文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于因子分析与神经网络的输电网安全评价_杨宗霄
侵权投诉

基于因子分析与神经网络的输电网安全评价_杨宗霄

第33卷 第14期 电 网 技 术 29

指标之间的相关性并删去对输电网安全影响小的指标变量,从而为神经网络模型计算减少输入变量的个数[14]。在不影响安全评价结果的同时,以达到简化运算的目的。由以上分析结果可看出,只需用11个因子指标就可以很好地反映原来指标变量的94.852%的信息,从而大大减少了评价指标的数量,提高了评价指标的科学性,降低了评价成本,也为后续神经网络安全评价模型构建奠定了基础。

式中:m1是所确定的网络隐含层数目;n是输入层单元数;m是输出层单元数;a是1~10之间的常数。

依据简化后的输电网安全评价指标体系,构建3层BP神经网络。输入层、隐含层、输出层神经元个数分别为11、6、1。对输入层的数据采用式(4)进行归一化处理后作为网络的输入[15]。

Ri=(xi xmin)/(xmax

基于因子分析与神经网络的输电网安全评价_杨宗霄

xmin) (4)

式中:xmin和xmax是原始变量xi值域上的最小值和最大值;Ri是归一化处理后的变量值。结合因子分析和神经网络方法建立输电网安全评价模型的具体流程如图2所示。本方法不仅可以应用于输电网安全状况的综合评价,而且也适用于电力企业其它方面的安全评价工作。

3 构建神经网络安全评价模型

3.1 BP神经网络原理

BP神经网络是目前使用最广泛的一种网络,通常由输入层、若干隐含层和输出层组成。理论研究证明:对于任何在闭区间内的连续函数,都可以用只有1个隐含层的BP网络来逼近,因而一个3层BP网络可以实现任意给定的n维到m维的映射[15]。BP算法是一种监督式的学习算法,其主要思想是:对已知的学习样本采用梯度搜索技术,以期使网络的实际输出值与期望输出值的均方值误差最小。BP网络的非线性处理能力可有效处理信息含糊、不完整、存在矛盾等复杂环境的认知判断问题,是目前应用最广泛的神经网络评价模型[16]。

BP神经网络的结构见图1。可见BP网络是一种具有3层或3层以上神经元的神经网络,包括输入层、中间层(隐含层)和输出层。图1中的x1, x2, …,

xm为输入特征向量,y1, y2, …, yn为输出特征向量。

基于因子分析与神经网络的输电网安全评价_杨宗霄

图2 安全评价模型建立流程

Fig. 2 Establishing procedure of safety assessment model

基于因子分析与神经网络的输电网安全评价_杨宗霄

图1 BP网络结构

Fig. 1 Network structure of BP

3.2 输电网BP神经网络安全评价模型

神经网络的拓扑结构是由网络的层数、各层的节点数以及节点之间的连接方式组成的。本研究拟采用BP神经网络对输电网的安全运行过程进行建模评价。在设计网络的结构时,关键的参数只涉及到网络的层数和各层的神经元个数以及传递函数的选择。根据待解决问题的性质,图1所示网络的输入层和输出层的单元数通常是确定的,所以如何确定中间层(隐含层)的单元数目,就成为研究的重点。本文采用式(3)方法确定网络隐含层的数目[17]

3.3 安全评价实例

从国家电网公司某分电网评价历史数据中选取20组样本数据作为BP网络的输入,以每组数据的评价结果为期望输出值对网络进行训练,其中网络输入量是评价数据指标经归一化处理后的值。算法用Matlab语言实现[15],网络隐含层节点数选为5,权值调整参数为0.1,阈值调整参数为0.1,学习精度为0.001。网络经过900次训练,收敛于所要求的误差,然后对10组检验样本进行安全评价,输出验证结果见表4。由表4可知,BP网络预测输出值与期望输出结果之间的误差达到了0.001,输出安全等级与期望输出结果完全相同,这证明了以因子分析和神经网络技术为基础所构建的安全评价模型可以用于实际输电网安全等级的综合评价。

4 结论

本文在建立输电网系统评价指标体系的基础上,通过因子分析和神经网络方法的有机结合,对

m1=a (3)

上一页第4页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email