基于BP神经网络的电网线损率预测模型分析

（国网甘肃省电力公司兰州供电公司，甘肃兰州市，730070） 海晓燕

线损率是影响电力企业经济效益的重要因素之一，准确地预测电网线损率对提高电力企业经济效益有着非常重要的意义[1]。在电网线损率的计算中，如何根据历史数据快速准确地计算出线损率，并将其合理地分配到各个变电站和线路中是一个十分重要和复杂的问题[2]。传统神经网络算法在对其进行训练时容易陷入局部最小值，难以保证网络的全局最优性[3]。因此，提出一种基于BP神经网络的电网线损率预测模型，对于探究电网线损率的预测精度和效果具有重要的意义。

1 BP神经网络架构

1.1 BP神经网络模型结构

BP神经网络是一种具有多层结构的网络模型，采用BP神经网络构造了一个三层前馈网络。BP神经网络结构图如图1所示。

图1 BP神经网络结构图

输入层、输出层和隐藏层都是由许多神经元组成，它们以权重相互联系，尽管存在着联系，但各个层级的神经元不能进行任何形式的信息交流，而各个层级的神经元只能够将信息传送到上层。

在BP神经网络中，隐藏层可为单层，也可为多层，通常利用神经网络算法来选择其节点数的多少，对于输入层、输出层和隐藏层节点的确定方法如式（1）所示：

1.2 BP神经网络学习算法

BP神经网络是一种有指导的学习方法，它的学习是由前向和后向两个方向进行的。正向传输是用于对前向网络进行运算，将数据写到输入层，再由隐藏层传送到输出层将其输出[5]。在前向传输时，各节点权重不发生变化，同一层次的各神经元相互独立。假定所得到的结果有较大的偏差，就会被引入反向的方法。反向传播主要实现的是误差的反向传播。将输出结果误差较大的信号通过逐层逆向反馈，改变神经元的连接阈值和权值，从而降低正向传播的输出结果误差。BP 神经网络学习算法图如图2所示。

图2 BP神经网络学习算法图

1.3 BP神经网络算法步骤

步骤四：将误差反向传播分配给隐含层节点：

2 基于BP神经网络的电网线损率预测模型构建

2.1 线损数据质量校核

BP 神经网络学习算法可以根据线损数据计算出电网数据中隐藏的规律，但是它对线损样本数据也有一定的要求。因此，在用模型进行预测之前，要先对线损数据的质量进行检查，刨除其中没有用的数据。建立了一个线损数据质量校核体系，具体流程如图3 所示，通过数据输入确定完整性是否合理，若合理则判断精确性和及时性是否合理，若合理则完成校验。

图3 线损数据质量校核过程

另外，电网的结构相对来说比较复杂，许多因素都可能会造成线损，例如线路电缆化率、线路界面、长度标准化率等等都会造成线损。为了不让这些因素影响到计算，要先对原始线损数据进行统一的标准化处理。假设特征参数为个，样本数据集为，表示样本数量，，处理过程如式（4）所示：

经过以上计算，线损数据基本统一，质量校验完成，为模型预测线损率打下基础。

2.2 电网线损率预测模型

为了避免传统神经网络中，神经元在预测模型中出现饱和现象，需对BP 神经网络输入层中存在的数据展开归一化处理，过程如下：

在利用BP 神经网络对电网线损率进行预测时，需根据预测的历史年中的数据和全年总的电量对输入层变量中存在的典型日供电量进行计算，获得下式：

3 试验分析

为了验证文中所提方法的线损率预测和诊断效果。选取IEE69节点电网拓扑结构。为了满足试验要求，在电网中接入10 个小水电站，电网拓扑图如图4所示。

图4 接入小水电站后的IEE69节点电网拓扑图

在上述实验环境下，应用文中提出的方法进行电网线损异常检测。根据异常检测结果，验证本文研究内容的可行性。

本文所设计方法与基于k 均值聚类算法（kmeans clustering algorithm）线损率预测模型方法和基于孤立森林算法的电网线损率预测模型方法进行预测时间对比，结果如图5所示，表示出不同迭代次数下的电网线损率预测所需时间.

图5 电网线损率预测时间对比

由图5 可知，本文所设计电网线损率预测方法较k均值聚类算法和孤立森林算法方法预测时间更短。主要是所设计模型预先对数据质量进行了校核，并生成了电网线损率特征值，同时采用了BP神经网络算法建立了预测模型，提高了预测效果。

为了进一步说明本文所提方法在线损异常诊断方面的优越性，利用本文方法与基于k 均值聚类算法、基于孤立森林算法对5条线路近10日线损数据进行分析，线损诊断对比结果如表1所示。

表1 线损诊断对比结果

由表1 可知，本文方法的线损异常诊断方法的准确率、误判率和漏判率等方面均优于其他三种模型方法，说明本文基于BP 神经网络的电网线损率预测模型方法在高维数据相关性分析方面有其独到的优越性，降低了误判率和漏判率，表现出了较好的线损诊断效果。

4 结语

本文提出的基于改进BP 神经网络的电网线损率预测模型，通过将电力系统的历史数据输入到BP神经网络模型中进行训练，并采用相应的学习率对其进行调整，最终获得一个比较准确的预测模型。该模型可以有效地减少BP 神经网络学习时间，并提高网络学习速率，从而提高电网线损率的预测效率和预测精度，线损故障诊断效果更好。