[发明专利]一种电力系统中变电站短期电能质量预测方法

摘要

本发明涉及电网管理技术领域，具体地说是涉及一种电力系统中变电站短期电能质量预测方法。本发明所述的方法包括如下步骤：（1）BP神经网络引入步骤；（2）BP神经元三层BP神经网络学习步骤；（3）BP神经网络的设计步骤。本发明采用神经网络法对电力系统中变电站短期电能质量进行预测，其优点在于它具有模拟多变量而不需要对输入变量做复杂的相关假设的能力。它不依靠专家经验，只利用观察到的数据，可以从训练过程中通过学习来抽样和逼近隐含的输入/输出非线性的关系。近年来的研究表明，相对于现有技术中的统计技术和专家系统法两种方法，利用神经网络技术进行电力系统中变电站短期电能质量预测可获得更高的精度。

主权项

1.一种电力系统中变电站短期电能质量预测方法，其特征在于：所述的方法包括如下步骤：（1）BP神经网络引入步骤　采用BP神经网络，即误差反向传播神经网络，是人工神经网络中应用最广的一种神经网络；在人工神经网络的实际应用中，BP神经网络广泛应用于函数逼近、模式识别和分类、数据压缩、预测等领域，80%-90%的人工神经网络模型都是采用BP神经网络或者是BP神经网络的变化；（2）BP神经元三层BP神经网络学习步骤　BP神经元是BP神经网络最基本的组成部分，其中，为BP神经元的输入，代表BP神经元之间的连接权值，为阈值，f为BP神经元的传输函数，y为BP神经元的输出，有(1)BP神经网络输入向量为；BP神经网络目标向量为；BP神经网络中间层单元输入向量为，BP神经网络输出向量为；BP神经网络输出层单元输入向量为，BP神经网络输出向量为；BP神经网络输入层至中间层的连接权值为，，；BP神经网络中间层至输出层的连接权值为，，；BP神经网络中间层各单元的输出为，；BP神经网络输出层各单元的输出为，；参数；三层BP神经网络的学习过程如下：1），初始化，给每个连接权值和、阈值和赋予区间[-1,+1]内的随机值；2），随机选取一组输入和目标样本、提供给BP神经网络；3），用输入样本、连接权值和阈值计算中间层各单元的输入，然后用通过传递函数计算中间层各单元的输出：，(2)，(3)4），利用中间层的输出，连接权值和阈值计算输出层各单元的输出，然后通过传递函数计算输出层各单元的响应：，(4)，(5)5），利用网络目标向量，网络的实际输出，计算输出层的各单元一般化误差：，(6)6），利用连接权值、输出层的一般化误差和中间层的输出计算中间层各单元的一般化误差：，(7)7），利用输出层各单元的一般化误差和中间层各单元的输出来修正连接权值和阈值：，，，(8)，，，(9)8），利用中间层各单元的一般化误差，输入层各单元的输入来修正连接权值和阈值：，，，(10)，，，(11)9），随机选取下一个学习样本向量提供给网络，返回到步骤3)，直到个训练样本训练完毕；10），重新从个学习样本中随机选取一组输入样本和目标样本，返回步骤3），直到网络全局误差E小于预先设定的一个极小值，即网络收敛；如果学习次数大于预先设定的值，网络就无法收敛；（3）BP神经网络的设计步骤BP神经网络的设计主要包括输入层、隐含层、输出层及各层之间的传递函数几个方面，使用的软件是matlab；1），网络层数 BP神经网络是一种多层前馈型网络，根据神经网络的理论，给定任何一个连续函数，都可由一个三层BP神经网络来实现，输入层与隐含层各节点之间，隐含层与输出层各节点之间可通过调整的权值来连接；本方案选取的BP神经网络为三层结构，即输入层、输出层和一个隐含层；2），输入输出数据选取如下所示，若某变电站是以每3分钟测得一个点，那么一天就有480个点，将第一天到第五天的连续5天数据作为样本的输入，将第9天的数据作为样本的输出，建立映射关系，得到该指标的数据模型；3），传输函数 BP神经网络传递函数是BP神经网络的重要组成部分，BP神经网络经常采用S型的对数或正切函数，在某些特定的情况下还可能采用纯线性（purelin）函数；logsig函数，即S型的对数函数，函数返回值位于区间[0,1]中；(12)tansig函数，即S型函数的正切函数，函数返回值位于区间[-1,1]中；(13)BP神经网络从输入层到隐含层和隐含层到输出层的传递函数分别采用logsig函数和tansig函数；BP神经网络的创建：net1=newff(p,t,[40,20],{ 'logsig','tansig'})其中,newff()为BP神经网络的创建函数；p表示输入数据，t表示输出数据，[40,20]表示BP神经网络隐含层节点数为40个，BP神经网络输出层节点数为20个；{'logsig', 'tansig'}表示BP神经网络隐含层的传递函数为'logsig'，BP神经网络输出层的传递函数为'tansig'；4），设置模型的参数 net1.trainParam.epochs=1000; %创建迭代次数net1.trainParam.lr=0.01; %创建速度net1.trainParam.goal=0.00001; %目标精度5），BP神经网络的训练 BP神经网络创建后，要进行训练；net2=train(net1,p,t)；其中，train()为BP神经网络的训练函数，net1为刚才创建的BP神经网络，p为BP神经网络的输入训练样本数据，t为BP神经网络的目标训练样本数据，net2为训练好的BP神经网络；6），BP神经网络的测试 BP神经网络的性能好坏主要看其是否具有很好地泛化能力，而对泛化能力的测试不能用训练样本的数据进行检验，而要用训练样本以外的测试样本数据来进行检验；Y=sim(net2,ptest);其中，sim()可对BP神经网络进行仿真，net2为训练好的BP神经网络，ptest为BP神经网络的输入测试样本数据，Y为BP神经网络的测试结果；E=Y-L；其中，Y为BP神经网络的测试结果，L为BP神经网络的输出测试样本数据，E为BP神经网络测试样本数据的绝对误差；mae(E)即平方绝对误差，是BP神经网络的一种性能分析函数；7），保存以上的具有很好地泛化能力的模型，在以后的数据预测中，能够将每连续5天的数据来作为输入，通过该模型预测未来第9天的数据。