基于GA-BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)暫穩(wěn)極限切除時間預(yù)測

李昂,紀瑾,鄧雅心

(1.陜西理工大學 電氣工程學院,陜西 漢中 723000;2.國網(wǎng)青海省電力公司經(jīng)濟技術(shù)研究院,青海 西寧 810000)

1 引言

與社會經(jīng)濟迅猛發(fā)展相伴而來的是電力需求的與日俱增，電力系統(tǒng)安全穩(wěn)定運行要求也越發(fā)嚴格?，F(xiàn)階段，進行電網(wǎng)安全穩(wěn)定分析計算中常用的軟件有PSASP、BPA等，故障極限切除時間計算是電網(wǎng)安全穩(wěn)定計算中及其重要的一部分。文獻[1-5]均利用PSASP軟件進行了電網(wǎng)安全穩(wěn)定分析，其中文獻[1-3]進行了極限切除時間的計算，PSASP軟件采用的計算原理為數(shù)值積分技術(shù)，里面涉及到多個高階矩陣，但這些矩陣的組成元素并無極限切除時間這個變量，因此PSASP不能進行故障極限切除時間的自動求解，文獻[1-3]均采用窮舉法進行故障極限切除時間的求解。

電力系統(tǒng)是一個復雜且龐大的系統(tǒng)，窮舉法的使用是費時費力的。GA-BP神經(jīng)網(wǎng)絡(luò)能夠通過仿真數(shù)據(jù)對故障極限切除時間進行預(yù)測，提高電網(wǎng)安全穩(wěn)定計算的效率。文獻[6]搭建了GA-BP預(yù)測模型，通過500組變壓器試驗數(shù)據(jù)對變壓器繞組熱點溫度進行預(yù)測；文獻[7]通過實驗得到50組柴油在不同條件下的噴霧貫穿距數(shù)據(jù)，并搭建了GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型對柴油噴霧貫穿距進行預(yù)測；文獻[8]建立了GA-BP神經(jīng)網(wǎng)絡(luò)的果園需水量預(yù)測模型，并比較了GA-BP模型與BP模型的精度與適應(yīng)度?；谝陨戏治觯疚拇罱嘶贕A-BP神經(jīng)網(wǎng)絡(luò)的極限切除時間預(yù)測模型，分析了該模型對故障極限切除時間的預(yù)測能力。

2 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

2.1 BP神經(jīng)網(wǎng)絡(luò)概述

BP網(wǎng)絡(luò)是一類多層的前饋神經(jīng)網(wǎng)絡(luò)[9]。BP算法是Rumelhart等人在1986年提出的。BP算法,其修正網(wǎng)絡(luò)權(quán)值的方式為誤差的逆向傳播。BP神經(jīng)網(wǎng)絡(luò)因其結(jié)構(gòu)易懂、可調(diào)參數(shù)種類多和訓練算法類型多等特點,使用廣泛。然而其有一些固有缺陷,如訓練開銷大、容易收斂至部分最優(yōu)處和網(wǎng)絡(luò)層次不易確定等。網(wǎng)絡(luò)的計算開銷與初始權(quán)值和閾值的選取關(guān)聯(lián)度較大，然而無法切確獲取，對于該問題常采取GA算法優(yōu)化。

2.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

遺傳算法(genetic algorithm,GA)是一種進化算法，其基本原理是效仿生物界中的“物競天擇、適者生存”的演化法則。GA將要求解的參數(shù)翻譯為染色體,然后利用迭代進行染色體行為運算更改種群中染色體信息,最終留下符合優(yōu)化條件的染色體。GA改進BP神經(jīng)網(wǎng)絡(luò)流程為：確定BP網(wǎng)絡(luò)各層結(jié)構(gòu)、GA尋優(yōu)權(quán)值和閾值、訓練BP網(wǎng)絡(luò)進行預(yù)測。具體優(yōu)化步驟如下:

Step 1：初始種群的生成。生成N個個體,單個個體為一個串結(jié)構(gòu)數(shù)據(jù),個體編碼為實數(shù)編碼，BP網(wǎng)絡(luò)所有的權(quán)值和閾值均包含在單個個體中。

Step 2：確定適應(yīng)度函數(shù)。單個個體的生存能力由適應(yīng)度表征，下式為適應(yīng)度函數(shù)F的計算方式：

(1)

Step 3：選擇。經(jīng)過比較單個個體的適應(yīng)度函數(shù)值Fi,用輪盤賭法選出種群中較優(yōu)的個體,使其有繁殖下一代的機會。

Step 4：交叉。交叉是染色體行為中頻次最高的操作。2個配對個體，nk、nm以交叉概率Px交換其部分基因，產(chǎn)生2個新個體，在第j位基因進行交叉產(chǎn)生新基因nkj、nmj。nkj、nmj的操作表達式如下：

(2)

式中：r為[0，1]間的隨機數(shù)。

Step 5：變異。變異個體的選擇是隨機的,將選中的個體以變異概率Pm隨機地使串結(jié)構(gòu)數(shù)據(jù)中某個串值改變。選中個體ni在第j個基因進行變異，得到新基因nij，nij的操作表達式如下：

(3)

式中：nmax、nmin分別為基因nij的上、下界；r1為1個隨機數(shù)；s為當前進化次數(shù)；smax為最大進化次數(shù)；r2為[0，1]間的隨機數(shù)。

Step 6：計算新種群中個體的適應(yīng)度函數(shù)值Fi，若Fi達到要求或進化次數(shù)達到最大值則進化完畢，否則返回Step 3。

Step 7：將利用GA尋優(yōu)之后的權(quán)值和閾值賦予BP網(wǎng)絡(luò)，得到極限切除時間預(yù)測模型。

3 GA-BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用

3.1 極限切除時間數(shù)據(jù)采集

本文使用如圖1所示的三機九節(jié)點系統(tǒng)作為算例。

圖1 三機九節(jié)點系統(tǒng)單線圖

系統(tǒng)在運行時會產(chǎn)生大量的數(shù)據(jù)信息，這些數(shù)據(jù)在某種程度上會反映出系統(tǒng)的暫態(tài)特性，為保證該預(yù)測模型的表征能力，選取輸入特征量時需遵循一定的原則。首先，選取的輸入特征量要具備有效性，當系統(tǒng)發(fā)生暫態(tài)變化時受到影響較大的物理量；其次，輸入特征量要具備系統(tǒng)特征，不隨系統(tǒng)的網(wǎng)絡(luò)拓撲結(jié)構(gòu)變化而失去表征能力。通過總結(jié)文獻[10-12]和多次仿真驗證，最終選取的輸入特征量如表1所示作為網(wǎng)絡(luò)輸入，網(wǎng)絡(luò)輸出為極限切除時間。

表1 輸入、輸出特征量

通過PSASP軟件搭建如圖1所示系統(tǒng)圖，模擬線路AC_2上不同位置處發(fā)生三相短路故障，并采集故障數(shù)據(jù)。具體數(shù)據(jù)獲取操作如下：

Step 1：選取故障點。本文共選取6個故障點，此6個故障點以15%的間隔均勻的位于線路AC_2上。

Step 2：計算極限切除時間。對Step 1中所選取的故障點利用軟件自身計算特點結(jié)合窮舉法計算極限切除時間。

Step 3：獲取故障數(shù)據(jù)。對Step 1中所選取的故障點仿真時進行輸入特征量數(shù)據(jù)的采集，自故障發(fā)生時，每隔0.01s采集一次特征量數(shù)據(jù)，共采集120組數(shù)據(jù)。

3.2 極限切除時間預(yù)測結(jié)果

采用3.1所述方式共獲得120組樣本數(shù)據(jù)，部分測試樣本數(shù)據(jù)如表2所示。

表2 部分樣本數(shù)據(jù)(單位p.u.)

GA-BP模型的參數(shù)設(shè)置如下：GA的種群大小為40，交叉概率為0.6，變異概率為0.01；BP的輸入層、隱含層和輸出層神經(jīng)元的個數(shù)分別為8，17和1，如圖2所示為GA-BP模型的訓練流程圖。AC_2中前五組數(shù)據(jù)共100組樣本作為訓練集用于訓練模型，AC_2中第六組數(shù)據(jù)共20組樣本作為測試集用于檢驗?zāi)Ｐ偷木?。BP輸入量的量綱不唯一，故對實驗所得數(shù)據(jù)進行處理，將輸入量大小映射在[0,1]之間。將訓練好的GA-BP模型用于預(yù)測測試集數(shù)據(jù)，測試集的預(yù)測結(jié)果如圖3所示。

圖2 GA-BP模型的訓練流程

圖3 測試集數(shù)據(jù)預(yù)測結(jié)果

圖3中預(yù)測的數(shù)值為交流線路AC_2的90%位置處發(fā)生故障的極限切除時間，通過窮舉法測得的實際值為0.200s，圖2中神經(jīng)網(wǎng)絡(luò)的預(yù)測值在0.191～0.204s之間，測試集預(yù)測值的絕對誤差均在±5%以內(nèi)，可見GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測極限切除時間的效果較好。

為檢驗GA-BP預(yù)測模型的精度，采用平均相對誤差(MRE)和均方根誤差(RMSE)兩個特征指標對基于該模型的極限切除時間預(yù)測效果進行評價，若預(yù)測效果越好則各指標值越小，計算公式如下：

(4)

(5)

采用同樣的樣本數(shù)據(jù)建立BP預(yù)測模型，并利用測試集進行檢驗，由表3中各指標值的大小可知，GA-BP模型對極限切除時間預(yù)測效果較好。

表3 預(yù)測模型的特征指標

4 結(jié)語

本文采用GA算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及閾值進行優(yōu)化，并將其應(yīng)用于電網(wǎng)暫穩(wěn)極限切除時間預(yù)測領(lǐng)域，建立了GA-BP神經(jīng)網(wǎng)絡(luò)的極限切除時間預(yù)測模型。通過PSASP軟件搭建三機九節(jié)點系統(tǒng)模型模擬三相短路故障并計算極限切除時間獲取樣本數(shù)據(jù)，利用樣本數(shù)據(jù)進行模型訓練及測試。結(jié)果表明，測試集數(shù)據(jù)預(yù)測值與實際值基本一致，且該模型的預(yù)測精度高于BP模型。形成了仿真軟件輸出數(shù)據(jù)，GA-BP模型調(diào)用仿真數(shù)據(jù)，準確計算極限切除時間的良性循環(huán)，提高了電網(wǎng)安全穩(wěn)定計算的效率。