中文引用格式： 徐利美，閆磊，李遠(yuǎn)，等. 基于改進(jìn)EO-BP神經(jīng)網(wǎng)絡(luò)的高壓線損預(yù)測[J]. 電子技術(shù)應(yīng)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.
0 引言
線路損耗是衡量電能在輸送過程中電能損失的指標(biāo)，線損率表征了線路電能損耗占總供電量的比重。分析電能在電網(wǎng)系統(tǒng)中傳輸和分配過程中的損耗，提高線路損耗的預(yù)測精度，可以為電力系統(tǒng)節(jié)能降損提供技術(shù)支持，有利于提高電力相關(guān)企業(yè)的經(jīng)濟(jì)效益。
在線損的治理過程中，線損計(jì)算是其中關(guān)鍵的環(huán)節(jié)。為了更有效地利用線損相關(guān)的特征變量和歷史線損數(shù)據(jù)獲得更準(zhǔn)確的預(yù)測數(shù)據(jù)，近年來相關(guān)研究人員將機(jī)器學(xué)習(xí)算法引進(jìn)線損預(yù)測過程中。文獻(xiàn)[2]提出一種融合小生境遺傳算法和串級(jí)BP神經(jīng)網(wǎng)絡(luò)的線損預(yù)測模型，該方法對(duì)模型參數(shù)進(jìn)行了優(yōu)化，相對(duì)于傳統(tǒng)預(yù)測方法該模型預(yù)測精度有所提高。文獻(xiàn)[3]考慮特征變量數(shù)據(jù)的量值差異和影響線損的主要影響因素建立改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型，但模型的預(yù)測效果需要進(jìn)一步提升。文獻(xiàn)[4]使用粒子群算法改進(jìn)最小二乘支持向量機(jī)的懲罰因子，該方法提升了模型的預(yù)測精度和收斂速度。文獻(xiàn)[5]通過灰色關(guān)聯(lián)分析法篩選與線損相關(guān)聯(lián)的特征指標(biāo)，并提出自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的線損預(yù)測模型，所建立的模型具有收斂速度快和泛化能力強(qiáng)的特點(diǎn)。上述文獻(xiàn)所建立的模型有利于提高電壓等級(jí)較低的線損預(yù)測精度，對(duì)于電壓等級(jí)較高的線損預(yù)測需要考慮電暈對(duì)線損的影響。
EO算法是2020年提出的一種新穎的優(yōu)化算法，該算法經(jīng)過多個(gè)標(biāo)準(zhǔn)函數(shù)的測試顯現(xiàn)出更強(qiáng)的尋優(yōu)能力和更快的收斂速度。為了提高高壓線損的預(yù)測精度，本文提出改進(jìn)EO-BP神經(jīng)網(wǎng)絡(luò)的線損預(yù)測模型。該模型考慮了BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)的優(yōu)化和電暈對(duì)高壓線路損耗的影響。經(jīng)典BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)易陷入局部最優(yōu)而影響預(yù)測精度，本文引入EO算法對(duì)其優(yōu)化，同時(shí)采用混沌種群初始化和物競天擇概率跳脫策略提高模型的搜索效率，擴(kuò)大搜索范圍的同時(shí)使模型收斂于全局最優(yōu)，實(shí)驗(yàn)時(shí)將該模型與回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型、模擬退火算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型和EO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行仿真實(shí)驗(yàn)對(duì)比，證明了本文所提方法的有效性。
本文詳細(xì)內(nèi)容請(qǐng)下載：http://www.jysgc.com/resource/share/2000005234
作者信息：
徐利美1，閆磊1，李遠(yuǎn)1，楊射2，任密蜂3
（1.國網(wǎng)山西省電力公司， 山西 太原 030021；2.國網(wǎng)山西超高壓變電公司， 山西 太原 030021；
3.太原理工大學(xué) 電氣與動(dòng)力工程學(xué)院， 山西 太原 030024）
