基于神经网络的输电线线损预测算法设计开题报告

全文总字数：4517字

1. 研究目的与意义（文献综述）

电力系统在我国国民生活当中扮演着越来越重要的角色。中国自改革开放以来，实行能源开发和节约并举，促进了我国电力系统的迅速发展。 线损率是我国电力系统的一项重要技术指标，它能够反映出一个电力系统的规划和运营水平。进入21世纪以来，我国电力系统发展较快、规模持续增大、网络结构更加复杂，这些发展与变化都对线损的计算、管理、优化、预测提出了新的挑战。 在过去很长一段时间的电力网运行管理工作中，线损电量通常是根据电能表所计量的总“供电量”和总“售电量”相减得出，即统计线损电量。统计线损电量仅能总结过去某一时期内的电力损耗，却无法为当前客观条件下的电力损耗计算提供直接帮助。合理的线损预测能为电力系统下一步的理论研究、分析计算和制定降损措施等工作提供较大帮助。此外，由于统计线损中包含管理损耗，故统计线损并不能代表当前电力系统的真实损耗水平。由上可见，线损预测不仅可以反映电力系统架构的合理程度，还可以加强线损管理工作，为线损考核指标的合理制定提供依据。国内外学者对线损的研究主要包括理论线损及统计线损的计算方法、原因分析、降损措施等方面，其中大部分是理论线损计算方法的研究和理论线损计算结果的分析。 统计线损计算遇到的主要问题是统计线损率的不稳定波动以及供售电量抄录的不同期。目前有不少专家对统计线损率的波动问题及供售电量的抄录不同期问题进行深入研究，争取消除统计线损率的波动，以使其尽量接近理论线损，即最大限度的减少管理损耗。张宏博学者研究了供售电量抄录的时间选取对统计线损率准确性产生的影响，并提出了一种能有效消除抄录时间选取对统计线损率准确性影响的方法。高卫东, 宋斌等几位学者对统计线损计算的影响因素进行了分析，其影响因素包括：供售电量统计时间不同、负荷状态实时变化以及其他因素等，并提出了一种能有效避免月度线损率波动的计算方法。 对于理论线损计算的研究，国内外学者主要从以下三个方面进行。首先，利用潮流计算方法和网损分摊进行理论线损计算，但是该方法具有较大的局限性。其次，利用统计学方法进行理论线损计算。目前较为主流的方法是采用灰色关联分析法找出影响线损的主要因素并建立相关模型来完成理论线损预测的工作。但影响线损的因素较多且影响因素之间相互关联，因此准确提取线损强关联因素的难度较大。最后，利用智能方法进行理论线损的计算。智能方法主要包括回归分析方法的应用、神经网络方法的应用、支持向量机方法的应用。 通过广泛查阅线损计算与分析文献得知，发现目前线损计算与预测还存在一些问题。一是由于理论线损计算较为复杂，因此某些地区仍采用统计线损量，而这并不能反映出当前电力系统的真实损耗水平。二是多数地区在计算理论线损时采用的是潮流计算及网损分摊方法，但由于系统结构复杂，计算量较大，效率较低。人工神经网络具有非线性、多变量系统等特性，对非线性系统的建模、预测、计算要比其他方法实用、经济；在复杂映射能力、计算精度等方面表现优异。因此利用人工神经网络来完成理论线损计算预测，将有助于线损管理工作的简单、便捷化。

2. 研究的基本内容与方案

径向基函数(RBF)神经网络是一种在模式分类、数据挖掘、函数逼近等方面经常使用的前向神经网络。RBF神经网络的优点不少，首先它的结构简单，仅由输入输出层、单层隐含层构成；其次，由于局部响应、局部逼近的原理使得RBF神经网络相较于具有全局响应的BP神经网络具有更快的学习速度。因此采用RBF神经网络来计算并预测线损率是一个非常不错的选择。 影响线损的因素有很多，主要包括供电方式、温度、湿度、负荷分布和计量设施误差等。将所有的影响因素作为输入变量是最准确的，但是神经网络模型并不能适应高维度的数据。为了改善RBF神经网络的性能，需要对输入变量的维度进行压缩。考虑指标对线损影响的重要程度和获取的难易程度，筛选出与线损相关的主要特征参数：有功功率、无功功率、相对湿度、温度。上述四个特征参数构成RBF神经网络的输入自变量。因其单位和取值范围都不相同，所以需要对样本数据进行标准化处理。完成标准化处理以后，则需要对样本数据进行聚类。传统的K-Means动态聚类需要事先给定类别数目k和初始聚类中心。但是算法本身并没有给出初始聚类中心的选取原则，若初值选取不合适，则可能得不到合理的聚类结果。因此，本文拟采用改进的K-Means动态聚类算法，它无需事先确定聚类数，可以在聚类过程中动态确定聚类数目，避免了对不同聚类模式的迭代过程，提高了聚类速度，进而保证了网络学习的快速性。完成样本聚类后，RBF神经网络隐含层的节点数和径向基函数的具体形式也随之确定。最后，利用线性最小二乘法或梯度下降法来确定隐含层与输出层之间的权值。 RBF神经网络结构确定后，再借助Qt designer和Eric6完成界面设计与逻辑文件编写工作。Qt designer软件可以帮助我们实现界面的可视化编程，并在Eric6中编译形成界面文件。由于界面文件需要时常更新且每次编译时都会初始化，因此我们需要在Eric6中新建逻辑文件来调用界面文件，以实现界面与计算的分离。 GUI界面的主要功能包括数据导入、网络训练、线损计算等几大模块，并能够通过表格、曲线图的形式将计算结果呈现给用户。 在使用阶段，首先将数据进行标准化处理，然后将处理后的数据输入至训练完成的RBF神经网络中，经过网络计算即可得到相应输电线路的线损。由于输入的是标准化后的数据，因此最终还需要将神经网络的输出结果进行标准的逆变换，得到实际的线损值。结果以不同的形式显示在GUI界面上并保存在电脑文件中。

3. 研究计划与安排

第1－2周：查阅相关文献资料，学习线损背景知识，明确研究内容，学习研究中涉及的各类方法。

确定方案，完成开题报告。

第3—5周：阅读参考文献，编写改进的k-means动态聚类算法和基于神经网络的预测算法。

4. 参考文献（12篇以上）

[1] 姜静清, 宋初一, 等．RBF神经网络的训练方法及分析[J].内蒙古民族大学学报，2003，18(4):301-303.[2] 贺咏梅.电网综合线损预测方法及降损解决措施[J].大科技，2017(34):74-75.[3] 唐晓勇，江亚群，等.改进ASMDE算法与RBFNN的配电网线损计算[J].计算机工程与应用，2015，51(13):245-250.[4] 张宏博.抄表例日安排对线损率波动的影响及控制[J].华北电力技术,2008，9(13):12-13.[5] 高卫东, 宋斌.月度实际线损率定量计算方法[J].电力系统自动化,2012, 6(2): 86-90.[6] 牛东晓，成功，等.基于MPCA-RBFNN的神经网络在中长期电力负荷预测中的应用[J].华北电力大学学报，2007，34(3):77-79. [7] 姜惠兰，安敏，等.基于动态聚类算法径向基函数网络的配电网线损计算[J].中国电机工程学报，2005，25(10):35-39.[8] 李亚，刘丽平，等. 基于改进K-Means聚类和BP神经网络的台区线损率计算方法[J].中国电机工程学报，2016，36(17):4543-4551.[9] 陈玉辰，王子健，等. 基于径向基函数优化的短期负荷预测方法[J].电力需求侧管理，2019(2):36-40.[10]邹云峰，梅飞，等. 基于数据挖掘技术的台区合理线损预测模型研究[J].电力需求侧管理，2015，17(14):25-29.[11]刘亚丽，李英娜，等. 基于遗传算法优化BP神经网络的线损计算研究[J].计算机应用与软件，2019，36(3):72-75.[12]唐雷鸣. 线损理论计算方法的研究现状和展望[J].电气开关，2012(6):14-16[13]林玲，刘义杰，等. 线损率预测的研究与创新[J].中国高新技术企业，2017(01):18-19.[14]Kolev VG, Sulakov SI. The weather impact on the overhead line losses[A].15th International Conference on Electrical Machines, Drives and Power Systems(ELMA), Tech Univ Sofia, 2017[C]. NEW YORK, IEEE，2017.[15]Liu Y, Chen S, Huang S. Evaluation of corona loss in 750 kV Four-Circuit transmission Lines on the same tower considering complex meteorological conditions[J]. IEEE Access , 2018 , 6:67427-67433.[16]Zhang B,Li W,He J, et al. Analysis of ion flow field of UHV/EHV AC transmission lines[J]. IEEE Transactions on Dielectrics and Electrical Insulation , 2013 , 20(2):496-504.[17]Hao Meng,Fei Yuan, Tianhao Yan, Mingfang Zeng. Indoor Positioning of RBF Neural Network Based on Improved Fast Clustering Algorithm Combined With LM Algorithm[J]. IEEE Access,2019 , 7:5932-5945.[18]郝庆辉. 基于RBF神经网络的配电网线损计算与分析[D].黑龙江：东北石油大学，2014.[19]熊晖.基于RBF神经网络与粒子滤波算法的用户电力短期负荷预测及其系统实现[D].北京：中国科学院大学，2019.[20]龚月华.基于深度学习的理论线损率计算与分析[D].河北：燕山大学，2018.[21]李亚.基于数据挖掘技术的台区线损计算方法研究[D].北京：华北电力大学，2017.[22]吴安官，倪保珊.电力系统线损分析与计算[M].北京：中国电力出版社，2012：1-51.[23]侯媛彬，杜京义，汪梅.神经网络[M].西安：西安电子科技大学出版社，2007：15-25，125-140.