CN106991531A - 基于bp神经网络的配电网项目建设效果后评价方法 - Google Patents

基于bp神经网络的配电网项目建设效果后评价方法 Download PDF

Info

Publication number
CN106991531A
CN106991531A CN201710200288.0A CN201710200288A CN106991531A CN 106991531 A CN106991531 A CN 106991531A CN 201710200288 A CN201710200288 A CN 201710200288A CN 106991531 A CN106991531 A CN 106991531A
Authority
CN
China
Prior art keywords
network
training
power distribution
distribution network
index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710200288.0A
Other languages
English (en)
Inventor
王利利
李秋燕
关朝杰
孙义豪
丁岩
全少理
李锰
郭新志
胡钋
殷奕恒
杨丰阁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Wuhan University WHU
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Wuhan University WHU
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Wuhan University WHU, Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710200288.0A priority Critical patent/CN106991531A/zh
Publication of CN106991531A publication Critical patent/CN106991531A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BP神经网络的配电网项目建设效果后评价方法，步骤如下：步骤S1，并建立评价指标体系；步骤S2，采集基层指标数据并预处理；步骤S3，根据专家评分得到Ntrain个训练样本所对应的目标分值；步骤S4，确定网络层数；步骤S5，确定网络节点数；步骤S6，确定传递函数；步骤S7，选定训练方法；步骤S8，建立BP人工神经网络后评价模型；步骤S9，设置训练参数，进行训练；步骤S10，判断训练效果；步骤S11，检验训练后的BP人工神经网络后评价模型；步骤S12，观察拟合效果。本发明建立的BP人工神经网络模型充分吸收专家的判断经验，从而省去了专家赋权与打分的步骤，使评价更加简洁明了。

Description

基于BP神经网络的配电网项目建设效果后评价方法
技术领域
本发明涉及配电网技术领域，具体涉及一种基于BP神经网络的配电网项目建设效果后评价方法。
背景技术
项目后评价是项目周期中最后一个重要环节，是项目竣工交付运行一段时间后，对项目进行全面评价的一项工作，后评价在国内外部分行业已经开展很长时间，并取得了良好的效果，然而，现阶段国内开展电网项目后评价工作的时间较短，重点集中主网工程项目的后评价，对配电网工程项目的后评价尚处于起步阶段。目前仅南方电网公司颁布实施了《配电网项目后评价实施办法》(Q/CSG21301-2010)，涉及到从项目过程、项目建设效果、经济效益等方面，对配电网工程项目进行后评价，其中的核心部分就是配电网建设效果的后评价，在理论研究和工程实际中都具有重要的意义。
在喻刚(YU Gang).配电网建设改造项目投资效果后评价方法研究(Study onPost-evaluation Method of Investment Effect of Investment in DistributionNetworks)[J].价值工程(Value Engineering),2013,12:324-325中提出的指标体系、指标评分方法、权重确定方法和综合评价方法能对配电网建设改造项目的投资效果进行评价；然而其权重求取方法仅为层次分析法，过于片面。
在徐志勇,张徐东,曾鸣,等(XU Zhiyong,ZHANG Xudong,ZENG Ming,et al).基于ANP的多层次模糊综合评价法的电网建设项目后评价研究(Application of ANP-basedmultilevel fuzzy comprehensive evaluation methods to post-evaluation for gridconstruction projects)[J].华东电力(East China Electric Power),2003,37(3):488-490中建立了一套完备的电网建设项目后评价指标体系，并应用基于ANP的多层次模糊综合评价方法对指标进行赋权与评分，但是该方法主观性太强。
在吴鸿亮(WU Hongliang).改进的逻辑框架法在电网项目后评价中的应用(Application of Improved inPost-Evaluation for Power Grid Projects)[J].电网与清洁能源(Power System and Clean Energy),2011,27(10):4-7+12中对配网建设功能效果进行专项后评价研究，通过对常规的逻辑框架法进行改进，引入后评价中的前后对比和有无对比思想，更加明确地反映了项目预期指标的实现情况，然而该方法属于传统的后评价方法，主观性过强且过于片面。
发明内容
本发明要解决的是现有存在的电网项目后评价指标方法主观性强且过于片面的技术问题，从而提供一种基于BP神经网络的配电网项目建设效果后评价方法，该评价方法能够充分吸收专家的判断经验，对样本数据作出较为准确的判断，说明了运用人工神经网络方法进行配电网项目建设效果后评价的可行性和准确性。
为解决上述技术问题，本发明所采用的技术方案如下：
一种基于BP神经网络的配电网项目建设效果后评价方法，步骤如下：步骤S1，选取若干反映配电网项目建设效果现状的基层指标，并建立评价指标体系；
所述评价指标体系包括一级指标和二级指标，所述一级指标包括供电质量、网络结构、供电能力和装配水平；所述供电质量的二级指标包括供电可靠率和综合电压合格率；所述网络结构的二级指标包括10Kv线路联络率、10Kv线路平均供电半径、10Kv线路平均分段数、10Kv线路N-1通过率和380V线路平均分段数；所述供电能力的二级指标包括10Kv线路重过载率和户均配变容量；所述装配水平的二级指标包括70mm以下导线截面占比、线路挂接配变容量和架空线路绝缘化率。
步骤S2，根据建立的评价指标体系，采集若干个相应的基层指标数据并进行数据预处理；
具体步骤如下：
步骤S2.1，采集与基层指标相对应的若干个数据作为数据样本，并将数据样本输入matlab软件的normrnd函数中进行样本扩充，从而提高BP人工神经网络模型的鲁棒性；生成N个符合正态分布的总样本，并从N个总样本中抽取Ntrain个训练样本，Nexamine个检验样本和Ntest个测试样本；其中，Ntrain≥n×70％，Nexamine≥n×10％，Ntest≥n×10％；这样能使训练(学习)过程不发生“过拟合”，以提高网络模型的性能和泛化能力。
S2.2，归一化处理；
利用最大最小函数premnmx对步骤S2.1中的训练样本、检验样本和测试样本进行归一化预处理，将参数量化到[-1,1]内。
步骤S3，根据专家评分得到Ntrain个训练样本所对应的目标分值；
步骤S4，确定网络层数；
所述网络层数为3层，由一个输入层，一个隐含层和一个输出层构成。
步骤S5，确定网络节点数；
所述网络节点数包括输入层节点数、隐含层节点数和输出层节点数；确定步骤具体如下：
步骤S5.1，确定输入层节点数n；
输入层节点数取决输入向量的维数；输入层的节点数n等于指标体系的指标数；
步骤S5.2，设定隐含层节点数L；
隐含层节点数的确定有两种方法，一种是首先在网络中加入足够多的隐含层节点L≤n，再通过学习将不起作用的节点剔除，达到最优训练时间与精度为止；
相反，也可以在开始时加入少量节点，在学习到一定次数后，若训练效果不佳再适当增加节点，直到取得最优训练时间与精度为止。
步骤S5.3，确定输出层节点数m；
输出层节点数为1。
步骤S6，确定传递函数；
从输入层到隐含层采用tansig函数，可以实现输入和输出间的任意非线性映射；从隐含层到输出层使用线性purlin函数。
步骤S7，选定训练方法；
所述训练方法为LM算法，算法原理为：
设误差函数E(w)为
eT(w)＝[e1(w),e2(w),…em(w)] (2)；
其中，ei(w)表示第w次迭代输出层第i个节点的输出误差；eT(w)表示e(w)的转置；m表示输出层节点数；w表示迭代次数；
w(k)代表第k次迭代的权值、阈值向量，则
w(k+1)＝w(k)+Δw (3)；
其中，w(k+1)表示第k+1次迭代的权值、阈值向量；Δw是权值、阈值向量的调整增量；
Gauss-Newton算法是根据二阶导数信息调整权值大小，对误差函数E(w)按二阶泰勒公式展开，得到
其中，gT(k)是E(w)的梯度向量，A(k)是E(w)的Hessian矩阵，A(k)元素值为E(w)对各权值的二阶导数，即权值修正后的误差函数变化量为
要获得式(5)中ΔE(k)的最小值，需要满足：
Δw(k)＝-A-1(k)g(k) (6)；
这就是Gauss-Newton算法的基本原理，即
在式(7)中，表示梯度向量，表示误差函数E(w)的Hessian矩阵。
E(w)的梯度向量为
其中，JT(w)是Jacobian矩阵，即
E(w)的Hessian矩阵为：
其中，是ei(w)的Hessian矩阵；
在靠近极值点时S(w)≈0，将Gauss-Newton算法修正为
Δw＝-[JT(w)·J(w)]-1·J(w)·E(w) (12)；
LM算法对Gauss-Newton算法又进行了调整，调整后的权值规则为：
Δw＝-[JT(w)·J(w)+μI]-1·J(w)·E(w) (13)；
其中，Δw是权值、阈值向量的调整增量，e是误差向量，J是误差对权值阈值的Jacobian矩阵，μ为标量，I为单位矩阵；
在学***滑调和，若满足期望误差、达到最大训练次数或μ达到最大值，则网络停止训练。
步骤S8，建立BP人工神经网络后评价模型；
步骤S9，设置训练参数并将步骤S2中的Ntrain个训练样本以及步骤S3中的目标分值输入到步骤S8的BP人工神经网络后评价模型中，依照步骤S7中的训练方法进行训练；
步骤S10，依据BP人工神经网络后评价模型的收敛速度和精度判断训练效果，若收敛速度快且精度高，则训练效果好，得到训练后的BP人工神经网络后评价模型，并进行下一步；反之，则改变隐含层节点数，重复步骤S8和步骤S9；
步骤S11，将步骤S2中的检验样本输入到训练后的BP人工神经网络后评价模型中，得到输出结果；
步骤S12，用postmnmx函数对步骤S11的输出结果进行反归一化处理得到配电网项目建设效果的评价结果，并与检验样本的目标结果相比较，观察拟合效果。
本发明建立的BP人工神经网络模型充分吸收专家的判断经验，从而省去了专家赋权与打分的步骤，使评价更加简洁明了。此外，所建立的BP人工神经网络模型可以对指标数据作出较为准确的判断，也适用于数目更多的配电网项目建设效果评价指标的评价问题，因而具有普适性。
附图说明
图1为本发明评价指标体系的结构示意图。
图2为本发明BP人工神经网络模型建立流程图。
图3为本发明训练参数设置图。
图4为本发明BP人工神经网络结构示意图。
图5为本发明BP人工神经网络后评价模型的收敛速度图。
图6为本发明BP人工神经网络后评价模型的拟合效果图。
具体实施方式
一种基于BP神经网络的配电网项目建设效果后评价方法，步骤如下：步骤S1，选取若干反映配电网项目建设效果现状的基层指标，并建立评价指标体系；如图2所示，所述评价指标体系包括一级指标和二级指标，所述一级指标包括供电质量、网络结构、供电能力和装配水平；所述供电质量的二级指标包括供电可靠率和综合电压合格率；所述网络结构的二级指标包括10Kv线路联络率、10Kv线路平均供电半径、10Kv线路平均分段数、10Kv线路N-1通过率和380V线路平均分段数；所述供电能力的二级指标包括10Kv线路重过载率和户均配变容量；所述装配水平的二级指标包括70mm以下导线截面占比、线路挂接配变容量和架空线路绝缘化率。
步骤S2，根据建立的评价指标体系，采集若干个相应的基层指标数据并进行数据预处理；
具体步骤如下：
步骤S2.1，采集与基层指标相对应的若干个数据作为数据样本，并将数据样本输入matlab软件的normrnd函数中进行样本扩充，从而提高BP人工神经网络模型的鲁棒性；生成N个符合正态分布的总样本，并从N个总样本中抽取Ntrain个训练样本，Nexamine个检验样本和Ntest个测试样本；其中，Ntrain≥n×70％，Nexamine≥n×10％，Ntest≥n×10％；这样能使训练(学习)过程不发生“过拟合”，以提高网络模型的性能和泛化能力。
S2.2，归一化处理；
利用最大最小函数premnmx对步骤S2.1中的训练样本、检验样本和测试样本进行归一化预处理，将参数量化到[-1,1]内。
步骤S3，根据专家评分得到Ntrain个训练样本所对应的目标分值；
步骤S4，确定网络层数；
所述网络层数为3层，由一个输入层，一个隐含层和一个输出层构成。
步骤S5，确定网络节点数；
所述网络节点数包括输入层节点数、隐含层节点数和输出层节点数；确定步骤具体如下：
步骤S5.1，确定输入层节点数n；
输入层节点数取决输入向量的维数；输入层的节点数n等于指标体系的指标数；
步骤S5.2，设定隐含层节点数L；
首先在网络中加入足够多的隐含层节点(L≤n)，再通过学习将不起作用的节点剔除，达到最优收敛速度与精度为止，不同隐含层节点数下的网络收敛速度与精度如表4所示，
表4
由表4可知当隐含层节点取9时，网络的收敛速度最快，精度最高。
步骤S5.3，确定输出层节点数m；
输出层节点数为1。
步骤S6，确定传递函数；
从输入层到隐含层采用tansig函数，可以实现输入和输出间的任意非线性映射；从隐含层到输出层使用线性purlin函数。
步骤S7，选定训练方法；
所述训练方法为LM算法，算法原理为：
设误差函数E(w)为
eT(w)＝[e1,e2,…em] (2)；
其中，ei(w)表示第w次迭代输出层第i个节点的输出误差；eT(w)表示e(w)的转置；m表示输出层节点数；w表示迭代次数；
w(k)代表第k次迭代的权值、阈值向量，则
w(k+1)＝w(k)+Δw (3)；
其中，w(k+1)表示第k+1次迭代的权值、阈值向量；Δw是权值、阈值向量的调整增量；
Gauss-Newton算法是根据二阶导数信息调整权值大小，对误差函数E(w)按二阶泰勒公式展开，得到
其中，gT(k)是E(w)的梯度向量，A(k)是E(w)的Hessian矩阵，A(k)元素值为E(w)对各权值的二阶导数，即权值修正后的误差函数变化量为
要获得式(5)中ΔE(k)的最小值，需要满足：
Δw(k)＝-A-1(k)g(k) (6)；
这就是Gauss-Newton算法的基本原理，即
在式(7)中，表示梯度向量，表示误差函数E(w)的Hessian矩阵。
E(w)的梯度向量为
其中，JT(w)是Jacobian矩阵，即
E(w)的Hessian矩阵为：
其中，是ei(w)的Hessian矩阵；
在靠近极值点时S(w)≈0，将Gauss-Newton算法修正为
Δw＝-[JT(w)·J(w)]-1·J(w)·E(w) (12)；
LM算法对Gauss-Newton算法又进行了调整，调整后的权值规则为：
Δw＝-[JT(w)·J(w)+μI]-1·J(w)·E(w) (13)；
其中，Δw是权值、阈值向量的调整增量，e是误差向量，J是误差对权值阈值的Jacobian矩阵，μ为标量，I为单位矩阵；
在学***滑调和，若满足期望误差、达到最大训练次数或μ达到最大值，则网络停止训练。
步骤S8，建立BP人工神经网络后评价模型；
步骤S8，建立BP人工神经网络后评价模型；
步骤S9，设置训练参数，所述网络参数包括如表5所示，
表5
参数 含义
epochs 最大训练次数
goal 训练要求精度
min_grad 最小梯度
max_fail 最大失败步数
mu 参数μ的初始值
mu_dec 减少稀疏
mu_inc 增加系数
mu_max mu的最大值
并将步骤S2中的Ntrain个训练样本以及步骤S3中的目标分值输入到步骤S8的BP人工神经网络后评价模型中，依照步骤S7中的训练方法进行训练；
步骤S10，依据BP人工神经网络后评价模型的收敛速度和精度判断训练效果，若收敛速度快且精度高，则训练效果好，得到训练后的BP人工神经网络后评价模型，并进行下一步；反之，则改变隐含层节点数，重复步骤S8和步骤S9；
步骤S11，将步骤S2中的检验样本输入到训练后的BP人工神经网络后评价模型中，得到输出结果；
步骤S12，用postmnmx函数对步骤S11的输出结果进行反归一化处理得到配电网项目建设效果的评价结果，并与检验样本的目标结果相比较，观察拟合效果。
下面以具体事例进行说明。
本发明对某省108个县进行数据采集分析，用matlab软件的normrnd函数，根据数据呈正态分布原则生成400个总样本，对108个样本进行扩充，再从中抽取76个训练样本，16个检验样本，16个测试样本，应用最大最小函数premnmx对训练样本、检验样本和测试样本进行预处理，将参数量化到[-1,1]内，然后再作为输入单元。
1、确定网络拓扑结构
本发明配电网项目功能效果后评价建立的BP人工神经网络后评价模型的网络层数取3层。由于评价指标体系的指标个数为12，所以输入层节点数为12,；BP人工神经网络后评价模型的输出为评价结果，故而输出层节点数为1；通过网络训练检验，得到当隐含层节点数为9个时，BP人工神经网络后评价模型的收敛速度最快，于是隐含层节点数取9。因此，模型的拓扑结构为12-9-1，如图4所示。
2、选取传递函数与训练参数
输入层到隐含层采用tansig函数，而输出层则使用线性purlin函数，训练算法选取LM算法，训练参数的设置如图3所示。
3、依据上述BP人工神经网络结构、传输函数和训练参数设置，在Matlab软件建立配电网项目建设效果后评价的BP人工神经网络模型，并对其进行训练和检验。经过训练仅经过了8次迭代就达到了期望的误差水平，如图5所示这说明建立的BP人工神经网络后评价模型的收敛速度是非常快的；数据回归情况如图6所示，目标响应与仿真输出回归效果非常好，相关系数达到了0.99988，说明BP人工神经网络后评价模型的拟合程度非常高。
4、以训练好的BP人工神经网络后评价模型对检验样本进行仿真，把模拟结果数值和期望结果进行比较，从表1可以看出期神经网络模拟结果的误差在1％左右，说明此BP人工神经网络后评价模型的仿真效果好，可以进行配电网项目建设效果后评价。
表1检验样本仿真结果与期望结果的对比
5、用训练好的BP人工神经网络后评价模型对该省几个县的配电网项目建设效果进行综合评价。将表2中的指标数据通过Matlab最大最小函数premnmx处理后得到的预处理数据作为BP人工神经网络后评价模型的输入，得出输出结果如表3所示。
表2某省16各县的指标数据
表3某省16个县的综合评价结果
由表3可知，2015年该省的16个县的配电网项目建设效果评分均在80分左右，可见该年该省16个县的配电网建设效果很好，且其建设效果状况也较为接近，说明该省对县域配电网的投资建设效果明显。再对比模糊综合评价法，也可看出神经网络的仿真结果与模糊综合评价相差不大，这表明基于BP神经网络的配电网项目建设效果后评价模型能充分吸收专家的判断经验，并对数据作出了较为准确的判断，证实了运用BP神经网络进行配电网项目建设效果后评价的可行性和准确性。
本发明鉴于原有配电网项目后评价的不足，提出了一种基于BP神经网络的配电网项目建设效果后评价方法。该方法通过构建评价指标体系，确定神经网络的类型和结构，应用MATLAB神经网络拟合工具箱(nntool)训练网络搭建模型。最后应用评价模型对某省县域数据进行评价，并与模糊综合评价方法进行对比。证明BP神经网络方法能够充分吸收专家的判断经验，对样本数据作出较为准确的判断，证实了运用人工神经网络方法进行配电网项目建设效果后评价的可行性和准确性。实例证明该评价有较好的应用价值，值得进一步推广。

Claims (7)

1.一种基于BP神经网络的配电网项目建设效果后评价方法，其特征在于；步骤如下：步骤S1，选取若干反映配电网项目建设效果现状的基层指标，并建立评价指标体系；
步骤S2，根据建立的评价指标体系，采集若干个相应的基层指标数据并进行数据预处理；
步骤S3，根据专家评分得到Ntrain个训练样本所对应的目标分值；
步骤S4，确定网络层数；
步骤S5，确定网络节点数；
步骤S6，确定传递函数；
步骤S7，选定训练方法；
步骤S8，建立BP人工神经网络后评价模型；
步骤S9，设置训练参数，并将步骤S2中的Ntrain个训练样本以及步骤S3中的目标分值输入到步骤S8的BP人工神经网络后评价模型中，依照步骤S7中的训练方法进行训练；
步骤S10，依据BP人工神经网络后评价模型的收敛速度和精度判断训练效果，若收敛速度快且精度高，则训练效果好，得到训练后的BP人工神经网络后评价模型，并进行下一步；反之，则改变隐含层节点数，重复步骤S8和步骤S9；
步骤S11，将步骤S2中的检验样本输入到训练后的BP人工神经网络后评价模型中，得到输出结果；
步骤S12，用postmnmx函数对步骤S11的输出结果进行反归一化处理得到配电网项目建设效果的评价结果，并与检验样本的目标结果相比较，观察拟合效果。
2.根据权利要求1所述的基于BP神经网络的配电网项目建设效果后评价方法，其特征在于；在步骤S2中，具体步骤如下：
步骤S2.1，采集与基层指标相对应的若干个数据作为数据样本，并将数据样本输入matlab软件的normrnd函数中进行样本扩充，生成N个符合正态分布的总样本，并从N个总样本中抽取Ntrain个训练样本，Nexamine个检验样本和Ntest个测试样本；其中，Ntrain≥n×70％，Nexamine≥n×10％，Ntest≥n×10％；
S2.2，归一化处理；
利用最大最小函数premnmx对步骤S2.1中的训练样本、检验样本和测试样本进行归一化预处理，将参数量化到[-1,1]内。
3.根据权利要求1所述的基于BP神经网络的配电网项目建设效果后评价方法，其特征在于；在步骤S4中，所述网络层数为3层，由一个输入层，一个隐含层和一个输出层构成。
4.根据权利要求1所述的基于BP神经网络的配电网项目建设效果后评价方法，其特征在于；在步骤S5中，所述网络节点数包括输入层节点数、隐含层节点数和输出层节点数；确定步骤具体如下：
步骤S5.1，确定输入层节点数n；
输入层节点数取决输入向量的维数；输入层的节点数n等于指标体系的指标数；
步骤S5.2，设定隐含层节点数L；
步骤S5.3，确定输出层节点数m；
输出层节点数为1。
5.根据权利要求1所述的基于BP神经网络的配电网项目建设效果后评价方法，其特征在于；在步骤S6中，从输入层到隐含层采用tansig函数，可以实现输入和输出间的任意非线性映射；从隐含层到输出层使用线性purlin函数。
6.根据权利要求1所述的基于BP神经网络的配电网项目建设效果后评价方法，其特征在于；在步骤S7中，所述训练方法为LM算法，LM算法的基本思想是使每次迭代不再沿着单一的负梯度方向，而是允许误差沿着恶化方向进行搜索，同时通过在自适应学习率—动量梯度下降算法和Gauss-Newton算法之间自适应调整来优化网络权值，使BP神经网络模型能够有效收敛，从而大大提高了BP神经网络模型的收敛速度和泛化能力。
7.根据权利要求1所述的基于BP神经网络的配电网项目建设效果后评价方法，其特征在于；在步骤S1中，评价指标体系包括一级指标和二级指标，所述一级指标包括供电质量、网络结构、供电能力和装配水平；所述供电质量的二级指标包括供电可靠率和综合电压合格率；所述网络结构的二级指标包括10Kv线路联络率、10Kv线路平均供电半径、10Kv线路平均分段数、10Kv线路N-1通过率和380V线路平均分段数；所述供电能力的二级指标包括10Kv线路重过载率和户均配变容量；所述装配水平的二级指标包括70mm以下导线截面占比、线路挂接配变容量和架空线路绝缘化率。
CN201710200288.0A 2017-03-30 2017-03-30 基于bp神经网络的配电网项目建设效果后评价方法 Pending CN106991531A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710200288.0A CN106991531A (zh) 2017-03-30 2017-03-30 基于bp神经网络的配电网项目建设效果后评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710200288.0A CN106991531A (zh) 2017-03-30 2017-03-30 基于bp神经网络的配电网项目建设效果后评价方法

Publications (1)

Publication Number Publication Date
CN106991531A true CN106991531A (zh) 2017-07-28

Family

ID=59411974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710200288.0A Pending CN106991531A (zh) 2017-03-30 2017-03-30 基于bp神经网络的配电网项目建设效果后评价方法

Country Status (1)

Country Link
CN (1) CN106991531A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609749A (zh) * 2017-08-21 2018-01-19 国家电网公司 一种配电能力评估方法和装置
CN107609769A (zh) * 2017-09-06 2018-01-19 重庆邮电大学 一种基于故障基因表的智能配电网故障预警方法
CN108241964A (zh) * 2017-11-23 2018-07-03 贵州电网有限责任公司铜仁供电局 基于bp人工神经网络模型算法的基建现场管控移动应用平台
CN109086997A (zh) * 2018-08-02 2018-12-25 天津城建大学 一种基于bp神经网络的燃气储配站安全评价方法
CN109598704A (zh) * 2018-11-19 2019-04-09 电子科技大学 一种基于bp神经网络的粪便显微图像清晰度评价方法
CN109635831A (zh) * 2018-10-30 2019-04-16 成都云材智慧数据科技有限公司 一种锂离子电池正极材料电压性能预测方法
CN109886560A (zh) * 2019-01-25 2019-06-14 国网福建省电力有限公司 配电网改造措施与电压合格率指标关联性挖掘方法及装置
CN110009181A (zh) * 2019-01-25 2019-07-12 国网福建省电力有限公司 配电网改造措施与失负荷量指标关联性挖掘方法及装置
CN110310048A (zh) * 2019-07-10 2019-10-08 云南电网有限责任公司电力科学研究院 一种配网规划全过程评估方法及装置
CN110475258A (zh) * 2019-07-10 2019-11-19 中国联合网络通信集团有限公司 一种基站的可靠性评估方法和***
CN110891039A (zh) * 2018-09-07 2020-03-17 煤炭科学技术研究院有限公司 一种基于lm神经网络的煤矿监控***安全预警方法
CN111160758A (zh) * 2019-12-26 2020-05-15 紫光云(南京)数字技术有限公司 一种基于bp神经网络的项目人才管理方法
CN111209815A (zh) * 2019-12-28 2020-05-29 杭州电子科技大学 一种基于动量优化的bp神经网络的非接触式疲劳驾驶检测方法
CN111582626A (zh) * 2020-03-17 2020-08-25 上海博英信息科技有限公司 一种基于大数据的电网规划适应性方法
CN113095692A (zh) * 2021-04-16 2021-07-09 国网四川省电力公司成都供电公司 计及用户需求的配电网线路运行质量综合评价方法与***
CN113344344A (zh) * 2021-05-20 2021-09-03 中国人民解放***箭军工程大学 基于bp神经网络的装备维修训练质量评价方法
CN113469570A (zh) * 2021-07-22 2021-10-01 广东电网有限责任公司广州供电局 信息质量评价模型构建方法、装置、设备及存储介质
CN113689919A (zh) * 2021-08-10 2021-11-23 淮阴工学院 一种基于bp人工神经网络预测有机化学分子基态能量的方法
CN114741876A (zh) * 2022-04-12 2022-07-12 北京建筑大学 一种塔式起重机智能检验的方法
CN114840591A (zh) * 2022-04-24 2022-08-02 国网江苏省电力有限公司电力科学研究院 一种分段开关功率数据的确定方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355540A (zh) * 2016-09-18 2017-01-25 三峡大学 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106355540A (zh) * 2016-09-18 2017-01-25 三峡大学 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
吴鸿亮: "配网投资建设功能效果后评价研究", 《南方电网技术》 *
喻刚: "配电网建设改造项目投资效果后评价方法研究", 《价值工程》 *
李小艳: "基于改进BP神经网络的企业知识管理绩效评价研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
王亚男: "配电网运行水平和供电能力评估综合管理***研究与开发", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊）》 *
韩磊等: "基于 BP 神经网络的土壤养分综合评价模型", 《农业机械学报》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609749A (zh) * 2017-08-21 2018-01-19 国家电网公司 一种配电能力评估方法和装置
CN107609769A (zh) * 2017-09-06 2018-01-19 重庆邮电大学 一种基于故障基因表的智能配电网故障预警方法
CN107609769B (zh) * 2017-09-06 2020-07-31 重庆邮电大学 一种基于故障基因表的智能配电网故障预警方法
CN108241964A (zh) * 2017-11-23 2018-07-03 贵州电网有限责任公司铜仁供电局 基于bp人工神经网络模型算法的基建现场管控移动应用平台
CN109086997A (zh) * 2018-08-02 2018-12-25 天津城建大学 一种基于bp神经网络的燃气储配站安全评价方法
CN110891039A (zh) * 2018-09-07 2020-03-17 煤炭科学技术研究院有限公司 一种基于lm神经网络的煤矿监控***安全预警方法
CN109635831A (zh) * 2018-10-30 2019-04-16 成都云材智慧数据科技有限公司 一种锂离子电池正极材料电压性能预测方法
CN109598704A (zh) * 2018-11-19 2019-04-09 电子科技大学 一种基于bp神经网络的粪便显微图像清晰度评价方法
CN109598704B (zh) * 2018-11-19 2023-05-02 电子科技大学 一种基于bp神经网络的粪便显微图像清晰度评价方法
CN109886560A (zh) * 2019-01-25 2019-06-14 国网福建省电力有限公司 配电网改造措施与电压合格率指标关联性挖掘方法及装置
CN110009181A (zh) * 2019-01-25 2019-07-12 国网福建省电力有限公司 配电网改造措施与失负荷量指标关联性挖掘方法及装置
CN110475258A (zh) * 2019-07-10 2019-11-19 中国联合网络通信集团有限公司 一种基站的可靠性评估方法和***
CN110310048A (zh) * 2019-07-10 2019-10-08 云南电网有限责任公司电力科学研究院 一种配网规划全过程评估方法及装置
CN110310048B (zh) * 2019-07-10 2023-07-04 云南电网有限责任公司电力科学研究院 一种配网规划全过程评估方法及装置
CN111160758A (zh) * 2019-12-26 2020-05-15 紫光云(南京)数字技术有限公司 一种基于bp神经网络的项目人才管理方法
CN111209815A (zh) * 2019-12-28 2020-05-29 杭州电子科技大学 一种基于动量优化的bp神经网络的非接触式疲劳驾驶检测方法
CN111209815B (zh) * 2019-12-28 2023-08-22 杭州电子科技大学 一种基于动量优化的bp神经网络的非接触式疲劳驾驶检测方法
CN111582626A (zh) * 2020-03-17 2020-08-25 上海博英信息科技有限公司 一种基于大数据的电网规划适应性方法
CN113095692A (zh) * 2021-04-16 2021-07-09 国网四川省电力公司成都供电公司 计及用户需求的配电网线路运行质量综合评价方法与***
CN113344344A (zh) * 2021-05-20 2021-09-03 中国人民解放***箭军工程大学 基于bp神经网络的装备维修训练质量评价方法
CN113469570A (zh) * 2021-07-22 2021-10-01 广东电网有限责任公司广州供电局 信息质量评价模型构建方法、装置、设备及存储介质
CN113689919A (zh) * 2021-08-10 2021-11-23 淮阴工学院 一种基于bp人工神经网络预测有机化学分子基态能量的方法
CN114741876A (zh) * 2022-04-12 2022-07-12 北京建筑大学 一种塔式起重机智能检验的方法
CN114741876B (zh) * 2022-04-12 2024-03-19 北京建筑大学 一种塔式起重机智能检验的方法
CN114840591A (zh) * 2022-04-24 2022-08-02 国网江苏省电力有限公司电力科学研究院 一种分段开关功率数据的确定方法及装置
CN114840591B (zh) * 2022-04-24 2024-06-07 国网江苏省电力有限公司电力科学研究院 一种分段开关功率数据的确定方法及装置

Similar Documents

Publication Publication Date Title
CN106991531A (zh) 基于bp神经网络的配电网项目建设效果后评价方法
CN106651147A (zh) 基于lcc的配电网综合效益评估指标的综合权重确定方法
CN112491096B (zh) 一种用于生成电网仿真分析算例的方法及***
CN108135003A (zh) 干扰类型识别模型的构建方法和***
CN110390461B (zh) 基于复杂网络的非线性模糊语言配电网节点脆弱性评价方法
CN109255514B (zh) 一种智能配电网分区独立供电能力评估方法
CN112054943A (zh) 一种移动网络基站流量预测方法
CN104915515A (zh) 一种基于bp神经网络的gfet建模方法
CN104408562A (zh) 一种基于bp神经网络的光伏***发电效率综合评估方法
CN109283293B (zh) 基于变异系数与topsis法的电力变压器故障诊断方法
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
CN106156885A (zh) 一种电网整体脆弱性综合评价方法
CN108734264A (zh) 深度神经网络模型压缩方法及装置、存储介质、终端
CN110858805A (zh) 小区网络流量预测方法及装置
CN104656620A (zh) 重型机床再制造综合评价***
CN108304674A (zh) 一种基于bp神经网络的铁路软土路基沉降预测方法
CN108280207A (zh) 一种构造完美哈希的方法
CN112990776B (zh) 一种配网设备健康度评价方法
CN107451660A (zh) 模糊神经网络bp训练过程中的步长优化方法
CN107895215A (zh) 基于神经网络的社会网络影响力预测及最大化***与方法
CN114118592B (zh) 一种智能电网用电端短期能耗预测***
CN115470846A (zh) 一种基于图神经网络的变压器故障在线诊断方法
CN101394087B (zh) 将ems已建的内网模型与外网bpa网络模型整合的方法
CN113675854A (zh) 一种考虑台区电压损耗的配网线变校验方法及装置
CN106327079A (zh) 一种配电网无功优化控制的评价方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170728

RJ01 Rejection of invention patent application after publication