基于B P神经网络的电力系统潮流计算

广东工业大学自动化学院 许 锐 许锦标

0 引言

电力潮流计算是电力系统三大计算之一，是电力系统中最重要的计算之一。传统的潮流计算方法有PQ分解法，牛顿法等。[1]

在人工智能的方法中，BP神经网络为众多方法中的一种研究方法。因为BP神经网络模拟出一下复杂问题，能够自学习以及较强的鲁棒性和容错性等优点，所以BP神经网络可以对电力系统中复杂的问题进行建模和仿真。[2]BP神经网络，是具有多层结构的，又可以称之为误差反向传播神经网络。

1 基于BP神经网络的潮流计算

潮流计算的意义对于电力系统的稳定以及故障分析有非常重要的作用，属于电力系统三大计算之一。结合BP网络的优点，提出利用神经网络替代传统的潮流计算方法，为电力网络系统提高稳定性计算和故障分析。

具体步骤如下：

（1）选取一个电力系统，在matlab的simulink工具下进行仿真，产生多组仿真的数据，并把这些仿真数据记录下来，作为网络的输入；

（2）通过matlab语言编程，建立BP神经网络，并把训练样本加入到神经网络当中；

（3）进行仿真，观察仿真结构与实际输出值的误差，若误差较大，调整BP神经网络的结构；若误差符合预先设定值，则该网络正确；

（4）把训练好的BP神经网络运用到电力系统潮流计算当中。[3]

2 算例仿真分析

2.1 电力系统模型

在如今的电力系统分析中，电力网络的数学模型是其基础。本文所研究的电力系统模型是由线性的集中参数元件组成。图1所示是一个简单的电力系统模型。

2.1.1 输入和输出的选取

在图1所示中的电力网络系统中，一般情下，假设线路的参数是不变的，变压器的参数也是不变的，具体参数为：

L=80km，采用LGJ-150导线，ro=0.21/km，x0=0.416欧/km,b0=2.76*10-6S/km。

变压器为三相110/11KV，每台的容量为15MV.A，其参数为：P0=40.5KW，PS=128KW，VS%=10.5，I0%=3.5。

固定母线A的实际运行电压为117KV，额定电压为110KV。所以

图1 简单电力网络系统

2.1.2 BP神经网络的参数

用matlab语言进行编程，建立一个三层的BP神经网络，网络结构如下：

输入层数、隐含层数，输出层数分别为4，11，1；学习速率设置的值是0.05；目标误差为0.0001；传递函数分别为：双曲正切S型传输函数tansig和线性传输函数purelin；训练函数选取增加动量项的BP算法；动量因子选择0.9。

2.2 仿真

图2 训练过程中网络误差性能的变化

选择负荷功率作为样本的输入，选择母线c的电压作为输出响应。

图3 回归系数曲线

从图2所示中可以看出，BP神经网络经过了144次迭代之后，网络的误差下降到预先设定的误差值，网络输出可以比较号地收敛到期望的目标响应，最后的响应误差较小，证明经过训练后的BP神经网络是可以代替传统的潮流算法对电力系统进行潮流计算，而且精度较高，速度更快。

图4 预测曲线与真实数据

从图3所示的回归系数曲线可以看出训练网络输出值和目标值有着极好的线性度。说明训练好的BP神经网络可以准确的对电力网络计算潮流。图4所示中，*画出的曲线代表的是实际的电压值，o画出的曲线代表的是BP神经网络的预测值。所以，由图5可以看得出，虽然网络预测具有一定的误差，但是预测值与实际的电压曲线误差不大，且基本重合。故利用BP神网络对电力网络系统进行潮流计算的方法是非常准确的，BP神经网络的预测率也是非常理想的，所以对图2中的简单电力系统模型来说，BP神经网络所建立的模型是有效的，验证了本文开始所提出BP神经网络代替传统潮流算法的正确性。

3 结论

本文研究了利用BP神经网络来代替传统的潮流计算方法对电力系统进行潮流计算的问题。文中建立了一个BP神经网络，对一个简单的电力系统进行潮流计算，利用该电力网络的负荷作为输入，母线电压作为输出来对BP神经网络进行训练。并用matlab程序来对系统仿真，经过仿真后所得处的图可以得出预测值与实际值的误差以及拟合程度。最终结果验证了这种方法的正确性，证明了BP神经网络可以应用于电力系统的潮流计算当中。显然这种方法要比传统的潮流计算方法速度要更快。

[1]何仰赞,温增银.电力系统分析[M].武汉:华中科技大学出版社(第3版),2002.

[2]朱凯,王正林.精通MATLAB神经网络[M].北京:电子工业出版社,2010.

[3]贲可荣,张彦铎.人工智能[M].北京:清华大学出版社,2006.