[发明专利]一种基于人工神经网络的城市电网馈线负荷构成辨识方法

权利要求书

1.一种基于人工神经网络的城市电网馈线负荷构成辨识方法，其特征在于，所述方法包括：

(1)搜集对应气候区典型建筑负荷的设备构成、历史用电信息和气象信息；

(2)建立各类典型建筑的用电负荷模型；

(3)基于待辨识馈线负荷曲线对应的日期和气象信息，生成各类典型建筑负荷对应时段的负荷曲线；

(4)采用BP人工神经网络算法对所述待辨识馈线负荷进行负荷构成的辨识。

2.根据权利要求1所述方法，其特征在于，所述步骤(3)中，所述待辨识馈线负荷曲线是由待评估馈线周负荷曲线和可辨识负荷的负荷曲线相减取得。

3.根据权利要求1所述方法，其特征在于，所述步骤(4)中，包括如下步骤：

步骤4-1、网络初始化，给各连接权值赋初值、计算精度和最大学习次数，设置k＝0；

步骤4-2、生成的n类典型建筑周负荷曲线和相应气象信息，利用蒙特卡洛抽样构成馈线节点周负荷曲线，并形成三层BP网络结构，包括输入层、隐含层和输出层；

步骤4-3、利用网络期望输出和实际输出，计算误差函数对输出层各神经元的偏导数，利用隐含层到输出层的连接权值和隐含层的输出，计算误差函数对隐含层各神经元的偏导数；

步骤4-4、用输出层各神经元和隐含层各神经元的输出来修正连接权重，利用隐含层各神经元和输入层各神经元的输入来修正连接权重；

步骤4-5、计算全局误差；

步骤4-6、如果学习次数大于等于设定的最大次数m，终止计算；如果学习次数小于设定的最大次数，进入步骤4-7；

步骤4-7、如果网络误差满足要求，终止计算；如果不满足，k＝k+1，转到步骤4-2。

4.根据权利要求3所述方法，其特征在于，所述步骤4-2中，所述馈线节点周负荷曲线、所述典型建筑周负荷曲线和相应气象信息为网络的输入变量，每类典型建筑负荷的数量为输出变量。

5.根据权利要求3所述方法，其特征在于，所述步骤4-3中，所述误差函数是反映神经网络期望输出与计算输出之间误差大小的函数，第k次样本计算公式如下：

$e=\frac{1}{2}{\mathrm{\Σ}}_{o=1}^q{\left(d_o\right(k)-{\mathrm{yo}}_o(k\left)\right)}^2$

其中：d_o(k)为第o节点的期望输出值，yo_o(k)为第o节点计算输出值，q为输出层神经元个数；

所述计算误差函数对输出层各神经元的偏导数，公式如下：

$\frac{\∂e}{\∂w_{ho}}=\frac{\∂e}{\∂{\mathrm{yi}}_o}\frac{\∂{\mathrm{yi}}_o}{\∂w_{ho}}$

$\frac{\∂{\mathrm{yi}}_o\left(k\right)}{\∂w_{ho}}=\frac{\∂\left({\Σ}_h^p{w}_{ho}{\mathrm{ho}}_h\right(k)-b_o)}{\∂w_{ho}}={\mathrm{ho}}_h\left(k\right)$

$\begin{array}{c}\frac{\∂e}{\∂{\mathrm{yi}}_o\left(k\right)}=\frac{\∂\left(\frac{1}{2}{\Σ}_{o=1}^q{\left(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right)\right)}^2\right)}{\∂{\mathrm{yi}}_o\left(k\right)}\\ =-\left(d_o\right(k)-{\mathrm{yo}}_o(k\left)\right){\mathrm{yo}}_o^{\′}\left(k\right)=-\left(d_o\right(k)-{\mathrm{yo}}_o(k\left)\right)f^{\′}\left({\mathrm{yi}}_o\right(k\left)\right)\end{array}$

yo_o(k)＝f(yi_o(k))

计算误差对隐含层各神经元的偏导数为：

$\frac{\∂e}{\∂w_{ho}}=\frac{\∂e}{\∂{\mathrm{yi}}_o}\frac{\∂{\mathrm{yi}}_o}{\∂w_{ho}}=-{\mathrm{\δ}}_o\left(k\right){\mathrm{ho}}_h\left(k\right)$

$\frac{\∂e}{\∂w_{ih}}=\frac{\∂e}{\∂{\mathrm{hi}}_h\left(k\right)}\frac{\∂{\mathrm{hi}}_h\left(k\right)}{\∂w_{ih}}$

$\frac{\∂{\mathrm{hi}}_h\left(k\right)}{\∂w_{ih}}=\frac{\∂\left({\mathrm{\Σ}}_{i=1}^n{w}_{ih}{x}_i\right(k)-b_h)}{\∂w_{ih}}=x_i\left(k\right)$

$\begin{array}{c}\frac{\∂e}{\∂{\mathrm{hi}}_h\left(k\right)}=\frac{\∂\left(\frac{1}{2}{\Σ}_{o=1}^q{\left(d_o\left(k\right)-{\mathrm{yo}}_o\left(k\right)\right)}^2\right)}{\∂{\mathrm{ho}}_h\left(k\right)}\frac{\∂{\mathrm{ho}}_h\left(k\right)}{\∂{\mathrm{hi}}_h\left(k\right)}\\ =-\left({\Σ}_{o=1}^q{\mathrm{\δ}}_o\right(k\left)w_{ho}\right)f^{\′}\left({\mathrm{hi}}_h\right(k\left)\right)-{\mathrm{\δ}}_h\left(k\right)\end{array}$

其中，w_ho为隐含层与输出层的连接权值，yi_o是输出层第o节点的输入向量，yi_o(k)是第k次样本输出层第o节点的输入向量，ho_h(k)是第k次样本隐含层第h节点的输出向量，d_o(k)是第k次样本第o节点的期望输出值，yo_o(k)是输出层第o节点的输出向量，yo'_o(k)是输出层第o节点的输出向量对第o节点的输入向量的偏导数，b_o是输出层各神经元的阈值，f(x)是激活函数。

6.根据权利要求3所述方法，其特征在于，所述步骤4-5中，所述计算全局误差的公式如下：

$E=\frac{1}{2m}{\Σ}_{k=1}^m{\Σ}_{o=1}^q{\left(d_o\right(k)-y_o(k\left)\right)}^2.$