基于模糊神经网络的电能质量指标的经济性评估
|
来源：www.chinaups.com 作者：lei 浏览：97次
发布日期：2008-1-15 16:13:03 基于模糊神经网络的电能质量指标的经济性评估
金广厚1, 宋建永2, 程晓荣1
(1.华北电力大学电气工程学院, 保定 071003;
2.天津电力公司城东电力分公司, 天津 300250) 摘 要: 在激烈竞争的电力市场环境下对电能质量进行经济性评估是非常重要的。针对电能质量经济性评估难以用精确数学模型描述的特点，提出了利用模糊神经网络进行电能质量经济性评估的方法。阐述了应用该方法进行电能质量指标经济性评估的基本原理、网络模型和估价方法。算例表明这种方法具有方便、准确的特点。 关键词: 电力市场; 电能质量; 经济评估; 模糊神经网络 Economical Evaluation of Power Quality Indices Based Fu zzy Neural Networks
JIN Guanghou1, SONG Jianyong2, CHENG Xiaorong1
(1.School of Electrical Engineering,North China Electric Power University,
Baoding 071003, China; 2.Tianjin Electric Power Company Eastcity Subcompany, Tianjin 300250,China) Abstract: Economical evaluation of power quality is particularly important in the new scen ery of competitive electricity markets. Based on fuzzy neural networks (FNN), th is paper proposes an approach to evaluate the power quality indices, in which th e difficulty to describe evaluation in models of mathematics is overcome. The ba sal principle, model of networks and method of evaluation applied to one item of power quality are also explained. The example given indicates that the approach is exact and convenient.
Key words: power market; power quality; economical evaluatio n; FNN 1前言 随着现代用电设备对电能质量要求的日益提高和电力市场改革的不断深入，电能质量问题所引发的矛盾日益突出。首先，电力用户已提高了对电能质量重要性的认识和自我保护意识，对电力系统提出了更高的要求。但是，电能质量问题的治理是一项代价高昂的工作，供电部门作为电力市场环境下独立的经济核算单位来讲，不得不考虑投资的经济性。其次，为了体现电力市场公平性的原则，“污染源”作为电能质量问题的罪魁祸首，必须承担相应的经济责任。因此，进行电能质量问题的经济性评估就成为电力用户和供电系统无法回避的问题。主要体现在以下几个方面： A电能质量标准的制定需要考虑全社会的综合经济利益［1］； B电能质量控制器和滤波器等设备的投入需要进行投资和收益的经济论证［2］； C对某一电力用户奖惩金额的确定需要客观的评估该用户对PCC节点的电能质量造成的影响； D不同质量等级电能的价格的确定。 但是，影响电能质量的指标很多，例如谐波、过电压、频率偏差、瞬时脉冲、电压跌落等，而且影响每个指标经济性的因素很复杂，比如谐波电压总畸变率THD、各次谐波含量、规定时间内谐波电压累计持续时间、PCC节点负荷对谐波电压敏感程度、某次标准含量的谐波电压对单位容量负荷和配电网造成的经济损失等，其中很多因素具有模糊性和概率统计学的性质。比如PCC节点负荷对谐波电压敏感程度、谐波问题引起的政治影响、造成的人身伤亡、造成供电部门信誉度的下降等，很难用精确的数学模型来描述。文献［3］基于大量试验和调查结果给出了谐波问题对具体设备造成损失的规律，包括有功损耗、设备老化和设备工作质量下降等，但是对于整个PCC节点每个用电设备分别进行损失的计算是不现实的，需要找出PCC节点所有负荷和电能质量指标特征与经济损失之间的规律。一些经验公式［4］也很难取得令人信服的结果。 近年来人工神经网络的应用已经深入到各个领域［5-8］，特别是在经济领域，与传统的预测、决策、规划、调度等方法相比，显示了诱人的魅力。它是由大量的简单处理单元构成的非线性动力系统，具有巨量并行性、存储分布性、结构可变性、高度非线性、自学习性及自组织性等特点，使许多复杂的、难以用数学公式描述的问题迎刃而解。在现实中，人们对不确定事件的描述有许多是用普通语言来表达的，而且很难把这类语言信息“变换”成概率的形式，模糊集对集合论的推广为表示“许多”、“少”、“经常”、“有时”这样的语言提供了一种手段。将人工神经网络和模糊理论结合起来，能解决许多常规信息处理方法难以解决或无法解决的问题，尤其是那些属于思维(形象思维)和推理及意识方面的问题，可以处理不完整的、不精确的，甚至是非常模糊的信息［9］。采用模糊神经网络方法，可以对电能质量指标的经济性进行评估，此方法模型一经建立，对复杂的评价问题具有简单方便、快速准确作出反应的优点。 2模糊神经网络的基本原理
2.1概述 模糊神经网络(fuzzy neural network,FNN)就是模糊理论同神经网络相结合的产物，它汇集了神经网络与模糊理论的优点，集学习、联想、识别、自适应及模糊信息处理于一体。模糊神经网络技术是指人类的经验和知识进行数字化的模糊化处理，把规则和推理转换成神经网络的映射处理和直接从数据库样本中提取经验规则，然后把这两种转换结合起来进行智能信息处理和智能控制的技术。模糊集理论与神经网络技术的结合有其一定的数学基础，神经网络系统可以作为一般的函数估计器、而模糊系统可作为一种结构型数字估计器，因而它们都具有一般自适应模型无偏估计器的作用，具有相同的正规数学特性，且享有同一状态空间。这样，神经网络能实现模糊逻辑推理，同时利用相应的模糊系统来初始化神经网络结构，从而神经网络的学习速度得到了大大的提高。 模糊神经网络作为具有一定的处理定性与定量知识的技术与方法，可充分利用模糊逻辑所具有的较强的结构性知识表达能力和神经网络强大的自学习与定量数据的直接处理能力。从模糊信息处理角度上来说，自从模糊集合理论提出至今，有关模糊信息处理的理论应用研究已取得了重大的进展。但是，作为模糊信息处理的核心“模糊规则的自动提取”及“模糊变量基本状态隶属函数的自动生成”问题，却一直是困扰模糊信息处理技术进一步推广的两大难题。同时，虽然以非线性大规模并行处理为主要特征的神经网络技术近年来取得了进展，但是在传统的神经网络模型中，其神经元大多数是两态的，而在一些可取连续值的神经元中，其整合函数则多数是线性的。当模糊神经网络作为函数逼近器使用时，其逼近误差与隐含层的节点数成反比。并且它的函数逼近精确度与输入变量数无关。这样就有效地避免了单个方面的不足。 将模糊技术与神经网络技术进行有机结合，可有效发挥各自的优势并弥补不足。模糊技术的特长在于逻辑推理能力，容易进行高阶的信息处理。将模糊技术引入神经网络，可大大地拓宽神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处理模糊信息或其他不精确性信息，不仅能实现精确性联想及映射，还可实现不精确性联想及映射，特别是模糊联想及模糊映射。神经网络在学习和自动模式识别方面有极强的优势，采取神经网络技术来进行模糊信息处理，则使得模糊规则的自动提取及模糊隶属函数的自动生成有可能得以解决，使模糊系统能够成为一种自适应模糊系统。 2.2模糊神经网络类型 前向型模糊神经网络是可实现模糊映射关系的模糊神经网络。这类网络由模糊化网层、模糊关系映射网层和去模糊化网层构成。 反馈型模糊神经网络主要是可实现模糊联想存储与映射的网络。有时，也称其为模糊联想存储器。与一般反馈型神经网络所不同的是，反馈型模糊神经网络中的信息处理单元不是普通的域值神经元，而是模糊神经元，它所实现的模糊联想与存储，比一般的联想与映射具有更大的吸引域和容错能力。 2.3模糊神经元 模糊神经网络的重要组成部分是模糊神经元，可通过特殊权值把它们连接起来，构成模糊神经网络的模型结构。因而有必要对模糊神经元进行很好的描述和构建，再进一步研究其模型形式，以达到更有效地发挥它们的各自长处。 1)模糊化神经元，是一类可将观测值或输入值定量化或标准化的神经元。它接受离散或连续的、确定或模糊的单元输入。而输出是由系统模糊定量基本状态隶属函数所确定的标准化的值。当系统模糊变量基本状态隶属函数比较复杂时，模糊神经网络中模糊变量基本状态的模糊化常采用模糊化网层来实现。 2)去模糊化神经元，这种类型的神经元是以“分布值”表示的输出结果以“确定值”的形式输出的信息处理单元，整合功能包括“映射”与“逼近”。有时，具有特定整合功能的去模糊化函数不易给出，可选用取最大值方法和取质心方法。A.Kandel和M.Friedman根据最典型值(MTV)的概念，提出了反模糊的新方法。 3)模糊逻辑神经元，是多输入单输出类型的神经元，其输入输出关系为  Ii为模糊逻辑函数或模糊集合函数，其具体形式可以根据实际情况和需要确定，可以是加权求和、S运算中的任何一种(如先取大后取小的合成，先求积后取大的合成，先取小后求和的合成等)。 模糊神经网络是全部或部分采用各类模糊神经元构成的一类可处理模糊信息的神经网络系统。模糊神经元应具有—般神经元的功能，同时能反映神经元的模糊性质，具有模糊信息处理能力。 2.4模糊神经网络的学习方法 一个模糊神经元可以通过权的修正来进行学习改进其性能，在模糊神经元中还可以利用所谓“躯体”修正，即对神经元体的结构进行修改，可改变规则，改变分配给模糊子集的隶属度函数，改变表示规则的方式(各种累积、蕴含算子)等。利用以上几种模糊神经元可以在一定程度上将模糊逻辑和神经网络的优势结合起来，实现一个更为有效的信息处理工具。 模糊神经网络的训练算法可以充分借鉴神经网络的各种学习算法，包括Hebb学习、误差修正型学习及竞争型学习等方法。文献［10，11］给出了具有正态模糊网络参数的前馈式模糊神经网络及其改进学习算法，提出了一种效率更好的FBP学习算法。在此算法中，采用近似模糊推理技术来确定网络的学习率、动量因子、加速系数三个学习参数，使得这些学习参数在网络的学习过程中根据学习时间的长短、误差大小及误差变化情况，进行动态调整，从而提高学习效率。Wang［12］提出了包括模糊逻辑系统的反向传播学习算法、正交最小二乘学习算法、表格查询学习算法、最近邻类学习算法，较好地解决了从输入输出数据中归纳模糊规则的问题。模糊逻辑系统的反向传播学习算法与神经网络BP算法基本相同［13］，向前计算，向后调整，而且均采用选代下降算法使实际输出和期望输出之间的均方误差最小。但Wang的算法中的参数有明确的物理意义，因此可以充分利用专家的领域知识提出非常有效的初始参数选择方法，有利于在试验和误差反馈过程中进行判断。 3网络模型
3.1经济评估特点与分析 首先，从供电部门和用电部门或者社会的角度考虑，对电能质量可以有不同类型的经济性评估，但其评估特点都具有复杂性和模糊性。例如用户必须对电能质量问题给自己造成的经济损失与装设电能质量控制器或者购买高质量的电能进行经济性评估。供电部门必须对某一用户产生的电能质量问题对整个配电网（系统内）和其他用户（系统外）造成的损失进行经济性评估。其次，针对某一类型的电能质量经济性评估，又包括前面提到的各种电能质量指标的经济性评估。笔者从社会的角度针对某一节点在一固定时间段内的电压跌落问题对整个 PCC节点造成的经济损失进行评估。 针对电压跌落这一重要的电能质量指标，分析影响电压跌落造成的经济损失（包括直接经济损失和间接经济损失，例如节点用户由于电压跌落造成的生产中断属于直接经济损失，由于电压跌落造成的供电部门的信誉下降属于间接损失）的n个因素，得到初步确定的描述PCC节点（含负荷）及电压跌落特征向量 T=｛ti｜i=1，2，3，…，n｝。 这些特征分量对经济损失的影响有大有小，可通过不同的权重wi来体现。 利用模糊数学中的隶属度函数来反映不同的PCC节点(含负荷)及电压跌落特征上的差异性，本文采用前面提到的第一和第二种模糊神经元，对输入信息进行数量化描述，得到模糊神经网络的输入特征向量值，其特征分量ti取值在［0，1］之间，并采用第三种模糊神经元对输入值进行加权求和运算传递给输出层，输出层最后给出与电压跌落特征相对应的经济损失评估。 3.2经济损失评估模型 应用模糊神经网络进行经济性评估的核心思想就是通过训练样本建立一种映射关系。  式中：ti表示PCC（含负荷）节点及电压跌落特征分量；Y表示经济损失值。 应用模糊神经网络建立映射关系的途径有两种：直接法和间接法。文献［14］采用间接法，利用待估模型特征向量与样本模型特征向量的相似度来建立映射关系，相似度是通过两者特征向量的欧氏空间距离来表示，输出向量为待估模型与各个样本模型的相似度。这种方法优点是物理意义明确，缺点是不能够体现不同特征分量对经济损失影响的差异。鉴于电能质量经济性评估的特点，本文采用直接法，就是直接建立特征向量与经济损失值之间的映射关系。  本文采用包含一个隐含层的三层模糊神经网络如图1所示，上下层之间实现完全互连。网络中神经元为具有如下特点的模糊神经元：
1)多输入，单输出。输入信号可为任何模糊语言或实数，输出为精确信号。输入层为9个支持模糊语言输入的模糊神经元，其主要功能就是将语言输入信息数字化和求出确切数字输入信息对于分类的隶属度，如表1所示。输出层包含一个神经元，输出值为该输入特征对应经济损失的归一化值。表1中输出值列与前面各列值相对应。 2)隐含层包含12个神经元，内部状态是模糊输入、权值和阈值的函数，表示为  3)隐含层和输出层的兴奋函数采用Singmoid函数的扩展形式  其中：fk为经济损失的真实值；zk为经济损失的网络估计值。  4评估方法及实例
由于网络结构和负荷特性具有相对的稳定性，所以可以提取出影响PCC节点电压跌落造成经济损失的主要因素如下：PCC节点电压等级；平均发生电压跌落的频率（次/月）；电压跌落的平均幅值；每次跌落持续的平均时间；PCC节点容量；敏感负荷所占比重；敏感负荷对跌落幅值的平均敏感程度；敏感负荷对跌落持续时间的平均敏感程度和敏感负荷对于电压跌落的经济损失程度(表2)。    应用FBP训练算法，利用C++语言编程训练样本集，样本集包括25个样本（22 0kV及以下电压等级PCC节点，表2中列出部分样本），样本是根据每相指标与经济损失近似关系模拟出来的，比如当其余所有指标不变的情况下，经济损失分别与跌落次数、节点容量、敏感负荷份额、经济损失程度应该为线性关系，与跌落幅值、持续时间的关系应该遵循CBEMA曲线［15］，曲线的参数参照负荷对电压跌落的幅值敏感度和时间敏感度。经过38 760次迭代收敛，精度可以达到103，得到一组权值，见表4。利用训练所得网络权值对新的样本进行经济性评估，所得结果为输入特征对应经济损失的归一化值［0，1］，对应实际经济损失［0，650］万元，其中650万元为220kV重负荷PCC节点出现的最严重经济损失，网络评估结果与实际值比较令人满意，见表3。可见这种方法是有效的。
5结论
本文在分析了模糊神经网络用于经济性评估的原理和方法的基础上，针对PCC节点电压跌落引起经济损失的特点，建立了用于评估电压跌落造成经济损失的模糊神经网络。由算例可以看出，这种方法具有方便、快捷、准确的特点。当然，所得网络的权值还需要在实际应用中不断的修正，使之越来越接近客观实际规律。 针对不同的电能质量指标引起经济损失的特点，应用模糊神经网络方法，建立不同的模糊神经网络系统，就可以对于所有的电能质量指标所造成的经济损失进行评估。同样，这种方法也可以推广到电能质量其他类型的经济性评估，具有重要的实际意义和广阔的应用前景。 参考文献 ［1］Guido Carpinelli.Some considerations on probabilistic aspects and harmonic standards［A］.In:9th International Conference on Harrmonics and Quality of Power Vol.1［C］.Greece:2000.254-256 ［2］Lamedica R,Esposito G,Tironi E,et al.A Survey on Power Quality Cost in Industrial Customers［R］.Columbus USA:IEEE PES 2001 Winter Meeting,2001.938-943 ［3］Caramia P,Verde P.CostRelated Harmonic Limits［R］.Singapore:IEE E PES 2000 Winter Meeting,2000.2846-2851 ［4］林海雪.现代电能质量的基本问题［J］.电网技术，2001，25(10)：5-12 ［5］减宏志，胡玉华，俞晓冬.基于径向基函数的集成神经网络在变压器故障诊断中的应用［J］.电力系统及其自动化学报，2003，15(1)：51-53,77 ［6］韩富春，王娟娟.基于神经网络的电力系统状态估计［J］.电力系统及其自动化学报，2002，14(6)：49-51,59 ［7］姚向华，刘铭，赵磊.基于人工神经网络的电力线路损耗计算［J］.电力系统及其自动化学报，2001，13(5)：23-25，31 ［8］张潮海，周其节.机组优化组合的人工神经网络拉格朗日混合方法［J］.电力系统及其自动化学报，1995，7(2)：52-58 ［9］陶小虎，黄民翔.一种基于模糊规则和神经网络的负荷预测方法［J］.电力系统及其自动化学报，2000，12(5)：37-41,54 ［10］阿孜古丽，左孝陵.具有正态模糊参数的模糊神经网络学习机制［J］.云南大学学报（自然科学版），1997，19(s2):337-344 ［11］阿孜古丽，左孝陵.一种改进的模糊神经网络学习算法［J］.计算机应用与软件，2000，17(8)，21-31 ［12］Wang L X.Adaptive Fuzzy Systems and Control［M］.Englewood Cliffs ,NJ:Prentice Hall,1994 ［13］杨伟，倪黔东，吴军基.BP神经网络权值初始值与收敛性问题研究［J］.电力系统及其自动化学报，2002，14（1）：20-22 ［14］许宁.基于模糊神经网络的工程造价估计方法［J］.江汉石油学院学报，20 00，22(1)：87-88 ［15］Neumann E,Burke J.Status of distribution reliability and powe r quality in the United States［A］.In:Proc of Rural Electric Power Conference［ C］.Carolina,USA:2003.B3-1-10 |
|
·上一篇文章：汕头电网负荷特性分析与预测 ·下一篇文章：移动TD终端招标七厂商入围 测试半数未过 |
| 【打印此文】【关闭窗口】 |
