基于BP神经网络的配电网供电可靠性风险隐患动态评价模型研究

基于BP神经网络的配电网供电可靠性风险隐患动态评价模型研究
屈志坚 国网上海市电力公司
刘　菁 国网上海市电力公司
姚　嵘 国网上海市电力公司
孙　蕊 上海久隆企业管理咨询有限公司
史景超 上海久隆企业管理咨询有限公司
摘要：基于BP神经网络建立配电网供电可靠性风险隐患的动态评价模型，识别影响配电网安全运行的关键风险因素，量化评估风险发生概率及严重程度，确定风险等级，有助于在复杂环境下对重大风险隐患实施动态评价和预防预控，减少配电网故障发生，减轻故障影响，切实提高配电网供电可靠性水平。

关键词：配电网；供电可靠性；风险评价；神经网络
中图分类号：TM727 文献识别码：A 文章编号：1001-828X(2019)027-0341-02
为电力用户提供安全可靠的电力能
源是电网企业供电服务的第一要务。

准
确识别和评估影响配电网供电可靠性的
风险隐患是制定有针对的风险防控措施，
弱化和消除风险隐患，切实提高配电网
供电可靠性的重要手段。

配电网供电可
靠性与网架结构、运行方式、设备状态
以及运行环境等众多因素密切相关，其
可靠性水平与各个影响因素之间往往呈
现复杂且动态变化的非线性关系。

传统
的供电可靠性评估方法一般以相对稳定
的配电网结构为基础，对组成系统的设
备、元件的可靠性分析往往只考虑了时
间因素，对系统所处外部环境、用户设
备与用电行为等因素缺乏考虑。

随着屋
顶光伏、风力发电等新能源并网规模的扩大，微电网的加入，以及售电市场放开等措施的推出，无论配电网系统结构，组成系统的设施、设备和元件，还是系统所处环境因素，都在快速发展和变化。

传统的可靠性评估方法已经难以适应新形势下的应用需求，不足以支撑用户对提升供电可靠性的要求。

一、BP神经网络的原理与特点
人工神经网络是通过模仿生物神经网络的工作原理来求解非线性问题的一种经验模型。

人工神经网络的基本原理是根据输入的某一类专门问题的训练数据或信息建立神经元，通过对规则的学习或自组织等过程，建立相应的非线性数学模型，并且不断修正参数，使输出结果与实际结果的差距不断缩小，最终建立能够有效解决同类问题的模型。

BP神经网络是由Rumelhart等人于1985年提出的一种按误差反向传播(error Back Propagation，BP)算法训练的多层前馈的人工神经网络模型。

BP神经网络一般是三层或三层以上的层次结构网络，其相邻的两层之间各神经元为全连接，同一层神经元之间无连接。

除了输入层和输出层节点，BP神经网络还有一个或多个隐含层节点，由此构成输入和输出之间多输入-多输出的高度非线性映射关系。

BP神经网络的训练需要一组由输入样本和配对的理想输出组成的训练样本，其训练过程由正向传播和反向传播两部分构成。

在正向传播过程中，输入样本从输入层经隐含层逐层处理后，传向输出层；如果输出结果与理想输出存在显著差异，则转为反向传播，将误差信号按原路返回；通过对各层神经元权重的反复修正，使误差信号不断减小，当所有实际输出与理想输出一致时，训练结束。

经过充足训练建立的BP神经网络模型具有运算速度快、问题求解效率高、自学习能力强、容错能力强、适应面宽等优点，不仅可以模拟专家对输入输出信息间隐含的非线性关系进行量化估计，还可以避免评估过程中的人为失误。

近年来，BP神经网络在信用风险评估、电网故障诊断、风电功率预测、多指标综合评价等诸多领域得到了日益广泛的应用。

为此，本研究引入BP神经网络模型，对其在配电网供电可靠性风险隐患的动态评价中的应用进行探索。

二、配电网供电可靠性风险因素分析
配电网供电可靠性风险因素的识别与分析是开展风险隐患评价的基础。

通过对历史故障记录的梳理，这些因素可以归纳为：网架结构薄弱，单线单变问题突出，不满足N-1原则；配网结构不合理，环网率及可转供电率低，部分线路供电半径过大；设备残旧，防灾抗灾能力差；故障多发且复电时间长；综合停电管理深度不够；停电的过程管理精细化程度不够，等等。

经过进一步的数据统计分析，确定影响配电网供电可靠性的三大关键因素为设备老化、恶劣天气和外力破坏(图1)。

三、构建配电网可靠性风险隐患评价模型
以识别的关键因素为基础，引入BP神经网络，可以进一步构建配电网供电可靠性风险隐患的动态评价模型(图2)。

模型将风险评估过程中每个预想事故下产生的风险看作一个单独的个体，采用BP神经网络算法预测风险隐患的发生概率以及对配电网安全运行和可靠供电的影响程度，推测风险产生的原因集与后果集，综合考虑风险概率和严重程度，确定风险等级。

对重大风险隐患及时发出预警和警示，并制定相应的风险预防预控措施。

其中，故障率模型以设备参数、天气参数为输入(图3)，以故障率为输出，输入层的节点数为7，输出层的节点数为1。

为防止过度拟合，将数据分成三部分：training set(训练集)、validation set(验证集)、test set(测试集)。

其中，training set数据用于模型训练，确定模型参数；validation set用于模型选择，即做模型的最终优化和确定；test set则用于测试训练后的模型的推广能力。

严重程度模型沿用上述7个输入参数，经过3
个隐层函数变图1 配电网供电可靠性风险因素
　下接（第３８９页）
学生阅读的英文书籍，带领学生体会英文阅读的快乐，体会英美文学的浪漫与幽默。

英语实践活动是对线上线下混合式教学的补充和延伸，是检验学生学习成果最直接的途径。

三、结语
总之，基于网络环境下，高职线上线下混合式教学模式的构建
和实施，需要学校、英语教师、学生的携手合作。

学校要重视线上教学和学习平台的建设，提供充足的资金支持；英语教师要提升自身专业素养和信息化素养，学习信息化教学方式；学生要提升对英语课
的重视，积极参与线上线下英语教学，为日后就业打下坚实的基础。

参考文献：
[1]谭泉泉.简析网络环境下高职英语线上线下混合式教学实践[J].英语广场,2019(6):82-83.
[2]滕兆娜.高职院校大学英语“线上+线下”混合式教学的可行性研究[J].中国高新区,2017(24):76.
[3]郭爱萍.线上线下混合式教学模式方案的设计和实施——以高职英语读写课为例[J].文教资料,2018(12):224-225+236.
化，最终输出重要用户数量、故障损失负荷、停电时户数、平均抢修时间等4个风险指标的受影响程度。

四、配电网供电可靠性动态评价模型的训练与应用
在模型中代入某地区配电网故障历史数据，使其学习该地区配电网在不同设备和天气条件下发生故障的概率、影响范围和严重程度，并通过不断训练提高模型的准确性和稳定性。

经多次训练，模型误差达到e -3(图3)，输出值与目标值拟合效果R 接近于1(图4)，严重程度的预测准确率达到94.985%。

配电网供电可靠性风险隐患动态评价模型可以应用于风险隐患
的识别、防控和预测预警等多个方面；也可以应用于对风险等级较高的设施设备实施预防性检修，转变被动抢修为主动检修；还可以通过对风险隐患的监测和评价，促进营配业务协同优化，切实提高供电可靠性水平，提升企业整体运营效率。

五、结语
运用BP 神经网络构建配电网供电可靠性风险隐患动态评价模型，优点是其模型参数可以通过误差的反向传播自行不断修正。

随着时间的推移和数据的累积，误差不断收敛，模型准确性不断提高，有利于通过配电网内外部环境数据的实时监测与更新，对潜在风险隐患进行动态评价，及时制定风险防范措施，提升配电网风险管控能力，有效降低重大风险发生概率，保障配电网安全运行，为用户提供持续不断、稳定可靠的电力能源供应。

参考文献：
[1]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报,2004(1).[2]唐跃中,邵志奇,郭创新,曹一家,阮前途.数字化电网体系结构[J].电力自动化设备,2009(6).
[3]颜华敏,周华,王征,钱建春,史磊.配电网评估指标体系的建立及在配电网规划管理中的应用[J].华东电力,2012,40(5):851-853.
[4]高洁,翟海青.基于决策树和逐步回归的气温对负荷影响的定量分析法[J].上海电力,2008(4):382-387.
[5]张鹏飞,瞿海妮,肖其师,徐晓伟.基于气象因素和时间序列分析的配电网故障数量预测[J].陕西电力,2016,44(1):68-72.
[6]宋云亭,吴俊玲,彭冬,张东霞,梁才浩,邱野,陈志刚,吴琼,曹静.基于BP 神经网络的城网供电可靠性预测方法[J].电网技术,2008(20):56-59.
通讯作者简介：屈志坚(1988-)，男，陕西渭南人，硕士，工程师，国网上海市电力公司互联网部。

基金项目：本文得到国网上海市电力公司科技项目资助
(52090017001P)。

图3 训练误差曲线图4 拟合效果
上接（第３４１页）　
图2 配电网供电可靠性风险隐患动态评价模型。