CN113486601B - 一种基于cpso-bp优化模型的馈线电压计算方法及装置 - Google Patents
一种基于cpso-bp优化模型的馈线电压计算方法及装置 Download PDFInfo
- Publication number
- CN113486601B CN113486601B CN202111045558.8A CN202111045558A CN113486601B CN 113486601 B CN113486601 B CN 113486601B CN 202111045558 A CN202111045558 A CN 202111045558A CN 113486601 B CN113486601 B CN 113486601B
- Authority
- CN
- China
- Prior art keywords
- cpso
- neural network
- optimal
- particles
- particle
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 90
- 238000004364 calculation method Methods 0.000 title claims abstract description 42
- 239000002245 particle Substances 0.000 claims abstract description 152
- 238000009826 distribution Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 33
- 230000000739 chaotic effect Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于CPSO‑BP优化模型的馈线电压计算方法及装置,方法包括:步骤1、确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型;步骤2、对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO‑BP优化模型;步骤3、响应于获取配电网的运行数据,基于所述CPSO‑BP优化模型计算配电网的馈线电压。采用两阶段改进粒子群算法来对传统BP神经网络进行优化,可提升乡村配电网馈线电压计算精度,从而精确的判断出乡村配电网馈线电压是否越限,进而提升电网运行的安全系数和电网的经济效益并且能够对多供用能***联合接入的乡村配电网运行中的风险做出快速的调整,以及对其不足之处给出准确的分析。
Description
技术领域
本发明属于馈线电压计算技术领域,尤其涉及一种基于CPSO-BP优化模型的馈线电压计算方法及装置。
背景技术
随着国家乡村振兴战略的推进,对冷、热、电等能源的需求增长迅速,然而随着农村地区光伏、小水电、地热资源等大量分布式能源规模化开发,大量接入电网,清洁能源开发利用率低和就地消纳能力不足、各种分布式电源大规模接入后引起功率倒送导致乡村配电网馈线电压越限等问题逐渐涌现。为了解决乡村配电网电压越线的问题,其中一种方法是计算出馈线电压值判断馈线电压是否越线,以便提前采取相应的运行策略,规避配电网馈线电压越线风险。
对配电网的馈线电压计算通常分为两种方法,第一种根据电压计算公式需要将线路电流和线路电阻测出;第二种方法则需要将各线路节点的功率和线路电阻测出,但由于线路电阻一般难以获得,所以这两种方法都不易计算。
因此,我们亟需一种基于CPSO-BP优化模型的馈线电压计算方法,对分布式电源接入繁多,结构复杂的乡村配电网的馈线电压进行计算。
发明内容
本发明提供一种基于CPSO-BP优化模型的馈线电压计算方法,用于至少解决上述技术问题之一。
第一方面,本发明提供一种基于CPSO-BP优化模型的馈线电压计算方法,包括:步骤1、确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型;步骤2、对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO-BP优化模型,其中,对所述BP神经网络模型的初始权值和阈值初值进行优化的具体步骤如下:步骤2.1:确定神经网络结构:设置神经网络隐含层个数,确定输入层、隐含层激活函数,归一化样本数据,设置网络参数;步骤2.2:设置粒子群参数并随机产生粒子种群:设置粒子群种群规模参数、粒子长度参数以及学***均相对误差作为粒子的适应度函数,以粒子当前的位置作为该粒子的最优适应度值pbest,比较所有粒子的最优适应度值,选出种群最优适应度值gpbest;步骤2.4:搜索混沌最优粒子的位置:利用混沌公式混沌粒子群优化算法搜索得到的最优粒子;步骤2.5:更新粒子状态:更新粒子的位置和速度,检查各个粒子的状态是否越界,若越上界则取上界,若越下界则取下界;步骤2.6:判断是否达到寻优条件:若粒子群算法迭代到最优位置,则输出最优值,将最优值传递给所述BP神经网络模型,否则返回步骤2.3继续进行混沌粒子群算法的迭代计算;步骤3、响应于获取配电网的运行数据,基于所述CPSO-BP优化模型计算配电网的馈线电压,其中,所述CPSO-BP优化模型的输入为配电网中分布式可控电源的有功功率和无功功率,所述CPSO-BP优化模型的输出为配电网馈线电压。
第二方面,本发明提供一种基于CPSO-BP优化模型的馈线电压计算装置,包括:建立模块,配置为确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型;优化模块,配置为对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO-BP优化模型,其中,所述优化模块包括:第一设置单元,配置为确定神经网络结构:设置神经网络隐含层个数,确定输入层、隐含层激活函数,归一化样本数据,设置网络参数;第二设置单元,配置为设置粒子群参数并随机产生粒子种群:设置粒子群种群规模参数、粒子长度参数以及学***均相对误差作为粒子的适应度函数,以粒子当前的位置作为该粒子的最优适应度值pbest,比较所有粒子的最优适应度值,选出种群最优适应度值gpbest;搜索单元,配置为搜索混沌最优粒子的位置:利用混沌公式混沌粒子群优化算法搜索得到的最优粒子;更新单元,配置为更新粒子状态:更新粒子的位置和速度,检查各个粒子的状态是否越界,若越上界则取上界,若越下界则取下界;判断单元,配置为判断是否达到寻优条件:若粒子群算法迭代到最优位置,则输出最优值,将最优值传递给所述BP神经网络模型,否则继续进行混沌粒子群算法的迭代计算;计算模块,配置为响应于获取配电网的运行数据,基于所述CPSO-BP优化模型计算配电网的馈线电压,其中,所述CPSO-BP优化模型的输入为配电网中分布式可控电源的有功功率和无功功率,所述CPSO-BP优化模型的输出为配电网馈线电压。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于CPSO-BP优化模型的馈线电压计算方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行本发明任一实施例的基于CPSO-BP优化模型的馈线电压计算方法的步骤。
本申请的一种基于CPSO-BP优化模型的馈线电压计算方法及装置,采用两阶段改进粒子群算法来对传统BP神经网络进行优化,可提升乡村配电网馈线电压计算精度,从而精确的判断出乡村配电网馈线电压是否越限,进而提升电网运行的安全系数和电网的经济效益。通过快速与准确的计算理论馈线电压,能够对多供用能***联合接入的乡村配电网运行中的风险做出快速的调整,以及对其不足之处给出准确的分析,可以判断、电网的运行是否经济、是否安全稳定,以及找出调控电压大小的有效措施,提高电网运行的安全性和经济性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于CPSO-BP优化模型的馈线电压计算方法的流程图;
图2为本发明一实施例提供的BP神经网络模型、IPSO-BP优化模型和CPSO-BP优化模型的电压预测结果对比图;
图3为本发明一实施例提供的基于BP神经网络模型的电压预测结果拟合图;
图4为本发明一实施例提供的基于IPSO-BP优化模型的电压预测结果拟合图;
图5为本发明一实施例提供的基于CPSO-BP优化模型的电压预测结果拟合图;
图6为本发明一实施例提供的一种基于CPSO-BP优化模型的馈线电压计算装置的结构框图;
图7是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本申请的一种基于CPSO-BP优化模型的馈线电压计算方法的流程图。
如图1所示,基于CPSO-BP优化模型的馈线电压计算方法包括:
步骤1、确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型。
在本实施例中,在BP神经网络模型设计的过程中,应当充分考虑初始权值、激活函数、各层神经元数目、网络的隐含层层数和输入及输出层节点数目等。
(1)激活函数的确定:选择 Sigmoid 函数作为输出节点的激活函数。
(2)隐含层层数的确定:采用增大神经元规模的方式。下式为输入层神经元个数和隐含层神经元个数的关系式:
(3)初始化权值和阈值:一般对初始化权值及阈值取[- 1,1]之间的随机数,在MATLAB 中由 init函数实现,在建立BP神经网络时自动调用。
(4)训练函数的选择:选择trainlm函数作为训练函数。
步骤2、对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO-BP优化模型。
在本实施例中,对所述BP神经网络模型的初始权值和阈值初值进行优化的具体步骤如下:
确定神经网络结构:设置神经网络隐含层个数,确定输入层、隐含层激活函数,归一化样本数据,设置网络参数;
设置粒子群参数并随机产生粒子种群:设置粒子群种群规模参数、粒子长度参数以及学习因子参数,把粒子群的位置和速度设定在预设范围内,输入粒子群惯性权重及非线性惯性权重,初始化粒子群状态,随机生成初始种群,其中,非线性惯性权重的计算表达式为:,式中,为最大权重,为最小权重,为当前的迭代次数,为最大迭代次数;
计算粒子适应度值:把馈线电压预测值和实测值的平均相对误差作为粒子的适应度函数,以粒子当前的位置作为该粒子的最优适应度值pbest,比较所有粒子的最优适应度值,选出种群最优适应度值gpbest;
搜索混沌最优粒子的位置:利用混沌公式混沌粒子群优化算法搜索得到的最优粒子,其中,混沌公式如下所示:
其中,、分别为第次迭代时最优粒子的最大位置和第次迭代时最优粒子的最小位置,为第k次迭代最优粒子的映射值,为第次迭代最优粒子的映射值,为第次迭代时最优粒子的位置,为混沌后优于原解的当前解的映射值,为粒子的位置范围, 为控制参数,为新的解;
更新粒子状态:更新粒子的位置和速度,检查各个粒子的状态是否越界,若越上界则取上界,若越下界则取下界;
判断是否达到寻优条件:若粒子群算法迭代到最优位置,则输出最优值,将最优值传递给所述BP神经网络模型,否则返回步骤2.3继续进行混沌粒子群算法的迭代计算。
步骤3、响应于获取配电网的运行数据,基于所述CPSO-BP优化模型计算配电网的馈线电压。
在本实施例中,在获取配电网的运行数据之后,基于归一化函数对运行数据进行预处理,其中,所述归一化函数的表达式为:,式中,为样本数据值,为样本数据归一化处理后的数据值,为运行数据中某一数据的最大值,为运行数据中某一数据的最小值。
在对经过预处理后的配电网中分布式可控电源的有功功率和无功功率输入CPSO-BP优化模型中,CPSO-BP优化模型输出配电网馈线电压,其中,基于所述CPSO-BP优化模型计算配电网的馈线电压的表达式为:,式中,为馈线线路分布式电源接入点的馈线电压,为馈线的首端电压,为馈线线路的首端到分布式电源接入点之间的电压降,为馈线首端的有功功率,为馈线首端的无功功率,、分别为馈线线路的首端到分布式电源接入点之间的电阻和馈线线路的首端到分布式电源接入点之间的电抗。
综上描述,采用非线性惯性权重和混沌改造的两阶段改进粒子群算法来对传统BP神经网络进行优化,可提升乡村配电网馈线电压计算精度,从而精确的判断出乡村配电网馈线电压是否越限,进而提升电网运行的安全系数和电网的经济效益。通过快速与准确的计算理论馈线电压,能够对多供用能***联合接入的乡村配电网运行中的风险做出快速的调整,以及对其不足之处给出准确的分析,可以判断、电网的运行是否经济、是否安全稳定,以及找出调控电压大小的有效措施,提高电网运行的安全性和经济性。
在一个对比例中,在原始粒子群算法中加入一个惯性权重,构成标准粒子群算法,再根据粒子群的特性,引入非线惯性权重公式,设置最大、最小惯性权重,利用权重改进的粒子群算法对BP神经网络模型的初始权值和阈值初值进行优化,从而构建起权重改进的粒子群算法优化BP 神经网络的馈线电压计算模型,即IPSO-BP优化模型。
基于BP神经网络模型以及IPSO-BP优化模型和CPSO-BP优化模型,分别对乡村配电网馈线电压进行计算分析并比较。
具体地,对于BP神经网络模型,Matlab神经网络工具箱将数据集分为训练(Training)、验证(Validation)、测试(Test)三部分,三者占比分别为 60%,20%,20%。在对BP神经网络模型进行训练及数据集的验证后,将测试数据集导入训练好的神经网络模型,经神经网络计算得到馈线电压,并绘制出预测值与实际值的对比图以及预测结果拟合图,如图2和图3所示。
对于IPSO-BP优化模型和CPSO-BP优化模型,在对IPSO-BP优化模型和CPSO-BP优化模型进行训练及数据集的验证后,将测试数据导入训练好的IPSO-BP优化模型和CPSO-BP优化模型,并绘制预测算结果的对比图以及与预测拟合图,分别如图2、图4、图5所示。通过观察BP模型与IPSO-BP和CPSO-BP模型的结果拟合图和分析各个预测模型对电压预测结果的对比图,可以发现CPSO-BP优化模型和IPSO-BP优化模型测试样本的拟合值(R)相较于BP神经网络模型有明显提高;CPSO-BP优化模型测试样本的拟合值(R)相较于IPSO-BP优化模型有略微提高。
因此,验证了基于两阶段改进粒子群算法优化后的BP神经网络模型在馈线电压计算的精度上得到一定提高。
请参阅图6,其示出了本申请的一种基于CPSO-BP优化模型的馈线电压计算装置的结构框图。
如图6所示,馈线电压计算装置200,包括建立模块210、优化模块220以及计算模块230。
其中,建立模块210,配置为确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型;优化模块220,配置为对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO-BP优化模型,其中,所述优化模块220包括:第一设置单元,配置为确定神经网络结构:设置神经网络隐含层个数,确定输入层、隐含层激活函数,归一化样本数据,设置网络参数;第二设置单元,配置为设置粒子群参数并随机产生粒子种群:设置粒子群种群规模参数、粒子长度参数以及学***均相对误差作为粒子的适应度函数,以粒子当前的位置作为该粒子的最优适应度值pbest,比较所有粒子的最优适应度值,选出种群最优适应度值gpbest;搜索单元,配置为搜索混沌最优粒子的位置:利用混沌公式混沌粒子群优化算法搜索得到的最优粒子;更新单元,配置为更新粒子状态:更新粒子的位置和速度,检查各个粒子的状态是否越界,若越上界则取上界,若越下界则取下界;判断单元,配置为判断是否达到寻优条件:若粒子群算法迭代到最优位置,则输出最优值,将最优值传递给所述BP神经网络模型,否则继续进行混沌粒子群算法的迭代计算;计算模块230,配置为响应于获取配电网的运行数据,基于所述CPSO-BP优化模型计算配电网的馈线电压,其中,所述CPSO-BP优化模型的输入为配电网中分布式可控电源的有功功率和无功功率,所述CPSO-BP优化模型的输出为配电网馈线电压。
应当理解,图6中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图6中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的基于CPSO-BP优化模型的馈线电压计算方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型;
对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO-BP优化模型;
响应于获取配电网的运行数据,基于所述CPSO-BP优化模型计算配电网的馈线电压,其中,所述CPSO-BP优化模型的输入为配电网中分布式可控电源的有功功率和无功功率,所述CPSO-BP优化模型的输出为配电网馈线电压。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据基于CPSO-BP优化模型的馈线电压计算装置的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至基于CPSO-BP优化模型的馈线电压计算装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图7是本发明实施例提供的电子设备的结构示意图,如图7所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图7中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例基于CPSO-BP优化模型的馈线电压计算方法。输入装置330可接收输入的数字或字符信息,以及产生与基于CPSO-BP优化模型的馈线电压计算装置的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于基于CPSO-BP优化模型的馈线电压计算装置中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型;
对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO-BP优化模型;
响应于获取配电网的运行数据,基于所述CPSO-BP优化模型计算配电网的馈线电压,其中,所述CPSO-BP优化模型的输入为配电网中分布式可控电源的有功功率和无功功率,所述CPSO-BP优化模型的输出为配电网馈线电压。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于CPSO-BP优化模型的馈线电压计算方法,其特征在于,包括:
步骤1、确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型;
步骤2、对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO-BP优化模型,其中,对所述BP神经网络模型的初始权值和阈值初值进行优化的具体步骤如下:
步骤2.1:确定神经网络结构:设置神经网络隐含层个数,确定输入层、隐含层激活函数,归一化样本数据,设置网络参数;
步骤2.2:设置粒子群参数并随机产生粒子种群:设置粒子群种群规模参数、粒子长度参数以及学习因子参数,把粒子群的位置和速度设定在预设范围内,输入粒子群惯性权重及非线性惯性权重,初始化粒子群状态,随机生成初始种群;
步骤2.3:计算粒子适应度值:把馈线电压预测值和实测值的平均相对误差作为粒子的适应度函数,以粒子当前的位置作为该粒子的最优适应度值pbest,比较所有粒子的最优适应度值,选出种群最优适应度值gpbest;
步骤2.4:搜索混沌最优粒子的位置:利用混沌公式混沌粒子群优化算法搜索得到的最优粒子;
步骤2.5:更新粒子状态:更新粒子的位置和速度,检查各个粒子的状态是否越界,若越上界则取上界,若越下界则取下界;
步骤2.6:判断是否达到寻优条件:若粒子群算法迭代到最优位置,则输出最优值,将最优值传递给所述BP神经网络模型,否则返回步骤2.3继续进行混沌粒子群算法的迭代计算;
步骤3、响应于获取配电网的运行数据,基于所述CPSO-BP优化模型计算配电网的馈线电压,其中,所述CPSO-BP优化模型的输入为配电网中分布式可控电源的有功功率和无功功率,所述CPSO-BP优化模型的输出为配电网馈线电压,基于所述CPSO-BP优化模型计算配电网的馈线电压的表达式为:
式中,U2为馈线线路分布式电源接入点的馈线电压,U1为馈线的首端电压,ΔU1为馈线线路的首端到分布式电源接入点之间的电压降,P1为馈线首端的有功功率,Q1为馈线首端的无功功率,R、X分别为馈线线路的首端到分布式电源接入点之间的电阻和馈线线路的首端到分布式电源接入点之间的电抗。
5.一种基于CPSO-BP优化模型的馈线电压计算装置,其特征在于,包括:
建立模块,配置为确定神经网络各层的神经元个数和神经网络训练函数,建立用于计算馈线电压的BP神经网络模型;
优化模块,配置为对所述BP神经网络模型的初始权值和阈值初值进行优化,从而构建CPSO-BP优化模型,其中,所述优化模块包括:
第一设置单元,配置为确定神经网络结构:设置神经网络隐含层个数,确定输入层、隐含层激活函数,归一化样本数据,设置网络参数;
第二设置单元,配置为设置粒子群参数并随机产生粒子种群:设置粒子群种群规模参数、粒子长度参数以及学习因子参数,把粒子群的位置和速度设定在预设范围内,输入粒子群惯性权重及非线性惯性权重,初始化粒子群状态,随机生成初始种群;
计算单元,配置为计算粒子适应度值:把馈线电压预测值和实测值的平均相对误差作为粒子的适应度函数,以粒子当前的位置作为该粒子的最优适应度值pbest,比较所有粒子的最优适应度值,选出种群最优适应度值gpbest;
搜索单元,配置为搜索混沌最优粒子的位置:利用混沌公式混沌粒子群优化算法搜索得到的最优粒子;
更新单元,配置为更新粒子状态:更新粒子的位置和速度,检查各个粒子的状态是否越界,若越上界则取上界,若越下界则取下界;
判断单元,配置为判断是否达到寻优条件:若粒子群算法迭代到最优位置,则输出最优值,将最优值传递给所述BP神经网络模型,否则继续进行混沌粒子群算法的迭代计算;
计算模块,配置为响应于获取配电网的运行数据,基于所述CPSO-BP优化模型计算配电网的馈线电压,其中,所述CPSO-BP优化模型的输入为配电网中分布式可控电源的有功功率和无功功率,所述CPSO-BP优化模型的输出为配电网馈线电压,基于所述CPSO-BP优化模型计算配电网的馈线电压的表达式为:
式中,U2为馈线线路分布式电源接入点的馈线电压,U1为馈线的首端电压,ΔU1为馈线线路的首端到分布式电源接入点之间的电压降,P1为馈线首端的有功功率,Q1为馈线首端的无功功率,R、X分别为馈线线路的首端到分布式电源接入点之间的电阻和馈线线路的首端到分布式电源接入点之间的电抗。
6.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045558.8A CN113486601B (zh) | 2021-09-07 | 2021-09-07 | 一种基于cpso-bp优化模型的馈线电压计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111045558.8A CN113486601B (zh) | 2021-09-07 | 2021-09-07 | 一种基于cpso-bp优化模型的馈线电压计算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486601A CN113486601A (zh) | 2021-10-08 |
CN113486601B true CN113486601B (zh) | 2021-12-31 |
Family
ID=77946502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111045558.8A Active CN113486601B (zh) | 2021-09-07 | 2021-09-07 | 一种基于cpso-bp优化模型的馈线电压计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486601B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2482417A2 (en) * | 2011-01-27 | 2012-08-01 | General Electric Company | Systems, Methods, and Apparatus for Accelerating Volt/VAR Load Flow Optimization |
CN104158198A (zh) * | 2013-05-15 | 2014-11-19 | 株式会社日立制作所 | 配电网优化潮流控制装置和方法 |
CN104200096A (zh) * | 2014-08-29 | 2014-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于微分进化算法和bp神经网络的避雷器均压环优化法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN111859780A (zh) * | 2020-06-08 | 2020-10-30 | 中国电力科学研究院有限公司 | 一种微电网运行优化方法和*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920008A (zh) * | 2017-02-28 | 2017-07-04 | 山东大学 | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
US11515704B2 (en) * | 2019-11-22 | 2022-11-29 | Battelle Memorial Institute | Using distributed power electronics-based devices to improve the voltage and frequency stability of distribution systems |
-
2021
- 2021-09-07 CN CN202111045558.8A patent/CN113486601B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2482417A2 (en) * | 2011-01-27 | 2012-08-01 | General Electric Company | Systems, Methods, and Apparatus for Accelerating Volt/VAR Load Flow Optimization |
CN104158198A (zh) * | 2013-05-15 | 2014-11-19 | 株式会社日立制作所 | 配电网优化潮流控制装置和方法 |
CN104200096A (zh) * | 2014-08-29 | 2014-12-10 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于微分进化算法和bp神经网络的避雷器均压环优化法 |
CN108734202A (zh) * | 2018-04-27 | 2018-11-02 | 西安工程大学 | 一种基于改进bp神经网络的高压断路器故障诊断方法 |
CN111859780A (zh) * | 2020-06-08 | 2020-10-30 | 中国电力科学研究院有限公司 | 一种微电网运行优化方法和*** |
Non-Patent Citations (3)
Title |
---|
Study on Unbalanced Power Flow In Distribution Network with Distributed Generators of Power Grid;TONG Zhong-zheng等;《IEEE》;20160926;1-4 * |
基于CPSO-BP算法的水下机器人神经网络辨识;夏韬等;《机械与电子》;20131024(第10期);73-76 * |
基于混沌优化粒子群BP神经网络的电力变压器故障诊断;公茂法等;《电测与仪表》;20160810(第15期);18-21+37 * |
Also Published As
Publication number | Publication date |
---|---|
CN113486601A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN110598929B (zh) | 一种风电功率非参数概率区间超短期预测方法 | |
CN111416797A (zh) | 改进天牛群算法优化正则化极限学习机的入侵检测方法 | |
WO2021004318A1 (zh) | 资源数据的处理方法、装置、计算机设备和存储介质 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
US20110173145A1 (en) | Classification of a document according to a weighted search tree created by genetic algorithms | |
CN114006370B (zh) | 一种电力***暂态稳定分析评估方法及*** | |
CN113872788A (zh) | 数据库配置参数调整方法、设备及存储介质 | |
CN114302418A (zh) | 网元设备性能的检测方法、装置及计算机可读介质 | |
CN112800683A (zh) | 基于卷积神经网络的***短路电流水平评估方法及*** | |
CN116707331A (zh) | 基于模型预测的逆变器输出电压高精度调节方法及*** | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
Li et al. | Resource usage prediction based on BiLSTM-GRU combination model | |
CN116756575B (zh) | 基于bgain-dd网络的非侵入式负荷分解方法 | |
CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN113486601B (zh) | 一种基于cpso-bp优化模型的馈线电压计算方法及装置 | |
US20210150371A1 (en) | Automatic multi-objective hardware optimization for processing of deep learning networks | |
CN112132219A (zh) | 一种基于移动端的深度学习检测模型的通用部署方案 | |
WO2021068249A1 (zh) | 运行时硬件模拟仿真方法、装置、设备及存储介质 | |
CN114549147A (zh) | 碳排放处理方法、装置、电子设备及存储介质 | |
CN113779871A (zh) | 一种电热耦合***调度方法、装置、电子设备及其存储介质 | |
KR20220061835A (ko) | 하드웨어 가속 장치 및 방법 | |
CN113809789A (zh) | 功率控制方法、能量路由器、功率控制***及存储介质 | |
CN110796297B (zh) | 一种基于平衡度方差和可靠度的电力***结构优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |