kaiyun官方注册
您所在的位置: 首页> 测试测量> 设计应用> 基于改进EO-BP神经网络的高压线损预测
基于改进EO-BP神经网络的高压线损预测
电子技术应用 2023年3期
徐利美1,闫磊1,李远1,杨射2,任密蜂3
(1.国网山西省电力公司, 山西 太原 030021;2.国网山西超高压变电公司, 山西 太原 030021; 3.太原理工大学 电气与动力工程学院, 山西 太原 030024)
摘要:针对高压线损预测精度不高的问题,提出一种基于均衡优化器(Equilibrium Optimizer,EO)和BP神经网络相结合的线损预测模型。首先,为了提高EO算法的寻优能力,利用多种混沌映射关系初始化种群,使种群多样性增加,全局搜索能力得到改善;同时,采用物竞天择概率跳脱策略改进EO算法,使模型依概率跳出局部最优而收敛于全局最优解。其次,采用改进的EO算法对BP神经网络的权值和偏置进行优化,进而改善BP神经网络的预测效果。最后,实验结果证明,所提线损预测模型相对于回归模型、BP神经网络模型、模拟退火算法优化BP神经网络模型和EO优化BP神经网络模型具有更高的预测精度。
中图分类号:TP183;TM73 文献标志码:A DOI: 10.16157/j.issn.0258-7998.223399
中文引用格式:徐利美,闫磊,李远,等. 基于改进EO-BP神经网络的高压线损预测[J]. 电子技术应用,2023,49(3):82-88.
英文引用格式:Xu Limei,Yan Lei,Li Yuan,et al. High-voltage line loss prediction based on improved EO-BP neural network[J]. Application of Electronic Technique,2023,49(3):82-88.
High-voltage line loss prediction based on improved EO-BP neural network
Xu Limei1,Yan Lei1,Li Yuan1,Yang She2,Ren Mifeng3
(1.State Grid Shanxi Electric Power Company,Taiyuan 030021, China; 2.Shanxi Extra High Voltage Substation Company of State Grid, Taiyuan 030021, China; 3.College of Electrical and Power Engineering, Taiyuan University of Technology,Taiyuan 030024, China)
Abstract:Aiming at the problem of low accuracy of high voltage line loss prediction, a line loss prediction model is proposed based on improved BP neural network and Equalization optimizer (EO) algorithm. Firstly, in order to improve the optimization ability of EO algorithm, a variety of chaotic mapping relations is used to initialize the population to increase the population diversity, then the global search ability could be improved. At the same time, the EO algorithm is improved by using the natural selection probability jump strategy, so that the model could jump out of the local optimization according to the probability and converge to the global optimal solution. Secondly, the improved EO algorithm is used to optimize the weight and bias of BP neural network, and the prediction effect of BP neural network for high voltage line loss is improved. Finally, the experimental results show that the proposed line loss prediction model has the highest prediction accuracy compared with regression model, BP neural network model, simulated annealing optimized BP neural network model and EO optimized BP neural network model.
Key words :line loss prediction;chaotic mapping;natural selection probability jump strategy;equilibrium optimizer algorithm;neural network

0 引言

线路损耗是衡量电能在输送过程中电能损失的指标,线损率表征了线路电能损耗占总供电量的比重。分析电能在电网系统中传输和分配过程中的损耗,提高线路损耗的预测精度,可以为电力系统节能降损提供技术支持,有利于提高电力相关企业的经济效益。

在线损的治理过程中,线损计算是其中关键的环节。为了更有效地利用线损相关的特征变量和历史线损数据获得更准确的预测数据,近年来相关研究人员将机器学习算法引进线损预测过程中。文献[2]提出一种融合小生境遗传算法和串级BP神经网络的线损预测模型,该方法对模型参数进行了优化,相对于传统预测方法该模型预测精度有所提高。文献[3]考虑特征变量数据的量值差异和影响线损的主要影响因素建立改进的BP神经网络模型,但模型的预测效果需要进一步提升。文献[4]使用粒子群算法改进最小二乘支持向量机的惩罚因子,该方法提升了模型的预测精度和收敛速度。文献[5]通过灰色关联分析法筛选与线损相关联的特征指标,并提出自适应遗传算法优化BP神经网络的线损预测模型,所建立的模型具有收敛速度快和泛化能力强的特点。上述文献所建立的模型有利于提高电压等级较低的线损预测精度,对于电压等级较高的线损预测需要考虑电晕对线损的影响。

EO算法是2020年提出的一种新颖的优化算法,该算法经过多个标准函数的测试显现出更强的寻优能力和更快的收敛速度。为了提高高压线损的预测精度,本文提出改进EO-BP神经网络的线损预测模型。该模型考虑了BP神经网络模型参数的优化和电晕对高压线路损耗的影响。经典BP神经网络在训练时易陷入局部最优而影响预测精度,本文引入EO算法对其优化,同时采用混沌种群初始化和物竞天择概率跳脱策略提高模型的搜索效率,扩大搜索范围的同时使模型收敛于全局最优,实验时将该模型与回归模型、BP神经网络模型、模拟退火算法优化BP神经网络模型和EO优化BP神经网络模型进行仿真实验对比,证明了本文所提方法的有效性。




本文详细内容请下载:https://www.chinaaet.com/resource/share/2000005234




作者信息:

徐利美1,闫磊1,李远1,杨射2,任密蜂3

(1.国网山西省电力公司, 山西 太原 030021;2.国网山西超高压变电公司, 山西 太原 030021;

3.太原理工大学 电气与动力工程学院, 山西 太原 030024)


微信图片_20210517164139.jpg

此内容为AET网站原创,未经授权禁止转载。
Baidu
map