一种基于BP神经网络的节点电压暂降幅值计算方法技术

本发明专利技术目的在于提供一种基于BP神经网络的节点电压暂降幅值计算方法，包括以下步骤：随机选取一批故障点，并确定这些故障点电压暂降幅值的影响因素作为故障点参数；生成训练故障点集，计算所述故障点的故障后节点电压暂降幅值；以所述故障点参数作为输入向量，用对应所述的故障后节点电压暂降幅值作为输出向量，形成训练样本；依据所述输入向量和输出向量构造BP神经网络模型；利用所述训练样本对BP神经网络模型进行训练，得到训练后的BP神经网络模型；选定待计算节点及其故障点参数，生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出就是待计算节点的故障后节点电压暂降幅值。

【技术实现步骤摘要】
一种基于BP神经网络的节点电压暂降幅值计算方法
本专利技术涉及电能质量分析与控制
，具体来说涉及一种基于BP神经网络的节点电压暂降幅值计算方法。
技术介绍
电能作为一种商品，也有质量的要求。随着经济的发展和电网规模的不断扩大，电能质量逐渐成为用户和供电企业关心的热点问题。其中，由于电压暂降影响范围广、对敏感设备影响较大、给工业用户带来巨额经济损失等原因，电压暂降问题已经被公认为是影响用电设备正常、安全运行的最主要的电能质量问题，在工业发达国家和地区已经受到广泛的关注。传统的故障后节点电压的计算一般是利用专门的电力系统分析软件来进行计算，需要很高的计算机配置和大容量的内存，计算方法复杂，计算效率不高，所需要的计算参数文件是固定的格式。
技术实现思路
针对现有方法的局限性，本专利技术提供了一种基于BP神经网络的节点电压暂降幅值计算方法，用来实现对电网故障后各节点电压暂降幅值进行快速的计算，对于电网的风险评估，电网薄弱环节查找、电网改造、故障分析、日常运行操作维护等方面的提供助参考依据。本专利技术所的技术解决方案是：一种基于BP神经网络的节点电压暂降幅值计算方法，包括以下步骤：1.随机选取一批故障点，并确定这些故障点电压暂降幅值的影响因素作为故障点参数；2.生成训练故障点集，计算所述故障点的故障后节点电压暂降幅值；3.以步骤1的所述故障点参数作为输入向量，用对应的步骤2所述的故障后节点电压暂降幅值作为输出向量，形成训练样本；4.依据所述输入向量和输出向量构造BP神经网络(人工神经网络)模型；5.利用所述训练样本对BP神经网络模型进行训练，得到训练后的BP神经网络模型；6.选定待计算节点及其故障点参数，生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出就是待计算节点的故障后节点电压暂降幅值。步骤1中所述的影响因素包括：故障类型T，故障点位置λ，故障线路两端与待计算节点的阻抗值Z1，Z2；所述的故障类型包括4类，分别为：单相故障，两相故障，两相接地故障，三相故障；所述的输入向量维数为4。相比于传统的计算方法，本专利技术提出的计算该方法具有以下优势：1、计算参数少，计算流程简单，计算效率高；2、采用BP神经网络模型，利用其以任意精度逼近任意连续函数的性质，通过模型的自动学习，将预测因素间的内在联系通过神经BP神经网络的权值分布实现隐性表达，计算的准确性高。附图说明图1基于BP神经网络的节点电压暂降幅值计算方法流程图。具体实施方式本专利技术的思路是利用BP神经网络建立故障后节点电压暂降幅值的计算方法，利用该模型计算故障后指定节点的电压暂降幅值。下面结合附图1对本专利技术的具体实施方式作进一步说明：Step1：确定节点电压暂降幅值的影响因素作为故障点参数；所述影响因素包括：故障类型T，故障点位置λ，故障线路两端与待计算节点的阻抗值Z1，Z2。具体步骤如下：1.1.在电网中随机选择1000个不同的故障点，对每个故障点随机分配一种故障类型，对每个故障点确定一个待计算节点电压暂降幅值的节点号，并用节点号表示故障线路：线路(j,k)；其中j和k分别为始、末节点号，且j<k；1.2.确定每个故障点所在的故障线路，若故障发生在线路上，则计算该故障线路上节点编号最小的节点到故障点的距离与故障线路长度的比值，得到故障位置λ的值；例如在线路α(j,k),(j＜k)上发生故障，故障点为f，则故障位置λ＝Ljf/Ljk。如果故障点不是发生在线路上，而是发生在节点上，在选取与故障节点相连的所有节点中编号最小的节点与故障节点构成故障线路α(j,k),(j＜k)，若故障发生在线路始端，则λ＝0，若故障发生在末端，则λ＝1；1.3.确定每个故障类型的值T。故障类型包括4类，并用数字表示故障类型：0表示单相故障，0.3表示两相故障，0.6表示两相接地故障，1表示三相故障；1.4.确定故障线路两端与待计算节点的阻抗值Z1，Z2。从电网阻抗矩阵中查找故障线路两端与待计算节点的阻抗值。例如故障线路端节点号为(j,k)，待计算节点号为m,则待计算节点的阻抗值为Zmj，Zmk。对于输入参数要做归一化处理，这里采用如下公式对阻抗值做归一化处理：上式中minZ、minZ分别代表阻抗矩阵中的最大、最小阻抗值。1.5.综合步骤1.2-1.4，形成每个故障的故障点参数(λ,T,Z1,Z2)；Step2：生成训练故障点集，利用电力系统分析软件(例如BPA)对上述1000各故障点集进行计算，得到每个故障后对应的待计算节点的电压暂降幅值计算故障后节点电压暂降幅值。Step3：将每一个故障点生成的故障点参数作为输入向量，用对应的故障后节点电压暂降幅值作为输出向量，形成训练样本。Step4：依据输入向量和输出向量构造BP神经网络模型。采取以下步骤：4.1.依据输入向量的元素个数确定输入层的神经元数量。在本专利技术中，输入向量元素有四个，故输入层的神经元数量为4；4.2.根据Kolmogorv定理(柯尔莫哥洛夫定理)，依据输入层的神经元数量确定隐含层神经元数量。本专利技术的输入层神经元数量为4，依据Kolmogorv定理得隐含层神经元数量为11；4.3.依据输出向量的元素确定输出层神经元数量。本专利技术的输出层神经元数量为1.Step5：设定训练参数，利用Step3中形成的训练样本对BP神经网络进行训练，得到训练后的BP神经网络模型。BP神经网络训练后才能用于计算故障后节点的电压暂降幅值。所述训练参数包括:训练次数、训练目标以及学习速度。人工神经网络是人工智能技术的一种，具有大规模分布式并行处理、非线性、自组织、自学习、联想记忆等优良特性；BP算法是训练人工神经网络的基本方法，其基本思想是最小二乘算法；它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小；x1,x2,…xk为BP神经网络的输入变量(本专利技术中的输入变量为λ,T,Z1,Z2)，o1,o2,…ok为BP神经网络的预测值，wij为输入层与隐含层的权值，wki为隐含层与输出层的权值。所述步骤5中对BP神经网络进行训练的步骤如下：5.1BP神经网络初始化。根据模型确定输入层节点数、隐含层节点数和输出层节点数，初始化wijwki、隐含层第i个节点的阈值θi、输出层第k的阈值ak，给定学习速率η(0＜η＜1)、隐含层的激励函数φ(x)和输出层的激励函数ψ(x)。本专利技术选函数为：5.2信号的前向传播过程。隐含层第i个节点的输入neti：隐含层第i个节点的输出yi：输出层第k个节点的输入netk：输出层第k个节点的输出ok：5.3误差的反向传播过程。误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。对于每一个样本p的二次型误差准则函数为Ep：系统对P个训练样本的总误差准则函数为：5.4判断算法迭代是否结束，若没有结束，继续往下执行。5.5修正权值和阈值，并返回(5.2)。根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δwij，隐含层阈值的修正量Δθi。输出层权值调整公式：输出层阈值调整公式：隐含层权值调整公式：隐含层阈值调整公式：又因为：所以最后得到以下公式：将本文档来自技高网...

【技术保护点】
一种基于BP神经网络的节点电压暂降幅值计算方法，其特征在于包括以下步骤：1)随机选取一批故障点，并确定这些故障点电压暂降幅值的影响因素作为故障点参数；2)生成训练故障点集，计算所述故障点的故障后节点电压暂降幅值；3)以步骤1)的所述故障点参数作为输入向量，用对应的步骤2)所述的故障后节点电压暂降幅值作为输出向量，形成训练样本；4)依据所述输入向量和输出向量构造BP神经网络模型；5)利用所述训练样本对BP神经网络模型进行训练，得到训练后的BP神经网络模型；6)选定待计算节点及其故障点参数，生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出就是待计算节点的故障后节点电压暂降幅值。

【技术特征摘要】
1.一种基于BP神经网络的节点电压暂降幅值计算方法，其特征在于包括以下步骤：1)随机选取一批故障点，并确定这些故障点电压暂降幅值的影响因素作为故障点参数；2)生成训练故障点集，计算所述故障点的故障后节点电压暂降幅值；3)以步骤1)的所述故障点参数作为输入向量，用对应的步骤2)所述的故障后节点电压暂降幅值作为输出向量，形成训练样本；4)依据所述输入向量和输出向量构造BP神经网络模型；5)利用所述训练样本对BP神经网络模型进行训练，得到训练后的BP神经网络模型；6)选定待计算节点及其故障点参数，生成测试输入向量，将测试输入向量输入训练后的BP神经网络模型，其输出就是待计算节点的故障后节点电压暂降幅值；步骤1中所述的影响因素包括：故障类型T，故障点位置λ，故障线路两端与待计算节点的阻抗值Z1，Z2；所述的故障类型包括4类，分别为：单相故障，两相故障，两相接地故障，三相故障；所述的输入向量维数为4；所述步骤1)的计算故障点参数的具体过程如下：1.1)在电网中随机选择1000个不同的故障点，对每个故障点随机分配一种故障类型，对每个故障点确定一个待计算节点电压暂降幅值的节点号，并用节点号表示故障线路：线路(j,k)；其中j和k分别为始、末节点号，且j<k；1.2)确定每个故障点所在的故障线路，若故障发生在线路上，则计算该故障线路上节点编号最小的节点到故障点的距离与故障线路长度的比值，得到故障位置λ的值；具体为：在线路α(j,k),(j＜k)上发生故障，故障点为f，则故障位置λ＝Ljf/Ljk；如果故障点不是发生在线路上，而是发生在节点上，在选取与故障节点相连的所有节点中编号最小的节点与故障节点构成故障线路α(j,k),(j＜k)，若故障发生在线路始端，则λ＝0，若故障发生在末端，则λ＝1；1.3)确定每个故障类型的值T；故障类型包括4类，并用数字表示故障类型：0表示单相故障，0.3表示两相故障，0.6表示两相接地故障，1表示三相故障；1.4)确定故障线路两端与待计算节点的阻抗值Z1，Z2；从电网阻抗矩阵中查找故障线路两端与待计算节点的阻抗值；故障线路端节点号为(j,k)，待计算节点号为m,则待计算节点的阻抗值为Zmj，Zmk；对于输入参数要做归一化处理，这里采用如下公式对阻抗值做归一化处理：上式中minZ、minZ分别代表阻抗矩阵中的最大、最小阻抗值；1.5)综合步骤1.2)-1.4)，形成每个故障的故障点参数(λ,T,Z1,Z2)。2.根据权利要求1所述的方法，其特征在于：所述步骤2)中，生成训练故障点集是利用电力系统分析软件对各故障点集进行计算，在每次故障计算结束后，利用获得的计算结果推算出待计算节点的电压暂降幅值。3.根据权利要求1所述的方法，其特征在于：所述步骤4)中依据输入向量和输出向量构造BP神经网络模型具体采取以下步骤：4.1)依据输入向量的元素个数确定输入层的神经元数量为4；4.2)根据Kolmogorv定理，依据输入层的神经元数量确定隐含层神经元数量；4.3)依据输出向量的元素确定输出层神经元数量。4.根据权利要求3所述的方法，其特征在于：根据输入向量元素有四个，故输入层的神经元数量为4，根据输入层神经元数量为4，依据Kolmogorv定理得隐含层神经元数量为11；输出层神经元数量为1。5.根据权利要求1所述的方法，其特征在于：所述步骤5)中训练BP神经网络的训练步骤如下：5.1)BP神经网络初始化；根据模型确定输入层节点数、隐含层节点数和输出层节点数，初始化wijwki、隐含层第i个节点的阈值θi、输出层第k的阈值ak，给定学习速率η(0＜η＜1)、隐含层的激励函数φ(x)和输出层的激励函数ψ(x)；选函数为：5.2)信号的前向传播过程：隐含层第i个节点的输入neti：隐含层第i个节点的输出yi：输出层第k个节点的输入netk：输出层第k个节点的输出ok：5.3)误差的反向传播过程；误差的反向传播，即首先由输出层开始逐层计算各层神经元的输出误差，...

【专利技术属性】
技术研发人员：谢伟伦，李海涛，谢培成，陈蔚茹，曾江，吴少臣，欧阳森，刘平，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：广东;44