（国网山东省电力公司滨州市沾化区供电公司山东滨州256800）
摘要：近些年来，电力事业保持快速的发展势头，城网的建设水平也有了大幅度的提升，城网供电可靠性预测也有了更多的技术保障，BP神经网络已经广泛地应用于城网供电可靠性预测中，突破了传统城网供电可靠性预测的局限和束缚，极大地提高了预测的质量和水平。本研究中，笔者根据当前城网供电可靠性预测的研究现状，对传统城网供电可靠性预测进行了阐述，在此基础上基于BP神经网络，对城网供电可靠性预防进行了详细地探讨，希望能够为今后相关内容的研究提供一定的参考依据。
关键词：BP神经网络；城网供电；可靠性预测；分析
0.引言
何谓城网供电可靠性？所谓城网供电可靠性指的是供电系统对用户连续供电的能力[1]。新时期以来，我国社会经济的发展飞快，社会生产和人们生活的用电量不断增加，再加上城市化进程的加快，城网供电的可靠性面临原来越严格的要求。如何提高城网供电的可靠性，保证社会生产和人们生活的用电需求，是供电企业必须面对，也必须解决的一道难题。将BP神经网络应用于城市供电可靠性预测的研究中，大量的实践证明能够提升预测的准确性，从而为供电企业及时提供更多可靠的信息，以此作出相应的判断，采取积极有效的应对手段。
1.传统城网供电可靠性预测基本阐述
从电力事业的发展现状来看，城网供电可靠性预测研究已经到了新的阶段，基于BP神经网络的城市供电可靠性预测已经得到了业内的广泛认可。但是传统的城网供电可靠性评估是电力事业发展过程中不能忽视的一部分。传统的供电可靠性评估方法是以准确的配电网结构和多年的元件可靠性历史数据为基础的，尽管这种模式能够为城网供电的可靠性提供更加充足的判定依据，但是随着城网配电网络的复杂程度不断提升，并且对配电网远期供电可靠性的要求越来越高，传统的供电可靠性评估方法已经无法再满足实际工作的要求，因而必须要有更为先进和科学的城网供电可靠性评估方法应用在城网供电可靠性的评估中。
2.基于BP神经网络的城网供电可靠性预测方法
2.1考虑相关影响因素的可靠性预测新方法
2.1.1概述
考虑相关影响因素的可靠性预测基本思想是找出影响可靠性指标的几个主要因素，例如最大负荷、用户数、架空主干线平均长度、线上平均分段开关台数等，将这些因素作为自变量，可靠性指标变化作为因变量，得出回归分析法的数学模型[2]。此模型可以是线性或非线性的，可以是一元（只有一个自变量）或多元的（有多个自变量）。回归系数则由历史数据求出。根据这些因素的未来数值即可推算出未来的可靠性指标。这种预测方法的精度很大程度上取决于相关因素的估计精度。
人工神经网络是人工智能技术的一种，ANN具有大规模分布式并行处理、非线性、自组织、自学习、联想记忆等优良特性，因此可以作为一种预测的先进手段。同时ANN还可以与模糊集合理论相结合构成模糊神经网络，可以对可靠性预测中出现的模糊信息加以处理。神经网络方法已经广泛应用于电力系统的负荷预测领域，特别是短期负荷预测。
基于ANN相关影响因素的可靠性预测方法具体步骤如下：（1）确定影响供电可靠性指标大小的主要因素（自变量）（2）建立非线性映射关系模型；（3）对ANN进行训练；（4）利用训练好的ANN对未来年的可靠性（因变量）进行预测[3]。
2.1.2研究中采用的ANN结构和算法
采用多层感知器模型和BP（Back-Propagation）学习算法来进行供电可靠率预测。多层感知器是一种典型的前馈神经网络，一般由输入层、隐层和输出层组成，如图1所示。
BP神经网络具有良好的捕捉非线性规律的特性，当隐层的神经元足够多时，3层感知器模型可以实现任何非线性函数的逼近，即3层的BP网络可以完成任意的I维（输入层）到K维（输出层）的映射。由于神经网络结构对训练的效率和神经网络的推广能力至关重要，因此应慎重选择网络的输入矢量、隐层数及各隐层的神经元个数。在这里我们选择3层BP神经网络，由于输出是目标年供电可靠率指标，因此输出层神经元个数取为1，输入层神经元个数取决于输入的特征量数目。BP算法是训练人工神经网络的基本方法，其基本思想是最小二乘算法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。
图1典型3层感知器结构图
BP算法的学习训练过程由正向信号传输和反向误差传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值使误差信号最小[4]。
2.2基于ANN供电可靠性预测实例
采用VC++6.0编程实现了基BP神经网络并考虑相关影响因素的城网供电可靠性预测算法。以南方电网典型城市G市“十三五”供电可靠性预测为例，算法的具体步骤如下：（1）首先确定神经网络的结构。我们选择应用最为广泛的3层BP神经网络，包括输入矢量层、1个隐含层和输出层。其中输出层神经元个数取为1。（2）选择6个参数作为神经网络的输入特征矢量，分别是最大负荷、架空线平均长度、线上平均分段开关台数、线上平均联络开关台数、平均每条线路配变台数、平均每条线路配变容量。（3）建立基于BP神经网络的映射关系模型。（4）对输入特征矢量进行归一化。在对神经网络进行训练之前，需要对学习样本数据进行预处理，为了避免隐含层某神经元处于饱和状态，对所有的数据进行归一化处理。（5）将归一化后的G市供电可靠性数据作为网络的输入样本，对网络进行训练。（6）利用训练好的人工神经网络对G市供电可靠性进行预测。
3.结语
总而言之，基于BP神经网络的城网供电可靠性预测，是一种科学的、先进的城网供电可靠性预测方法，具有很好地收敛性，能够为城网供电可靠性目标规划奠定基础。对于城网供电企业而言，在对供电可靠性进行预测的时候，应当充分地结合BP神经网络，充分发挥BP神经网络的优势，对影响供电可靠性指标的相关因素进行灵敏度分析，以此获得供电可靠性指标较敏感的相关特征量，从而为供电企业制定可靠性的具体措施提供参考。
参考文献：
[1]宋云亭，吴俊玲，彭冬，等.基于BP神经网络的城网供电可靠性预测方法[J].电网技术，2014，32（20）：56-59.
[2]唐昊，唐伟，李航，等.基于BP神经网络的变压器故障诊断方法[J].北京电力高等专科学校学报：自然科学版，2012，29（12）：207-208.
[3]田洪迅，王宏刚，万涛，等.基于BP神经网络的配电网可靠性关联因素灵敏度计算方法[J].电力系统保护与控制，2017，45（19）：178-179.
[4]胡泽江，刘宗兵，束洪春.基于BP神经网络的设备故障率获取[J].云南水力发电，2013，24（1）：85-88.