基于人工神經網絡算法的配電網重構研究?

王春生 康廣有 王 征 姜 濤 李劍峰 王 勇

（國網遼寧省電力有限公司 沈陽 110006）

1 引言

近些年，我國的配電網建設方面發展迅猛，但是傳統配電網重構計算周期長和配電網負荷具有動態性的特征對配電網絡的重構提出了新的要求。為了提高電能質量和管理效率，本文提供了一套基于人工神經網絡算法的配電網在線重構方案。配電網重構有利于降低配電網線損、提高系統經濟性；有利于實現負荷均衡，消除過載，降低供電質量；有利于提高供電的可靠性，達到快速隔離故障和恢復供電的目的。

2 配電網重構

配電網絡的重構技術，換句話說就是通過改變配電網絡的拓撲結構來改善電網可靠性、降低線損和保證配電網系統安全正常運行。由于配電網系統是一個復雜而龐大的非線性的組合，則需要建立配電網重構數學模型來分析。其中，配電網重構需要考慮節點電壓和支路電流、潮流計算方程、網架拓撲結構以及配電網設備匹配等問題，配電網重構的目標是減少系統最小有功損耗、保證負荷均勻分布、提高系統的可靠性和較短停電范圍、縮短恢復時間等。

配電網重構研究的主要有三大類算法：經典數據算法、啟發式規則算法和人工智能算法。其中，人工智能算法逐漸收到國內外專家學者的關注。本文主要列舉了7 種人工智能算法，并進行對比分析，見表1。從表中可以發現：在這些算法中，神經網絡算法運行速度最快，并且不受初值影響和不需要進行潮流計算，因此本文選擇人工神經網絡算法作為配電網重構算法。

表1 配電網重構算法對比

3 人工神經網絡

人工神經網絡（Artificial Neural Networks，ANN）算法出現于20世紀40年代后期，是一種由眾多神經元可調的連接權值連接而成，具有優越的自組織自學習的能力、信息大規模并行處理能力以及分布式信息存儲的能力等。人工神經網絡可以分為前饋型和反饋型兩大類?？紤]到配電網重構系統自身的要求和人工神經網絡算法的成熟度等因素，本文選擇了基于多層感知的Elman 神經網絡進行配電網重構問題的研究。

圖1 經典的Elman神經網絡模型

經典的Elman 神經網絡模型，如圖1 所示。多層感知網絡中包含了輸入層、輸出層、隱含層和時延算子。其中時延算子用來存儲隱含層之前時刻的輸出值，稱這些值為聯系單元。

4 改良后的人工神經網絡算法

從經典Elman 神經網絡模型中可以發現這個模型為開環設計，也就是說模型中的輸出層沒有將輸出之前時刻的輸出值反饋到整個模型中，沒有考慮到輸出層反饋對整個模型的影響。本文在實際算法中加上了這種反饋，并將其輸出值稱為反饋聯系單元，協同聯系單元和輸入單元之間的神經元傳輸。改進后的Elman神經網絡模型，如圖2所示。

圖2 改進后的Elman神經網絡模型

建立數學模型如式（1）所示：

其中，α 和γ 為自增益反饋因子。

為了提高神經網絡對配電網重構計算的識別精度和速度，本文采用人類集群優化（Human Group Optimization，HGO）算法進行訓練，該算法是由我國學者首先提出，是一種全新的啟發式種群隨機搜索進化算法。HGO算法訓練流程圖，如圖3所示，主要是確定步長和方向，在迭代次數t為0 次的時候，隨機產生s個可行解域的初始位置；然后評價每個初始位置的函數目標值，通過計算搜索出方向和步長；接著更新搜索者的位置并且將迭代次數加1；最后判斷位置是否符合目標要求，如果不符合要求返回重新產生初始位置，直到符合為止。

5 算例

為了驗證基于HGO 訓練方法的人工神經網絡算法在配電網重構系統中的識別精度和速度，本文采用IEEE 30 節點進行實驗驗證和分析，其中IEEE 30節點的結構，如圖4所示。

圖3 HGO算法訓練流程圖

圖4 IEEE 30節點的結構圖

首先，在IEEE 30 節點的算例中神經網絡輸入神經元向量設定為24 維，輸入與反饋聯系單元的神經元向量設定為42 維，隱含層和聯系單元的神經元向量設定為13 維；然后隨機生成50 租測試集后，使用Matlab 軟件分別對改良的人工神經網絡（HGO）和標準BP 神經網絡進行訓練過程比較，比較結果如表2 所示。從表中可以發現：和BP（LM）相比，Elman（HGO）算法雖然在平均迭代步數和時間上稍遜一籌，但是平均運行耗時不相上下，最主要的是總往損減少量提升明顯，能夠更好地改進配電網重構問題。

表2 算法訓練結果比較

6 結語

本文針對配電網重構的問題，著重分析了配電網重構和人工神經網絡算法，提供了一套基于Elman（HGO）算法的配電網重構算法，和標準BP（LM）神經網絡在算法訓練上分析對比可以發現，Elman（HGO）算法在配電網重構問題的解決上更加有優勢。