一种新型电力系统规划与建设阶段业务权重分析方法

摘要

本发明公开了一种新型电力系统规划与建设阶段业务权重分析方法，涉及电力系统技术领域，采用PCA对影响因素进行筛选，得到一组线性无关的影响因子，减少了计算的重复性，对后续研究减少了不必要的麻烦，使得综合算法具有训练速度快、收敛性好的优点。再对主要影响因子做数据分析，利用PSO_BP得出业务对电压质量问题的影响权重，根据权重结果辅助电网企业进行问题决策，从而改善电压质量。PSO_BP算法采用粒子群算法与神经网络的结合，优化了初始权值和阈值，改善了神经网络的性能，使得网络再训练过程中不至于陷入局部最优解，得到全局最优解，使得电压合格率最大，电压质量最优。

说明书

技术领域

本发明属于电力系统技术领域，尤其涉及一种新型电力系统规划与建设阶段业务权重分析方法。

背景技术

随着风光储等新能源的大量接入，电网逐渐由传统电力系统形态向更具随机性、波动性和间歇性等特性的新型电力系统形态转变。一方面，新型电力系统中的非线性负荷逐渐增多，对电压质量的影响不断加大，容易对电力系统的经济安全运行造成威胁。另一方面，越来越多的风力发电、水力发电和光伏发电接入电网，导致新型电力系统稳定性变差，电压容易出现闪变、波动、谐波等电能质量问题。

电力系统的规划与建设是确保电网具有坚强物理结构和可靠运行能力的重要前提。新型电力系统规划与建设结果的优劣，直接决定了较长时间尺度内电力系统的负荷特性和运行特性，这对电力系统的电压质量有着极其重要的影响。新型电力系统规划与建设阶段的业务主要包括负荷预测、网架规划、无功规划和项目立项等，分别承担不同的任务，都对规划与建设的结果有重要影响，进而对电力系统的电压质量有关键影响。然而，各个业务对电压质量影响的权重不同，所对应规划建设措施和调整程度就不同。因此，亟需提出一种新型电力系统规划与建设阶段业务权重分析方法，定量分析各个业务的影响权重，根据权重辅助电网企业进行问题决策，对权重较大的业务进行有针对性的重点考虑。

传统业务评价大多依靠层次分析法等主观方法，未考虑各个业务对电压质量的影响，对实际电力系统规划与建设各业务的客观分析不够充分，所做决策大多难以考虑客观数据的影响；现有业务评价模型大多对单个业务进行独立评估，鲜有对全过程业务体系的评估，同时也未考虑权重对电网企业决策的影响和指导作用，因此，本发明提出一种基于改进PSO_BP算法的新型电力系统规划与建设阶段业务权重分析方法，利用主成分分析法和粒子群算法对神经网络进行优化，避免了局部最优问题，提高算法的速度和定量评估的准确性。

发明内容

本发明的目的在于提供一种新型电力系统规划与建设阶段业务权重分析方法，从而克服了现有业务评价模型大多对单个业务进行独立评估，鲜有对全过程业务体系的评估，同时也未考虑权重对电网企业决策的影响和指导作用的缺点。

为实现上述目的，本发明提供了一种新型电力系统规划与建设阶段业务权重分析方法，包括以下步骤：

采用主成分分析提取电网规划与建设维度的业务的主要量化因子；

利用PSO算法优化BP神经网络的初始权值和阈值，根据优化后的初始权值和阈值构建PSO_BP神经网络；

将所述主要量化因子输入PSO_BP神经网络中进行训练，得到电网规划与建设维度的各业务对电压质量问题的影响权重。

优选地，所述电网规划与建设维度的业务分成两个阶段：配网规划设计阶段和工程采购建设阶段；所述配网规划设计阶段包括：负荷预测、网架规划、无功规划和方案评价，所述工程采购建设阶段包括：项目立项、设备选型、预算和工程建设。

优选地，采用主成分分析提取电网规划与建设维度的业务的主要量化因子，具体包括：

将电网规划与建设维度的业务的全部影响因子记为量化因子；

对所述量化因子进行标准化处理；

计算相关系数，并结合标准化处理后的量化因子计算相关系数矩阵；

计算所述相关系数矩阵的特征向量和特征值；

根据所述特征值计算方差贡献率和累计方差贡献率，并计算每个特征值的特征向量；

根据所述特征值计算主成分；

计算主成分系数，根据所述主成分系数、方差贡献率和累计方差贡献率计算所有量化因子的权重；

按照权重高低进行筛选主要量化因子。

优选地，所述主要量化因子包括：负荷特性、网架结构、供电半径、供电线径、联络开关分布、无功装备数量和规格、无功装备位置、补偿方式、线损、投资和维修费用、最优规划方案、投资费用、设备运检成本、电压治理效果、工程建设周期、建设扩展时序、主设备选型、进出线方案、年度基本建设投资计划、年度技术改造投资计划、年度运维检修投资计划、设备采购、基建施工、设备安装及验收以及投运前准备工作。

优选地，利用PSO算法优化BP神经网络的初始权值和阈值，具体包括以下步骤：

初始化每个粒子的速度和位置，所述粒子为BP神经网络各层的连接初始权值和阈值；

计算每个粒子的适应度值；

调整每个粒子的位置和速度；

判断粒子是否在可行域，若在则进入下一步骤，若不在则返回上一步骤；

判断粒子是否满足结束条件，若满足则结束优化，反之重新计算粒子的适应度值从判断，直至结束优化，得到最优的BP神经网络的初始权值和阈值。

优选地，根据优化后的初始权值和阈值构建PSO_BP神经网络，具体包括：

建立BP神经网络，将学习模式提供给PSO_BP神经网络，所述PSO_BP神经网络包括输入层、隐含层和输出层；

计算所述隐含层和输出层各个单元净输入和输出；

计算所述隐含层和输出层各单元的一般化误差；

根据PSO算法优化BP神经网络的初始权值和阈值，调整隐含层到输出层之间的连接权值及隐含层各个单元的阈值，调整输入层到隐含层之间的连接权值及隐含层各个单元的阈值；

更新BP神经网络的迭代学习次数，每迭代一次，迭代次数加一；

判断是否全部迭代学习次数的训练是否都训练完毕，当训练完毕，则再次更新迭代学习次数，进入下一步骤，反之重新获取学习模块模式对PSO_BP神经网络进行训练；

判断BP神经网络的输出数据的电压合格率是否满足条件，或同时判断学习迭代次数是否达到上限，若都是，则完成对PSO_BP神经网络的训练，得到PSO_BP神经网络，反之重新获取学习模块模式对PSO_BP神经网络进行训练。

优选地，所述BP神经网络采用RMSE。

优选地，所述BP神经网络中，BP神经元分布在输入层，径向基函数RBF分布在隐含层。

与现有的技术相比，本发明具有如下有益效果：

本发明所提供的新型电力系统规划与建设阶段业务权重分析方法，采用PCA对影响因素进行筛选，得到一组线性无关的影响因子，减少了计算的重复性，对后续研究减少了不必要的麻烦，使得综合算法具有训练速度快、收敛性好的优点。再对主要影响因子做数据分析，利用PSO_BP得出业务对电压质量问题的影响权重，根据权重结果辅助电网企业进行问题决策，从而改善电压质量。PSO_BP算法采用粒子群算法与神经网络的结合，优化了初始权值和阈值，改善了神经网络的性能，使得网络再训练过程中不至于陷入局部最优解，得到全局最优解，使得电压合格率最大，电压质量最优。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一种新型电力系统规划与建设阶段业务权重分析方法的流程图；

图2是本发明利用PSO算法优化BP神经网络的初始权值和阈值的流程图；

图3是本发明的BP神经网络结构示意图；

图4是本发明根据优化后的初始权值和阈值构建PSO_BP神经网络的流程图。

具体实施方式

下面结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明所提供的新型电力系统规划与建设阶段业务权重分析方法包括以下步骤：

S1、采用主成分分析提取电网规划与建设维度的业务的主要量化因子；

其中，所述电网规划与建设维度的业务分成两个阶段：配网规划设计阶段和工程采购建设阶段；所述配网规划设计阶段包括：负荷预测、网架规划、无功规划和方案评价，所述工程采购建设阶段包括：项目立项、设备选型、预算和工程建设。

主成分分析法PCA作为一种降维算法，其基本原理是正交变换。以α和β两个量化因子为例，将其旋转一个角度θ，降低其离散性，转换过程如下：

也即

其中，

式(3)表明U是一个正交矩阵，PCA主成分分析法基本原理就是通过该正交矩阵将原本离散方向的影响因子数据转变为有规律、集中的数据，实现降维功能。

因此，采用主成分分析提取电网规划与建设维度的业务的主要量化因子具体包括：

S11、电网规划与建设维度的业务模型的量化受诸多因素影响，影响因子彼此之间又有交叉。因此，需要对业务的影响因素进行筛选，将电网规划与建设维度的业务的全部影响因子记为量化因子；

S12、对所述量化因子进行标准化处理；

上式中，Z为量化因子标准化结果矩阵，α和β为两个量化因子，α

S13、计算相关系数，并结合标准化处理后的量化因子计算相关系数矩阵；

相关系数r的计算公式如下所示：

上式中，x

计算标准化之后的相关系数矩阵R，

S14、计算所述相关系数矩阵的特征向量和特征值，特征值设为λ

S15、根据所述特征值计算方差贡献率和累计方差贡献率K，并计算每个特征值的特征向量；

具体的，累计方差贡献率K一般取不低于85％，表示为：

对于每一个特征值，都有Rx＝λx，x为所求特征向量；

S16、根据所述特征值计算主成分F

S17、计算主成分系数，根据所述主成分系数、方差贡献率和累计方差贡献率计算所有量化因子的权重；

其中，

S18、按照权重高低进行筛选主要量化因子。

采用上述方法计算权重，按照权重进行筛选，忽略权重较低的影响因素，得到，主要量化因子包括：负荷特性、网架结构、供电半径、供电线径、联络开关分布、无功装备数量和规格、无功装备位置、补偿方式、线损、投资和维修费用、最优规划方案、投资费用、设备运检成本、电压治理效果、工程建设周期、建设扩展时序、主设备选型、进出线方案、年度基本建设投资计划、年度技术改造投资计划、年度运维检修投资计划、设备采购、基建施工、设备安装及验收以及投运前准备工作。可以建立表1和表2所示的业务评价体系。

表1配网规划设计阶段的业务评价体系

表2工程采购阶段的业务评价体系

S2、利用PSO算法优化BP神经网络的初始权值和阈值，根据优化后的初始权值和阈值构建PSO_BP神经网络；BP神经网络可以根据误差不断进行调整和训练，得到包含最优阈值和权值的神经网络模型，最终使训练的网络模型输出希望的结果。利用PSO算法优化BP网络模型的参数，初始化为PSO算法相应的参数值，通过计算种群的适应度值、个体极值和群体极值，迭代寻优得到全局最优解，再根据BP网络的训练结果做出相应调整，从而提高电压质量。

其中，利用PSO算法优化BP神经网络的初始权值和阈值，如图2所示，具体包括以下步骤：

S211、初始化每个粒子的速度和位置，所述粒子为BP神经网络各层的连接权值和阈值；

S212、计算每个粒子的适应度值；

S213、调整每个粒子的位置和速度；

S214、判断粒子是否在可行域，若在则进入下一步骤，若不在则返回上一步骤；

S215、判断粒子是否满足结束条件，若满足则结束优化，反之重新计算粒子的适应度值从判断，直至结束优化得到最优的BP神经网络的初始权值和阈值。

其中，根据优化后的初始权值和阈值构建PSO_BP神经网络，如图4所示，具体包括：

S221、建立BP神经网络，并对BP神经网络进行设置，包括将学习模式提供给BP神经网络，其中学习模式包括：有导师学习、无导师学习以及再励学习，BP神经网络的结构如图3所示，所述BP神经网络包括：输入层、隐含层和输出层，BP神经网络采用RMSE，BP神经元分布在输入层，径向基函数RBF分布在隐含层；

具体的，BP神经网络模型采用RMSE，则均方根误差作为适应度函数：

上式中，y

BP神经元分布在第一层，即：

上式中，m是隐层层数，x

径向基函数RBF分布在第二层，即：

上式中，k为高斯球面半径，Y

输出层为第三层，即：

上式中，Y

S221、计算隐含层和输出层各个单元净输入和输出；

S222、计算隐含层和输出层各单元的一般化误差；BP神经网络的三层神经元个数分别为n

上式中，θ

S223、根据S215得到的PSO算法优化BP神经网络的初始权值和阈值，调整隐含层到输出层之间的连接权值及隐含层各个单元的阈值，调整输入层到隐含层之间的连接权值及隐含层各个单元的阈值；

S224、更新BP神经网络的迭代次数，每迭代一次，迭代次数加一；

S225、判断全部迭代次数的训练是否都训练完毕，当训练完毕，则再次更新迭代次数，进入下一步骤S226，反之返回步骤S221重新获取学习模式对BP神经网络进行训练；

S226、判断BP神经网络的输出数据的电压合格率是否满足条件，同时判断迭代次数是否达到上限，若都是，则完成对BP神经网络的训练，得到PSO_BP神经网络，反之重新获取学习模式对BP神经网络进行训练。

S3、将所述主要量化因子输入PSO_BP神经网络中进行训练，得到电网规划与建设维度的各业务对电压质量问题的影响权重。

对本发明新型电力系统规划与建设阶段业务权重分析方法的其中一个实施例进行详细说明，以使本领域技术人员更了解本发明：

模拟搭建一个33节点的网架，采用本发明方法进行训练，得到的影响权重结果如表3所示，

表3各业务影响权重归一化结果

通过表3可以看出，本发明所采用的改进PSO_BP算法可以得出各业务对电压质量的影响权重，结果表明网架规划、负荷预测和无功规划的权重更大，方案评价、设备选型和预算等的权重更小。网架规划业务的权重最大，即网架规划对电压质量的影响最大，因此在电网业务的全过程决策分析中，应该重点考虑网架规划，前期合理设计网架结构，确定变电站的布点，并预留足够的空间以便于后期改造，预防和改善电压质量问题。

以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。