神经网络对台区智能终端探究

神经网络对台区智能终端探究

摘要:台区智能终端、分支线路与用户之间的拓扑关系为1:n:1,该关系可以实现综合性的用电信息管理,但存在信息在传输过程中出现延迟、丢失的问题。为解决上述问题,从用电信息角度出发,分析如何利用改进神经网络对台区智能终端—分支线—用户的用电信息进行优化。

关键词:BP神经网络;台区智能终端;分支线;用户

0引言

为提高用电信息传输的准确性和效率,本文提出改进BP神经网络方法,通过设置阈值来简化台区智能终端、分支线路与用户之间1:n:1的拓扑关系。通过信息聚类分析来剔除非关键信息,提高信息传输与处理的效率[1]。

1用电信息概念化描述

1.1神经网络概念。BP神经网络的处理速度并不理想,为更好地进行台区智能终端—分支线—用户的用电信息分析,本文引入了K-means方法,对台区智能终端—分支线—用户的用电信息进行分类,如图1所示[2]。

1.2用电信息指标确定。台区智能终端—分支线—用户的用电信息主要有用电监控、阶梯定价、负荷管理、线损分析等任务,所以以此为用电信息指标,分别设置为x1(%)、x2(元)、x3(%)和x4(%)。确定用电信息指标以后,其数学描述为:式中:x軃j为xij反馈信息的平均值;sij为xij的方差,即反馈信息与实际信息的偏差;N为调查用户数。

1.3SVG图拓扑。由图1可知,①位置产生的定向电力载波信号,流经②③④⑤位置,②④⑤位置的拓扑识别模块会检测到定向电力载波信号,记录路径,从而识别出①—⑤的支路路径。遍历所有的拓扑识别模块,完成拓扑识别。本文设定线路的初步拓扑结构初始点①为St,并依据后期的分析,逐渐找到支线的最终拓扑结构k值,即①—⑤的支路路径,以此来分析此拓扑结构下的用电信息传输指标PE,得到SVG图。上述过程的数学描述为:St如下:式中:i为支线数;q(i)为支线i到用户的距离,即信息的传输信道;p(i)为i到相关用户的距离,即其他信道的干扰。台区智能终端—分支线—用户信息传输性能指标PE如下:式中:j为第j个台区智能终端对用户传输的权重,其和为1;Yij为分析的支线数;min(Yij)为样本i的聚类中心最小值,即最优的信道;PE为台区智能终端—分支线—用户信息传输性能指标,反映信息的准确情况。

2改进BP神经网络模型构建

将K-means聚类融入BP神经网络,能简化台区智能终端—分支线—用户1:n:1的复杂且非线性的映射关系。假设调查的用户信息为xi=(x1,…,xm)T,支线为Yi=(Y1,…,Yn)T,台区智能终端Oi=(o1,…,ol)T,信息传输的标准为Di=(d1,…,dl)T。其中,台区智能终端与用户之间的权重为wij(i=1,…,m;j=1,…,n),主控台设置的阈值为bij(i=1,…,m;j=1,…,n);支线与用户之间的权重为wjk(j=1,…,n;k=1,…,l),设置的阈值为bjk(j=1,…,n;k=1,…,l),那么从台区智能终端向用户的信息传输公式为:其中,传输误差e是实际设置标准与传输信息值之间的差值,其计算公式为:其中,传输误差e是实际设置标准与传输信息值之间的差值,其计算公式为:e=12lk=1Σdk-fpj=1Σwjkfmi=1Σ(wijxi+bij)+bjkΣΣ)ΣΣΣΣ2台区智能终端—分支线—用户的信息传输属于多次循环过程,要经过反复迭代,才能最终形成传输方案,实现信息的安全与优化。

3台区智能终端—分支线—用户的用电信息验证

3.1样本分类。以A台区的1202个用户为例,验证BP神经网络对台区智能终端—分支线—用户的用电信息优化。将初始聚类数目增到7,以此计算不同K值下的支线拓扑结构,即轮廓系数St。聚类数目k=4时,St系数最大,说明该类的聚类效果最好,所以本文选择k=4作为初始聚类数目,计算性能指标PE,并对各个支线进行排序。

3.2信息准确性计算。分别将反馈信息的初始误差设置为0.1、0.01和0.001,并计算不同误差下的结果值,如表1所示。由表1可知,随着反馈信息误差的减少,原有方法的迭代次数为1032、3032和7000,而BP神经网络的迭代次数为72、157和423。在0.1、0.01和0.001的精度下,改进BP神经网络模型准确率由83.5%上升到99.5%,而原有方法的误差由83.5%上升到92.7%,说明改进BP神经网络可以大幅提高台区智能终端—分支线—用户的用电信息准确率。

4结语

改进BP神经网络模型通过对支线拓扑结构的初始设定,求得轮廓系数St,并对系数进行k等分,得到不同支线的信息传输性能(准确性、效率)PE。MATLAB分析结果显示:0.1、0.01和0.001误差条件下,神经网络均取得较好的结果,所以BP神经网络可以对台区智能终端—分支线—用户的用电信息进行比较准确、高效的信息反馈。

[参考文献]

[1]李笑竹,陈志军,樊小朝,等.基于ACS-SA文化基因算法的BP神经网络变压器故障诊断[J].高压电器,2018,54(2):134-139.

[2]张明慧,金凤.基于GA优化BP神经网络变压器故障诊断的研究[J].煤矿机械,2012,33(8):257-259.

作者:练梓焯 袁桦菁 覃家露 罗醒华 单位:广东电网有限责任公司云浮供电局