[发明专利]一种基于变步长神经网络的潮流分析装置及方法

说明书

技术领域

本发明属于电力系统潮流分析技术领域，特别涉及一种基于变步长神经网络的潮流分析装置及方法。 

背景技术

潮流分析是电力系统分析中最基本且最重要的一部分，在电力系统各方面都有巨大的实用价值，常规潮流分析的任务是根据给定的运行条件和网络结构确定整个系统的运行状态，如各母线上的电压、网络中的功率分布以及功率损耗等。 

由于电力系统规模庞大，潮流分析极其复杂，难度较大，寻找一种适应性强、计算速度快且收敛可靠的潮流分析方法一直是人们追求的目标。尽管已经提出了许多种面向实际问题的潮流分析方法，但它们都或多或少地都存在缺陷。例如，潮流计算的收敛速度是衡量潮流分析方法的重要指标，潮流分析的收敛阶数是决定潮流分析收敛速度的关键。前推回代分析法具有一阶收敛性，它以网络的电流或电压为已知注入量，因此迭代过程是线性方程，在迭代过程中系数矩阵是保持不变的，前推回代分析法具有极好的收敛可靠性和稳定性，但前推回代分析法主要适用辐射状的配电网络，适用范围有限。牛顿分析法具有二阶收敛性，它可以用于环状电力网络的潮流分析，但其在求解过程中涉及到雅克比矩阵的求解，求解过程复杂。而神经网络分析法具有可逼近任意非线性函数的能力，因此可以把它看作非线性系统的模型。神经网络可以处理例外及不正常的输入数据，它可以像人类一样准确地辨别物件而有电脑的速度，这一特点对于很多系统都很重要。 

控制系统中常用的神经网络结构是多层前向反向传播网络，它采用BP(反向传播)算法及其改进算法。由于这种算法在本质上是一种神经网络学习的数学模型，所以，有时也称为BP模型。BP算法是为了解决多层前向神经网络的权系数优化而提出来的，所以，BP算法也通常暗示着神经网络的拓扑结构是一种无反馈的多层前向网络，故而，有时也称无反馈多层前向网络为BP模型。BP模型含有输入层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层，由于中间层和外界没有直接的联系，故也称为隐含层。隐含层中的神经元也称为隐单元。隐含层虽然和外界不连接，但是，它们的状态却影响着输入输出之间的关系。这也就是说，改变隐含层的权系数，可以改变整个多层神经网络的性能。 

BP网络的实现分为两个阶段，即学习训练阶段和识别检测阶段。在学习阶段向网络输入学习的样本数据，根据网络的初始设置权重、阈值以及传输函数对网络的输入数据进行分析 计算，得出每一个神经元的输出，这个分析计算过程是从底层向上进行的；根据理想输出与最高层实际输出之间的误差决定是否对权重、阈值进行修改，这个修改过程是从高层向下进行的。分析计算和修改这两个过程反复进行，直到网络收敛为止，此为学习阶段。权重的学习就是不断的调整各个神经元的链接强度，使其能在最小二乘的意义上逼近所对应的理想输出。而识别阶段，就是通过已训练好的神经网络对给定的输入数据进行分析计算，然后给出相应的数据输出。 

BP算法分二步进行，即正向传播和反向传播，这两个过程的工作简述如下。 

(1)正向传播：输入的样本数据从输入层经过隐单元一层一层进行分析处理，输入的数据通过所有的隐含层之后，则传向输出层，在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出数据和期望输出数据进行比较，如果现行输出数据不等于期望输出数据，则进入反向传播过程。 

(2)反向传播：反向传播时，把现行输出数据与期望输出数据间的误差信号按原来正向传播的通路反向传回，并对每个隐含层的各个神经元的权系数进行修改，以使误差信号趋向最小。 

由于BP网络收敛速度慢，且存在局部极值问题，于是改进的BP算法——变步长BP算法应运而生。BP算法收敛速度较慢的一个重要原因是学习速率不好选择，学习速率选得太小，收敛速度太慢，学习速率选得太大，则有可能修正过头，导致震荡甚至发散。 

发明内容

针对现有技术存在的问题，本发明提供了一种在潮流分析中应用神经网络变步长误差反向传播算法进行分析的装置和方法。back-propagation(简称变步长BP算法)。本发明将神经网络变步长BP算法与电力系统潮流分析相结合，基本思路是利用神经网络来描述和表达该系统，这是一层次型输入输出网络，其中的部分权值固定不变，其余权值可调。在此基础上，利用变步长误差反向传播算法，通过训练对可调权值进行调整，训练完成后的网络即可用于潮流分析，它与传统的收敛速度较慢的BP算法(收敛慢的主要原因是学习速率不好选择，学习速率选得太小，收敛太慢，若选得太大，则有可能修正过头，导致震荡甚至发散)相比有效地解决了收敛速度慢的问题。