一种改进麻雀搜索优化BP神经网络的配电网线损计算方法技术

本发明专利技术公开了一种改进麻雀搜索优化BP神经网络的配电网线损计算方法，首先通过电网高级量测体系连续采集所需的多个历史时刻的数据，并对这些数据进行数据预处理；其次，将预处理后每个历史时刻的数据输入至BP神经网络进行预测得到每个历史时刻预测的线损率，并结合其构建BP神经网络损失函数模型，进一步通过混沌初始化和t分布变异融合改进的麻雀搜索算法进行优化求解得到优化后BP神经网络；最后将实时采集的数据输入至优化后BP神经网络进行预测，得到实时的预测线损率，本发明专利技术有效解决了BP神经网络调整问题，提升了网络收敛速度，进一步提高了配电网线损的计算精度，为电网实现精细化管理、促进节能降损工作提供了数据支撑。撑。撑。

【技术实现步骤摘要】
一种改进麻雀搜索优化BP神经网络的配电网线损计算方法


[0001]本专利技术属于配电网优化
，尤其涉及一种改进麻雀搜索优化BP神经网络的配电网线损计算方法。

技术介绍

[0002]电能在电网传输过程中，经过各电力元件会因阻抗等因素产生一部分有功损耗，这部分损耗即为线损，线损与供电量之比为线损率，线损是电网的重要指标之一，准确的计算理论线损可以为电网企业精细化管理和制定节能降损措施提供数据支撑，助力实现“双碳”目标，响应我国节能减排绿色发展的号召。随着电力系统的发展，配电网结构日渐复杂，电网数据量越来越大，提出更精确的线损计算方法具有重要意义。
[0003]对电网线损计算的研究可以追溯到二十世纪三十年代，各国研究者提出了多种配电网线损计算的方法，至今对于配电网的线损计算方法可以分为两个大类，一是根据物理模型提出的已经广泛应用的传统理论计算方法及相关改进算法，包括均方根电流法、等值电阻法、平均电流法、潮流法等，这类方法基于电网物理模型，所需数据包括电流、电压、线路电阻、配网拓扑等；二是利用机器学习对大规模数据的学习能力提出的计算方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进麻雀搜索优化BP神经网络的配电网线损计算方法，其特征在于，包括以下步骤：步骤1：通过电网高级量测体系连续采集多个历史时刻的总表有功无功电量、多个历史时刻的负荷点有功无功电量、多个历史时刻的线损率；步骤2：将多个历史时刻的总表有功无功电量、多个历史时刻的负荷点有功无功电量、多个历史时刻的线损率分别依次进行异常数据剔除处理、缺失数据填充处理、重复数据过滤处理、数据标准化处理，得到预处理后多个历史时刻的总表有功无功电量、预处理后多个历史时刻的负荷点有功无功电量、预处理后多个历史时刻的线损率；步骤3：引入BP神经网络，将预处理后每个历史时刻的总表有功无功电量、预处理后每个历史时刻的负荷点有功无功电量输入至BP神经网络进行预测得到每个历史时刻预测的线损率，结合预处理后每个历史时刻的线损率构建BP神经网络损失函数模型，进一步通过混沌初始化和t分布变异融合改进的麻雀搜索算法进行优化求解得到优化后BP神经网络；步骤4：将实时采集的总表有功无功电量、实时采集的负荷点有功无功电量输入至优化后BP神经网络进行预测，得到实时的预测线损率。2.根据权利要求1所述的改进麻雀搜索优化BP神经网络的配电网线损计算方法，其特征在于，步骤3所述损失函数模型，具体定义为：式中，Y
i
为第i个样本的样本线损率，y
i
为第i个样本的计算线损率，n为样本总数，该损失函数为计算的均方误差；步骤3所述进一步通过混沌初始化和t分布变异融合改进的麻雀搜索算法进行优化求解，得到优化后BP神经网络，改进的麻雀优化算法寻优目标为BP神经网络的权值和阈值，具体步骤如下：步骤3.1，设定麻雀种群规模、最大迭代次数、权值上边界、权值下边界、阈值上边界、阈值下边界、安全值、发现者比例、警戒者的比例；改进麻雀优化算法的维度D，具体如下：D＝m
×
n+n
×
l+n+l式中，m为BP神经网络的输入层神经元个数，n为BP神经网络的隐含层神经元个数，l为BP神经网络的输出层神经元个数；麻雀种群可表示为：其中，X
i
为第i次迭代时的麻雀种群，x
i,p,d
为第i次迭代时第p只麻雀位置的第d维的位置，i∈[1,t
m
]，t
m
为种群最大迭代次数，p∈[1,P]，P为种群中麻雀数量，d∈[1,D]，D为待优化维数，即网络权值和阈值总个数，当d∈[1,m
×
n]时，x
i,p,d
为神经网络中输入层和隐含层
之间的连接权值，当d∈[m
×
n+1,m
×
n+n]时，x
i,p,d
为神经网络中隐含层阈值，当d∈[m
×
n+n+1,m
×
n+n+n
×
l]时，x
i,p,d
为神经网络中隐含层与输出层之间的连接权值，当d∈[m
×
n+n+n
×
l+1,m
×
n+n+n
×
l+l]时，x
i,p,d
为神经网络中输出层阈值，m为BP神经网络的输入层神经元个数，n为BP神经网络的隐含层神经元个数，l为BP神经网络的输出层神经元个数；采用Bernoulli混沌映射初始化麻雀种群，其公式如下：其中，x
i,p,d
为第i次迭代时第p只麻雀位置的第d维的位置，x
i+1,p,d
为第i+1次迭代时第p只麻雀位置的第d维的位置，λ∈(0,1)为分段参数；混沌矩阵维度与麻雀种群矩阵维度相同，生成混沌矩阵后将其载波到权值阈值上下边界内，即得到混沌初始化的麻雀种群；步骤3.2，定义适应度函数并计算初始个体适应度值；适应度函数用于说明模型计算准确度，个体适应度值由个体对应的位置作为权值和阈值带入神经网络计算而得，具体适应度函数如下：式中，Y
i
为第i个样本的样本线损率，y
i
为第i个样本的计算线损率，n为样本总数，该损失函数为计算的均方误差；F
i
为第i次迭代时麻雀种群所有个体适应度值，麻雀个体的最优适应度值f
b
对应的麻雀位置为寻优目标，即神经网络的权值和阈值，则所有麻雀的个体适应度值可表示为：式中，f
i,p
([x
i,p,1
,...,x
i,p,d
,...,x
i,p,d
])表示第为第i次迭代时第p只麻雀的个体适应度值，x
i,p,d
为第i次迭代时第p只麻雀位置的第d维的位置，i∈[1,t
m
]，t
m
为种群最大迭代次数，p∈[1,P]，P为种群中麻雀数量，d∈[1,D]，D为待优化维数，即网络权值和阈值总个数；步骤3.3，麻雀搜索算法中麻雀分为发现者、加入者和警戒者，发现者与加入者将动态变化但比例不变，不同类型的麻雀更新位置规则不同；所述是种群中资源丰富即适应度值较高，且负责搜寻食物和引领加入者的麻雀，当危险出现时，麻雀个体报警高于预警值，发现者带领加入者转到安全的区域；其位置更新如下式：式中，x
i+1,p,d
为第i+1次迭代时第p只麻雀位置的第d维的位置...

【专利技术属性】
技术研发人员：丁李，谢沅霏，孔政敏，刘智伟，陈超洋，
申请(专利权)人：武汉大学，
类型：发明
国别省市：