神經網絡對臺區智能終端—分支線—用戶的用電信息優化

練梓焯 袁樺菁 覃家露 羅醒華

（廣東電網有限責任公司云浮供電局，廣東云浮527400）

0 引言

為提高用電信息傳輸的準確性和效率，本文提出改進BP神經網絡方法，通過設置閾值來簡化臺區智能終端、分支線路與用戶之間1:n:1的拓撲關系。通過信息聚類分析來剔除非關鍵信息，提高信息傳輸與處理的效率[1]。

1 用電信息概念化描述

1.1 神經網絡概念

BP神經網絡的處理速度并不理想，為更好地進行臺區智能終端—分支線—用戶的用電信息分析，本文引入了K-means方法，對臺區智能終端—分支線—用戶的用電信息進行分類，如圖1所示[2]。

圖1 臺區智能終端—分支線—用戶的用電信息BP網絡結構

1.2 用電信息指標確定

臺區智能終端—分支線—用戶的用電信息主要有用電監控、階梯定價、負荷管理、線損分析等任務，所以以此為用電信息指標，分別設置為x1（%）、x2（元）、x3（%）和x4（%）。確定用電信息指標以后，其數學描述為：

1.3 SVG圖拓撲

由圖1可知，①位置產生的定向電力載波信號，流經②③④⑤位置，②④⑤位置的拓撲識別模塊會檢測到定向電力載波信號，記錄路徑，從而識別出①—⑤的支路路徑。遍歷所有的拓撲識別模塊，完成拓撲識別。本文設定線路的初步拓撲結構初始點①為St，并依據后期的分析，逐漸找到支線的最終拓撲結構k值，即①—⑤的支路路徑，以此來分析此拓撲結構下的用電信息傳輸指標PE，得到SVG圖。上述過程的數學描述為：

St如下：

式中：i為支線數；q（i）為支線i到用戶的距離，即信息的傳輸信道；p（i）為i到相關用戶的距離，即其他信道的干擾。

臺區智能終端—分支線—用戶信息傳輸性能指標PE如下：

2 改進BP神經網絡模型構建

將K-means聚類融入BP神經網絡，能簡化臺區智能終端—分支線—用戶1:n:1的復雜且非線性的映射關系。

假設調查的用戶信息為xi=（x1，…，xm）T，支線為Yi=（Y1，…，Yn）T，臺區智能終端Oi=（o1，…，ol）T，信息傳輸的標準為Di=（d1，…，dl）T。其中，臺區智能終端與用戶之間的權重為wij（i=1，…，m；j=1，…，n），主控臺設置的閾值為bij（i=1，…，m；j=1，…，n）；支線與用戶之間的權重為wjk（j=1，…，n；k=1，…，l），設置的閾值為bjk（j=1，…，n；k=1，…，l），那么從臺區智能終端向用戶的信息傳輸公式為：

其中，傳輸誤差e是實際設置標準與傳輸信息值之間的差值，其計算公式為：

臺區智能終端—分支線—用戶的信息傳輸屬于多次循環過程，要經過反復迭代，才能最終形成傳輸方案，實現信息的安全與優化。

表1 不同e值下兩種模型比較

3 臺區智能終端—分支線—用戶的用電信息驗證

3.1 樣本分類

以A臺區的1 202個用戶為例，驗證BP神經網絡對臺區智能終端—分支線—用戶的用電信息優化。將初始聚類數目增到7，以此計算不同K值下的支線拓撲結構，即輪廓系數St。聚類數目k=4時，St系數最大，說明該類的聚類效果最好，所以本文選擇k=4作為初始聚類數目，計算性能指標PE，并對各個支線進行排序。

3.2 信息準確性計算

分別將反饋信息的初始誤差設置為0.1、0.01和0.001，并計算不同誤差下的結果值，如表1所示。

由表1可知，隨著反饋信息誤差的減少，原有方法的迭代次數為1 032、3 032和7 000，而BP神經網絡的迭代次數為72、157和423。在0.1、0.01和0.001的精度下，改進BP神經網絡模型準確率由83.5%上升到99.5%，而原有方法的誤差由83.5%上升到92.7%，說明改進BP神經網絡可以大幅提高臺區智能終端—分支線—用戶的用電信息準確率。

4 結語

改進BP神經網絡模型通過對支線拓撲結構的初始設定，求得輪廓系數St，并對系數進行k等分，得到不同支線的信息傳輸性能（準確性、效率）PE。MATLAB分析結果顯示：0.1、0.01和0.001誤差條件下，神經網絡均取得較好的結果，所以BP神經網絡可以對臺區智能終端—分支線—用戶的用電信息進行比較準確、高效的信息反饋。