曾偉　彭文一　楊剛　黃大山

摘 要：文章針對(duì)常規(guī)理論線損算法難以建立電網(wǎng)系統(tǒng)精確模型、不能準(zhǔn)確估算線路參數(shù)等問題，利用RBF神經(jīng)網(wǎng)絡(luò)的無限逼近能力和遺傳算法的并行運(yùn)算與全局尋優(yōu)能力，設(shè)計(jì)了一種計(jì)算低壓臺(tái)區(qū)供電系統(tǒng)理論線損的智能算法。實(shí)例表明本算法具有較高的精度，并具有一定的實(shí)用價(jià)值。

關(guān)鍵詞：理論線損；RBF神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖書分類號(hào)：TM744 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8937（2012）32-0038-03

線損率既是供電企業(yè)的一項(xiàng)重要經(jīng)濟(jì)技術(shù)指標(biāo)，也是表征一個(gè)供電企業(yè)電力系統(tǒng)規(guī)劃設(shè)計(jì)水平和經(jīng)營(yíng)管理水平的一個(gè)綜合經(jīng)濟(jì)技術(shù)指標(biāo)。統(tǒng)計(jì)表明，在我國(guó)城鄉(xiāng)電網(wǎng)全網(wǎng)線損電量中，0.4 kV低壓配電網(wǎng)的線損電量約占42%，遠(yuǎn)高于德國(guó)、英國(guó)等工業(yè)發(fā)達(dá)國(guó)家的平均水平。因此，科學(xué)計(jì)算低壓臺(tái)區(qū)理論線損、分析實(shí)際線損產(chǎn)生原因、降低低壓臺(tái)區(qū)線損率具有重要理論意義和經(jīng)濟(jì)價(jià)值。

目前，關(guān)于理論線損的計(jì)算，國(guó)內(nèi)外已有一些比較成熟的方法，如電量法、容量法、均方根電流法、平均電流法、潮流精確算法等。這些方法的共同特點(diǎn)是需要知道等值電阻、線路負(fù)荷曲線特征系數(shù)，甚至需電表的類型（單相表、三相三線表、三相四線表）及個(gè)數(shù)、導(dǎo)線長(zhǎng)度與線徑、供電半徑等較多的線路原始參數(shù)。由于低壓臺(tái)區(qū)線路結(jié)構(gòu)的復(fù)雜性，以及用戶的用電的隨機(jī)性，上述參數(shù)中的有些參數(shù)是隨機(jī)變化的，有的只能通過特定時(shí)刻的運(yùn)行數(shù)據(jù)，估算得到一個(gè)近似數(shù)，如等值電阻、線路負(fù)荷曲線特征系數(shù)等；有的基本無法得到，如導(dǎo)線長(zhǎng)度與線徑，這直接影響了理論線損的計(jì)算精度和實(shí)時(shí)性。

本文針對(duì)低壓臺(tái)區(qū)供電系統(tǒng)的特點(diǎn)，提出一種神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的計(jì)算理論線損智能算法。該方法根據(jù)系統(tǒng)辨識(shí)的原理，把待計(jì)算理論線損的低壓臺(tái)區(qū)的供電系統(tǒng)作為一個(gè)黑箱，通過智能電表（儀表）采集的樣本數(shù)據(jù)，建立低壓臺(tái)區(qū)供電系統(tǒng)數(shù)學(xué)模型——辨識(shí)低壓臺(tái)區(qū)的線路結(jié)構(gòu)參數(shù)，并據(jù)此在線計(jì)算該臺(tái)區(qū)的理論線損，避免了算法對(duì)線路原始參數(shù)的依賴性，提高了理論線損計(jì)算的實(shí)時(shí)性。

1 低壓臺(tái)區(qū)供電系統(tǒng)建模

2 模型參數(shù)辨識(shí)

2.1 待辨識(shí)參數(shù)

通過上述對(duì)RBF神經(jīng)網(wǎng)絡(luò)的分析，可確定系統(tǒng)的待定參數(shù)為三組：隱含層單元的個(gè)數(shù)（隱含層的維數(shù)）m；隱含層單元基函數(shù)的中心cji與寬度σj；輸出層權(quán)值wj和網(wǎng)絡(luò)的調(diào)整系數(shù)θ。即當(dāng)這三組參數(shù)確定后，即可通過RBF神經(jīng)網(wǎng)絡(luò)來計(jì)算低壓臺(tái)區(qū)理論線損值。上述三組參數(shù)的優(yōu)劣對(duì)理論線損值的精確度有很大影響。

由于RBF網(wǎng)絡(luò)結(jié)構(gòu)的非線性，若使用常規(guī)算法確定這些參數(shù)較為困難，我們通過具有全局尋優(yōu)能力的遺傳算法來確定上述參數(shù)。

2.2 編碼方式

將上述三組參數(shù)統(tǒng)一編碼至一個(gè)染色體串中。對(duì)于RBF神經(jīng)網(wǎng)絡(luò)，中心是重要的參數(shù)，對(duì)網(wǎng)絡(luò)性能有很大影響，不同的中心對(duì)應(yīng)著不同的寬度，中心變化，寬度也隨之變化，所以采用中心和寬度交替排列的編排順序，如圖2所示。本文采用實(shí)數(shù)編碼，染色體的每個(gè)基因值用一定范圍內(nèi)的浮點(diǎn)數(shù)表示，染色體編碼長(zhǎng)度為待優(yōu)化變量的個(gè)數(shù)，即為L(zhǎng)=（n+2）×m+1。

2.3 評(píng)價(jià)準(zhǔn)則

由于種群中共有P個(gè)染色體，則需要執(zhí)行P次選擇操作以選出所有下一代染色體。針對(duì)每個(gè)被選出的染色體，需要進(jìn)行一定判斷，以決定是否需要對(duì)其進(jìn)一步處理。首先進(jìn)行變異判斷，若滿足變異條件則變異，生成的新染色體作為下一代種群中的一員；若不滿足變異條件，則進(jìn)行交叉判斷，若滿足交叉條件則將其與本代種群中任意染色體進(jìn)行交叉，生成的新染色體（以被選擇染色體作為母本生成的染色體）作為下一代種群中的一員；若不滿足交叉條件，則此被選出的染色體直接保留到下一代。

2.5 遺傳機(jī)制改進(jìn)

遺傳算法通染色體交叉、變異產(chǎn)生新的染色體，雖然優(yōu)良個(gè)體越來越多，但遺傳操作的隨機(jī)性有可能破壞掉當(dāng)前群體中適應(yīng)度最好的個(gè)體，這會(huì)對(duì)遺傳算法的運(yùn)行效率、收斂性都帶來不利影響。所以采取了最優(yōu)保留策略[8]將當(dāng)前種群中適應(yīng)度最高的個(gè)體直接保留到下一代，以保證算法的收斂精度遞增性。

2.6 參數(shù)識(shí)別流程

3 應(yīng)用實(shí)例

對(duì)某日貴州某地級(jí)市的某個(gè)低壓臺(tái)區(qū)供電系統(tǒng)采集70組數(shù)據(jù)，取其中60個(gè)數(shù)據(jù)作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本，其余10個(gè)作為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)（系統(tǒng)模型）的測(cè)試樣本。

5 s，可以滿足實(shí)際需求。通過其余10個(gè)測(cè)試樣本對(duì)本神經(jīng)網(wǎng)絡(luò)的測(cè)試，結(jié)果顯示神經(jīng)網(wǎng)絡(luò)參數(shù)合理，理論線損計(jì)算精度較高，則可以運(yùn)用算法此次運(yùn)行辨識(shí)出的參數(shù)來計(jì)算理論線損值。

4 結(jié) 論

本文根據(jù)低壓臺(tái)區(qū)供電系統(tǒng)原始數(shù)據(jù)難采集的特點(diǎn)，提出一種計(jì)算理論線損的智能算法，運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)對(duì)低壓臺(tái)區(qū)供電系統(tǒng)建模，并通過改進(jìn)的遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)。本文方法避免了許多人工統(tǒng)計(jì)工作，提高了算法的客觀性和實(shí)時(shí)性，得到了較好的運(yùn)用效果，具有較高的實(shí)用價(jià)值。

參考文獻(xiàn)：

[1] 廖學(xué)琦，鄭大方.城鄉(xiāng)電網(wǎng)線損計(jì)算分析與管理[M].北京：中國(guó)電力出版社，2011.

[2] 廣東電網(wǎng)公司.線損理論計(jì)算原理與應(yīng)用[M].北京：中國(guó)電力出版社，2009.

[3] 廖學(xué)琦.農(nóng)網(wǎng)線損計(jì)算分析與降損措施（線損管理培訓(xùn)用書）[M].中國(guó)水利水電出版社，2008.

[4] 華南理工大學(xué)電力學(xué)院.線損理論計(jì)算軟件從入門到精通[M].中國(guó)電力出版社，2009.

[5] 范宏，韋化.改進(jìn)遺傳算法在無功優(yōu)化中的應(yīng)用[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2005，17 （1）.

[6] 張國(guó)忠.智能控制系統(tǒng)及應(yīng)用[M].中國(guó)電力出版社，2007.

[7] 李桂鑫.基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)用于配電網(wǎng)線損計(jì)算[D].天津：天津大學(xué)，2007.

[8] 安卓斯P著.譚營(yíng)譯.計(jì)算群體智能基礎(chǔ)[M].北京：清華大學(xué)出版社，2009.

[9] 段海濱，張祥銀，徐春芳.仿生智能計(jì)算[M].北京：科學(xué)出版社，2011.