^[1]。所以精确计算配电网线损并依此来制定降低线损的措施至关重要，传统的计算线损的方法准确度不高，要想较精确的计算线损，可采用人工智能算法中的遗传算法与神经网络相结合的算法进行计算。利用遗传算法优化神经网络从而实现具有自适应能力的进化神经网络。
1  遗传算法基本原理
遗传算法（GA）作为模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是模拟自然进化过程搜索最优解的方法，该方法为全局随机搜索算法，不能直接采用参数本身参与计算，需将参数进行编码作为运算对象。以适应度函数作为评价依据，将编码群体中个体位串进行遗传优化包括选择、交叉、变异等操作^[2]。该方法在运算中易出现“早熟”、全局收敛速度慢等问题，因此可通过对传统的适应度函数进行改进，减少误判，提高算法对畸变信号的容错能力。
1.1遗传算法的选择算子
遗传算法中适应度高的个体会进入下一代，适应度低的个体会被淘汰。选择操作的方法：轮盘赌法（适应度比例法）、局部选择法、锦标赛选择法、精英保留策略、截断选择、最优保存策略等方法^[3]。本文采用的算法为适应度法和最优保持混合选择的机制，适应度法是按照个体的适应度值与种群所有个体的适应度和的比值确定个体的选择概率。最优保持法可将上一代中适应度最高的个体进入下一代的种群中。这样就会避免每一代的最优个体被淘汰，从而加速算法的收敛速率^[2]。假设数目为N，个体的适应度为，计算个体的选择概率、累计概率为、由和[0、1]之间的随机数进行比较确定哪个个体被选择参与交配。计算选择概率为公式（1）、计算累计概率的公式为公式（2）：当时，选择第一个个体，否则选择第i个个体且第i个个体满足。
             （1）                （2）
1.2 遗传算法中的交叉概率P_c和变异概率P_m的改进计算
在遗传进化的整个过程中，交叉概率与变异概率对遗传算法的行为和性能起着至关重要的作用，直接关系到算法的收敛性  （3）
 （4）
下式中：—群体中最大的个体适应度值；—种群的平均适应度值；—指要交叉的两个个体中较大的适应度值；指要变异的个体的适应度的值。、、、为调整系数，可在0-1之间取值。、、、。本文通过采用改进的自适应遗传算法的交叉算子和变异算子，不仅保持了系统的多样性，更保证了算法的收敛能力，并且还使算法的优化能力获得了提高。
2 用改进遗传算法优化的ANN计算配电网线损计算模型
2.1 数学模型的建立
首先需要对配电网中的线路进行分类，可将结构相似、运行状况相似的线路作为一类，然后在每种类型的线路中任选一条线路安装负荷测试仪得到准确的线损值，并且将这些实测数据作为线路的样本，应用改进的GA优化的ANN算法建立线损计算模型。利用数理统计中的聚类分析算法提出对配电网内的线路进行分类的方法。假如已对N条线路影响配电网线损的n个特征参数进行了收集及统计，可获得最初的自变量矩阵，其中表示第条线路第个特征值。首先需对进行标准化处理得到，，其中：；；；。然后是选取线路相似性统计量的衡量依据通过第i条线路和第j条线路之间的相关系数表达式：
         （5）
其中，且越大两条线路的关系就越密切从而属于同一类。
2.2 自变量与因变量的选取
本文选取的自变量为配电线路的总长度、变压器平均容量、功率因数等作为自变量。因变量就是各类线损值包括配电线路总损失、变压器损失以及铁芯损失、绕组及各种型号导线的损失等。并且将这些变量进行标准化处理，当用ANN模型映射函数关系时，其自变量为输入、因变量为输出时，其输出的值应在[0,1]内。该文采用文献[3]中的方法对自变量与因变量进行标准化处理。
2.3 改进的GA优化ANN
利用改进的GA对神经网络的隐含层的神经元数量、学习速率以及动量因子进行优化，具体步骤如下：
（1）选择BP模型用来映射线损特征参数与线损
之间的关系;
（2）确定染色体结构为3个基因(隐含层中神经
元个数、学习速率和动量因子)的顺序组合;
（3）生成初始染色体群;
（4）选择性能评价函数为F=1/E,其中E为神
经网络的输出值与样本实际输出值之差的平方和;
（5）利用改进GA的3种算子(选择、交换和变
异)生成下一代群体。
3 线损计算实例
某地区有若干条配电线路,已对其中68条线路
进行了准确的线损计算。现要建立线损模型,并进行计算，计算流程图如下：

图1 线损计算流程图
  根据参考文献[4]得68条配电线路的自变量数据和主要因变量数据，将这些数据作为样本，然后按照上述步骤建立线损计算模型。表1列出了各个样本经过遗传算法优化后的神经网络的参数
表1 各样本群分别用GA优化后的ANN参数
表2列出了分别采用回归分析法、BP型神经网络、GA优化的BP神经网络法三种方法的计算结果并进行比较。
表2 三种方法的计算结果
由表3分析可知，使用遗传算法优化后的神经网络比线性回归分析法以及单纯的使用BP神经网络精度都大有提高。由此可见使用GA优化的ANN算法具有实际应用价值。
4结论
本文通过聚类分析算法将配电网中的配电线路进行分类，然后按照样本的选取原则选取样本作为学习样本，然后再将已利用遗传算法进行优化过的神经网络建立数学模型，对学习样本进行训练，得到最终结果，并且通过与其他两种算法进行比较可知，采用GA优化的ANN算法精度更高，具有可实际应用的价值。
5 参考文献
[1] 张艳,许哲熊，等. 一种基于RBF神经网络线损计算方法研究[J].电器开关,2012,4:67-70.
[2] 陈国良. 遗传算法及其应用[M]. 北京：人民邮电出版社，1996.
[3] 文福栓，韩祯祥. 基于分群算法和人工神经网络的配电网线损计算[J]. 中国电机工程学报，1993,13(3)：41-50.
[4] 杨秀台. 电力网线损的理论计算分析[M]. 北京,水利电力出版社，1985.
6 作者简介
骆兴华（1974.9-），男，高级工程师，现就职于国家电网邢台供电公司。