[發(fā)明專利]基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)項(xiàng)目建設(shè)效果后評(píng)價(jià)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710200288.0
• 申請(qǐng)日: 2017-03-30
• 公開（公告）號(hào): CN106991531A
• 公開（公告）日: 2017-07-28
• 發(fā)明（設(shè)計(jì)）人: 王利利;李秋燕;關(guān)朝杰;孫義豪;丁巖;全少理;李錳;郭新志;胡釙;殷奕恒;楊豐閣
• 申請(qǐng)（專利權(quán)）人: 國家電網(wǎng)公司;國網(wǎng)河南省電力公司經(jīng)濟(jì)技術(shù)研究院;武漢大學(xué)
• 主分類號(hào): G06Q10/06
• 分類號(hào): G06Q10/06;G06Q50/06;G06N3/08
• 代理公司: 鄭州優(yōu)盾知識(shí)產(chǎn)權(quán)代理有限公司41125
• 代理人: 張真真

1.一種基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)項(xiàng)目建設(shè)效果后評(píng)價(jià)方法，其特征在于；步驟如下：步驟S1，選取若干反映配電網(wǎng)項(xiàng)目建設(shè)效果現(xiàn)狀的基層指標(biāo)，并建立評(píng)價(jià)指標(biāo)體系；

步驟S2，根據(jù)建立的評(píng)價(jià)指標(biāo)體系，采集若干個(gè)相應(yīng)的基層指標(biāo)數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理；

步驟S3，根據(jù)專家評(píng)分得到N_train個(gè)訓(xùn)練樣本所對(duì)應(yīng)的目標(biāo)分值；

步驟S4，確定網(wǎng)絡(luò)層數(shù)；

步驟S5，確定網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)；

步驟S6，確定傳遞函數(shù)；

步驟S7，選定訓(xùn)練方法；

步驟S8，建立BP人工神經(jīng)網(wǎng)絡(luò)后評(píng)價(jià)模型；

步驟S9，設(shè)置訓(xùn)練參數(shù)，并將步驟S2中的N_train個(gè)訓(xùn)練樣本以及步驟S3中的目標(biāo)分值輸入到步驟S8的BP人工神經(jīng)網(wǎng)絡(luò)后評(píng)價(jià)模型中，依照步驟S7中的訓(xùn)練方法進(jìn)行訓(xùn)練；

步驟S10，依據(jù)BP人工神經(jīng)網(wǎng)絡(luò)后評(píng)價(jià)模型的收斂速度和精度判斷訓(xùn)練效果，若收斂速度快且精度高，則訓(xùn)練效果好，得到訓(xùn)練后的BP人工神經(jīng)網(wǎng)絡(luò)后評(píng)價(jià)模型，并進(jìn)行下一步；反之，則改變隱含層節(jié)點(diǎn)數(shù)，重復(fù)步驟S8和步驟S9；

步驟S11，將步驟S2中的檢驗(yàn)樣本輸入到訓(xùn)練后的BP人工神經(jīng)網(wǎng)絡(luò)后評(píng)價(jià)模型中，得到輸出結(jié)果；

步驟S12，用postmnmx函數(shù)對(duì)步驟S11的輸出結(jié)果進(jìn)行反歸一化處理得到配電網(wǎng)項(xiàng)目建設(shè)效果的評(píng)價(jià)結(jié)果，并與檢驗(yàn)樣本的目標(biāo)結(jié)果相比較，觀察擬合效果。

2.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)項(xiàng)目建設(shè)效果后評(píng)價(jià)方法，其特征在于；在步驟S2中，具體步驟如下：

步驟S2.1，采集與基層指標(biāo)相對(duì)應(yīng)的若干個(gè)數(shù)據(jù)作為數(shù)據(jù)樣本，并將數(shù)據(jù)樣本輸入matlab軟件的normrnd函數(shù)中進(jìn)行樣本擴(kuò)充，生成N個(gè)符合正態(tài)分布的總樣本，并從N個(gè)總樣本中抽取N_train個(gè)訓(xùn)練樣本，N_examine個(gè)檢驗(yàn)樣本和N_test個(gè)測(cè)試樣本；其中，N_train≥n×70％，N_examine≥n×10％，N_test≥n×10％；

S2.2，歸一化處理；

利用最大最小函數(shù)premnmx對(duì)步驟S2.1中的訓(xùn)練樣本、檢驗(yàn)樣本和測(cè)試樣本進(jìn)行歸一化預(yù)處理，將參數(shù)量化到[-1,1]內(nèi)。

3.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)項(xiàng)目建設(shè)效果后評(píng)價(jià)方法，其特征在于；在步驟S4中，所述網(wǎng)絡(luò)層數(shù)為3層，由一個(gè)輸入層，一個(gè)隱含層和一個(gè)輸出層構(gòu)成。

4.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)項(xiàng)目建設(shè)效果后評(píng)價(jià)方法，其特征在于；在步驟S5中，所述網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)包括輸入層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)；確定步驟具體如下：

步驟S5.1，確定輸入層節(jié)點(diǎn)數(shù)n；

輸入層節(jié)點(diǎn)數(shù)取決輸入向量的維數(shù)；輸入層的節(jié)點(diǎn)數(shù)n等于指標(biāo)體系的指標(biāo)數(shù)；

步驟S5.2，設(shè)定隱含層節(jié)點(diǎn)數(shù)L；

步驟S5.3，確定輸出層節(jié)點(diǎn)數(shù)m；

輸出層節(jié)點(diǎn)數(shù)為1。

5.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)項(xiàng)目建設(shè)效果后評(píng)價(jià)方法，其特征在于；在步驟S6中，從輸入層到隱含層采用tansig函數(shù)，可以實(shí)現(xiàn)輸入和輸出間的任意非線性映射；從隱含層到輸出層使用線性purlin函數(shù)。

6.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)項(xiàng)目建設(shè)效果后評(píng)價(jià)方法，其特征在于；在步驟S7中，所述訓(xùn)練方法為L(zhǎng)M算法，LM算法的基本思想是使每次迭代不再沿著單一的負(fù)梯度方向，而是允許誤差沿著惡化方向進(jìn)行搜索，同時(shí)通過在自適應(yīng)學(xué)習(xí)率—?jiǎng)恿刻荻认陆邓惴ê虶auss-Newton算法之間自適應(yīng)調(diào)整來優(yōu)化網(wǎng)絡(luò)權(quán)值，使BP神經(jīng)網(wǎng)絡(luò)模型能夠有效收斂，從而大大提高了BP神經(jīng)網(wǎng)絡(luò)模型的收斂速度和泛化能力。

7.根據(jù)權(quán)利要求1所述的基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)項(xiàng)目建設(shè)效果后評(píng)價(jià)方法，其特征在于；在步驟S1中，評(píng)價(jià)指標(biāo)體系包括一級(jí)指標(biāo)和二級(jí)指標(biāo)，所述一級(jí)指標(biāo)包括供電質(zhì)量、網(wǎng)絡(luò)結(jié)構(gòu)、供電能力和裝配水平；所述供電質(zhì)量的二級(jí)指標(biāo)包括供電可靠率和綜合電壓合格率；所述網(wǎng)絡(luò)結(jié)構(gòu)的二級(jí)指標(biāo)包括10Kv線路聯(lián)絡(luò)率、10Kv線路平均供電半徑、10Kv線路平均分段數(shù)、10Kv線路N-1通過率和380V線路平均分段數(shù)；所述供電能力的二級(jí)指標(biāo)包括10Kv線路重過載率和戶均配變?nèi)萘浚凰鲅b配水平的二級(jí)指標(biāo)包括70mm以下導(dǎo)線截面占比、線路掛接配變?nèi)萘亢图芸站€路絕緣化率。