文摘

配电网线损计算指的是计算的电能损失,所生成的所有组件在分销网络系统在给定的时间内。分销网络,电力网络,是直接与用户联系;有很多网络上的设备;系统阻抗,电能转换的过程中,输电和配电的损失,因此配电网线损的计算具有非常重要的经济意义。此外,随着电网建设的发展,配电网络拓扑结构设计的合理性和各种措施的实际效果的比较需要的指导线损计算。线损失和损失程度的主要标准之一,以反映分配系统的操作。降低线损的分销系统是非常重要的有效使用权力和分配系统的经济运行。为了更好的找到有效的还原法和奠定基础的科学建立线性收缩目标。本研究使用了一个基于BP神经网络的线损计算方法。网络的方法使用超级匹配属性映射之间的复杂非线性关系线损和特征变量和商店的发展线路损失变化的变化的结构和操作变量分布线。 On the basis of analyzing the theoretical methods, management methods, and various loss reduction measures of power loss calculation, this study also analyzes the status quo and existing problems of line loss analysis and calculation and collects data from line loss calculation and theoretical line loss calculation methods. This study discusses in detail the method and idea of the application of the improved neural network in the estimation of distribution network line loss, and it is used to predict the line loss in a certain area, and the prediction result is good.

1。介绍

发电和输电系统传输电力用户通过分销网络和分销网络直接连接到用户的电网(1]。由于低电压等级的特点,老化的设备,和长时间供电半径的分销网络,配电网的线损是更严重的,占20%以上的线损电网的电压水平(2]。近年来,随着世界上大多数国家在能源不足,供给和需求之间的矛盾和能源供给和能源之间的购买方面是增加3),因此如何防止我们的国家陷入能源近年来国内冲突已成为一个关键问题(4]。在电力系统线损,作为重要指标来评估电网操作的效率和经济,一直是一个重要的研究内容和管理电网公司(5]。合理的线损计算和预测率是一个方法来有效地提高电网公司的管理,减少功率损耗,增加电网的收入。因此,如何提高线损率的准确性预测具有非常重要的现实意义。近年来,许多新方法配电系统线损理论计算的出现,和计算精度已得到改进6]。添加线损计算函数和计算线损,确保系统线损总是可以在管理人员的管理。设计自动线损管理系统,提高负载管理设备(7,8]。传统的人工管理方式已经不能适应当前的管理需求,前面的理论线损主要是人工计算,计算工作量大,计算周期很长,而且只有一个粗略的计算对于简单的线是不可能计算复杂的电路;限制是非常大的;这就要求我们为线损计算(使用电脑9,10]。非常紧迫的研究简单而有效的计算机辅助配电网线损计算方法和实现。这也是一个更精确的计算理论线损和其分布网络和制度化,规范化和标准化的线损计算工作的必然要求。

2。应用BP神经网络算法

2.1。配电网线损计算方案

从理论上讲,BP神经系统可以映射所有非线性关系和有效处理非线性特征变量之间的关系和线路损失(11]。的选择神经网络的输入变量和输出变量,在一定的时间内,配电线路的线损是许多相关特征参数,如配电线路的有功功率供应,无功电源,配电变压器的容量,配电线路的长度,配电变压器的数量,和截断分布线的总数12]。配电网的线损的计算方案使用BP神经网络如图1:

在这项研究中,四个特征参数和线路损失之间的关系进行了分析。将神经网络应用于建模时,有功功率供应,无功功率供应、分销能力,和配电线路长度作为神经网络的输入和输出是线作为输出。神经网络结构如图2:

2.2。原始数据采集和处理

数据抽样和样本选择的过程如下。

2.2.1。属性选择

网络建模期间,需要输入功能权重可以描述这个问题,它对某些要求成型设备上的故障信息。属性的数量决定了网络识别的成功在很大程度上,所以属性数量的选择直接关系到计算的准确性(13]。此外,的数量属性的选择必须考虑的困难获取数据,是否正确和完善,选择属性的数量必须考虑各种因素。

有许多特征变量影响线损分布系统。根据上面的,有许多特徵量满足上面的条件,如配电线路的总数,分布的数量变化,配送线路的长度,分销能力,和总无功功率的分布和总配电箱的有功功率。

根据相关性的强度分布的线损和特征变量系统,本研究选择的总有效功率,总反应能力,配电电压能力、和配电线路的长度作为输入和输出,即线损失。

2.2.2。数据收集

选择分销系统的一部分数据在一个特定的区域,通过网络编码的数据。为了匹配Matlab编程计算,它是格式化成矩阵形式。数据分为训练样本和测试样本。

2.2.3。数据处理

在创建一个网络之前,做好准备。由于不同样本的数据大小通常是不同的,直接输入没有处理将影响收敛和处理速度。因此,数据样本需要标准化。化学处理可以确保数据大小相对接近,避免与小样本大小计算一些数据由于大尺寸差异,和提高数据处理的精度14]。归一化计算公式如下: 在哪里并代表的最大和最小输入值输入数据。

2.3。神经网络构建和训练

在Matlab平台上,Matlab语言是用于神经编程,数据输入样本已标准化。运动后的结果与实际数据相比,以方便比较。

神经系统的建模和训练过程中,训练样本由变量语料库,由生产样品t,未经训练的样本是由网络由Newff表示。设置相应的参数后,可以继续15]。关于培训,这项研究涵盖了两个主要的命令。第一个是网络,用于定义教练的目标(16]。教学结束只有当误差低于目标值。一般来说,默认的均方根误差(MSE)是主要的指数来衡量这个错误的有效性。第二个是网络。在此期间,这个命令主要用于设置重复的最大数量。当重复的次数超过限量,锻炼会自动结束。

从培训的结果可以看到,网络的训练过程共有6次重复,达到设定的精度训练网络。因此,网络训练是停下来防止网络陷入过度合适的状态。在这一点上,平均指数训练样本的误差和重复率分别为0.00152和1.00 e−5,分别和准确性已经非常高。

错误的目标越大,越需要进行迭代,两人明显呈正相关。均方误差和迭代时间曲线如图3:

图4表明,训练样本的均方误差随重复,和验证样本和测试样本的均方误差也相应减少。然而,训练神经系统的性能不高等精度较高的培训因为网络推广的成功率将会减少,所以它是必要的,以避免过度的在线培训。

图5是一个线性回归分析计算的损失频率和实际值通过基于样本数据的神经网络模型。扣除计算线损,横轴是实际线损。R=(−1,1)表示的健康水平,并越高R值,神经系统和计算性能就越好。神经网络样本测试结果如图5:

图5是一种神经系统的示例。可以看出图中的理论线损的计算值相当接近实际值,和误差精度满足实际计算的要求。

3所示。配电网的线损预测仿真

3.1。数据处理

为了验证计算的可行性研究英国石油公司BP神经系统的配电线路损失在这项研究中,进行了模拟和实证分析的基础上,日负载分配用户的消费在一个地区在一个地区连续100天。车站分布区域结构图如图6:

基于上述分析,为一个特定的位置区域,每个负载节点能耗的变化在车站地区的主要原因是能量损失的变化值。因此,每日反应部队的压力节点应用于神经系统,然后,得到直线的损失率与力量。在此基础上,结合LM算法,神经网络模型计算线损。

至于示例数据,它们主要包含1因变量和16个独立变量。简而言之,英国石油(BP)神经系统生产节点1和16个输入节点。节点的数目是4,隐藏层是一层,16-4-1网络结构的定义,这是一个网络结构与16个输入节点,节点4隐藏的水平,一个生产节点。为了充分满足BP神经网络的训练要求,数据处理获得独立变量,但没有必要计算训练的比例变量。

3.2。仿真结果

在连续六次重复,验证数据的方差并没有减少,但增加,超过预期的失败,所以自动在线培训结束。此时,重复训练样本的估计和均方根误差非常小,这是1.08 e−−7和7.05 e - 8,分别。

重复在线培训的过程中,样本的平均误差逐渐减小,和测试样品和确认样品的平均误差逐渐减小,但提高泛化能力是在线培训的主要目的。样本数据的拟合优度非常接近1,达到预期的要求。数据仿真结果如表所示1:

在这项研究中,每日能耗数据的用户特定的分布区域连续100天用于网络培训,以及日常能源消耗之间的关系和负载节点线分布站地区的赔付率,然后,在此基础上建立相应的关系。表1显示所有样本数据的绝对差EA小于1%,计算结果具有良好的可靠性。相对偏差小于5%,和相应的平均差是2.31814。图7显示了一个详细的这些测试样品。因此,在创建在线模型的过程中,样本的代表性时,应该考虑选择模型,和自己的结构应考虑尽可能丰富训练样本。比较图样本拟合程度如图7。

4所示。结论

全面和准确的线损理论计算是非常重要的。清晰的线损的构成以及其分布不仅有助于供电公司制定计划,提高生产和操作条件也起着有效的作用在节约能源和降低电压17,18]。多年来缺乏适当的发展计划导致了复杂的结构与许多线段和几行细直径,导致变量没有满足R< <x标准计算能量流。基于这种情况,一些学者使用改进后算法的研究,如匹配能量流方法,改进的重复方法,之前和之后的结论的方法,和回路电阻的方法19]。然而,很难收集和满足这些算法所需的数据。科学和技术的发展促进了一代的几个新算法造成的发展分销系统(20.]。BP网络模型具有广泛的应用,和三层神经网络是主要的组件的类型(21]。这个模型允许非常复杂的映射,线性行为。网络的结构相对简单,具有高可用性,可以执行任意的非线性调整输入和输出。这些优势使BP神经系统迅速被国家学者和广泛使用,如成像、数据预测,模式分析,和其他领域22]。尽管BP算法有很多优势,它不可避免的缺点,如网络速度慢,容易网络振荡,容易降至最低点的网络。中国科学家决心纠正BP算法固有的缺陷,取得了明显的成效。鑫et al。23)使用基于模型的BP神经网络算法改变互联网的速度。江et al。24]使用使用的概念,给出了改进的算法模拟光线路配置在线学习速度。使用这种改进算法可以显著提高网络速度。王等人。25)建议每个重量应该相对于最初的学习速率。网络适应强烈,学习速率对应于每个重量改变了达到最优的结果。有许多优点的BP网络模型。现在,越来越多的学者开始研究在线损计算配电系统中的应用,取得了一些成就。这也是一个新发展战略的人工神经网络模型和开辟了一个新的分配制度的理论线损的计算方法。然而,总体而言,目前仍在探索。由于缺少通用网络设计方法,神经网络受限于实际使用,因为他们依赖于实验方法用于实践26]。

因此,本研究着重于线损的计算和具体的计算实例。在这项研究中,一个BP神经网络模型用于计算线损分布系统。计算结果表明,利用BP网络分销系统的线路损失的特点,简单的网络模型,训练速度快,精度高。仿真结果表明,该方法在训练时间和计算精度有很大优势。它可以模拟最优BP网络类型的线损计算配电系统在短时间内,具有较高的计算精度。为了满足需求的线损管理和分销网络的分析,本研究探讨了理论线损预测和分析方法利用神经网络和使用相关算法和模型。预测的结果还表明,这种安排的输入样本可能包含的主要影响因素行损失。

本研究的最大问题是,神经网络具有很高的数据要求。然而,从目前的情况下,提供大量真实数据的要求明显不符合客观条件,也是未来学者的主要方向。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。