神经网络在配电网络可靠性分析中的可行性分析

总第３０７期　电力技术探讨　

ＤＯＩ编码：１０．３９６９／ｊ．ｉｓｓｎ．１００７—００７９．２０１４．１２．１１２　

神经网络在配电网络可靠性分析中的可行性分析　

王鑫张　黄文文杨震宇　

摘要：在常规的配电网络可靠性分析中，需要对网络的结构进行详细的分析并计算，结果精确但耗时多。神经网络具有计算速度快　

的特性。能为复杂问题提供一个相对简单的解决方案。为了在配电网络可靠性分析中迅速得出准确的结果，使用神经网络方法对配电网　

络做出模型，针对可靠性指标对模型进行训练、仿真，将得出的结果和准确结果进行比较，判断使用神经网络方法在配电网络可靠性方　

面的可行性。结果表明，引入神经网络方法在保证准确度的基础上有效地提高了可靠性计算的速度。　

关键词：配电网络；可靠性指标；ＭＡＴＬＡＢ；神经网络　

作者简介：王鑫（１９９０－），男，山西汾阳人，山西省电力公司吕梁供电公司。（山西吕梁０３３０００）张宁（１９７０一），女，新疆哈密人，　

西北农林科技大学水利与建筑工程学院电气工程系，讲师。（陕西杨凌７１２１００）　

基金项目：本文系西北农林科技大学教学研究项目（项目编号：１Ｙｌ１０２０５７）、西北农林科技大学优质课程建设项目的研究成果。　

中图分类号：ＴＭ７２６　文献标识码：Ａ　文章编号：１００７—００７９（２０１４）１２－０２３３—０２　

在电网中，配电网络直接与用户相连，用户能否使用高质　

量、高可靠性的电能与配电网络具有最直接的关系。因此，研究　配电网络的可靠性具有非常重要的意义。由于在对配电网络进　

行常规的分析时，需要对网络的结构、参数等众多复杂的因素　加以考虑，使得对网络的分析和计算变得非常复杂，需要花费大　

量时间，其分析步骤如图１所示。『ｊ叫而神经网络方法具有快速准　

确的特点，所以本文采用神经网络方法来对配电网络可靠性进　

行分析，判断其可行性。　

Ｉ件故障情况Ｉ　

／／　妻／　网蔫蛊耋结　誓　ｆ　－ｑ建立方程组　墨喜　蠢亲ｆｕ－ｑ　囊翟籍　Ｊ数确定—１　构确定广　件动作情况　……广１点停电指标　可靠性指标Ｉ　

图１常规方法计算步骤图　

一、配电网络的分析　在进行配电网络可靠性计算时需要使用可靠性指标。常用　

的可靠性指标有：系统平均停电频率指标ＳＡＩＦＩ、用户平均停电　

频率指标ＣＡＩＦＩ、平均供电可用率指标ＡＳＡＩ等。其中，ＡＳＡＩ指标　可以衡量该系统的可靠性综合强度，取值范围为０～１，数值越　

大，可靠性越高，用户电能可用率就越高，它与平均供电不可用　

率指标ＡＳＵＩ互补（和为１）。具体公式如下所示：　

ＡｓＡＩ：　：望堡皇　堕墼　：１一　：望堡皇　堕　：１一ＡｓｕＩ　用户要求供电总小时数　用户要求供电总小时数　

１０ｋＶｉ￣ｅ电网络接线方式中，一般采用单回路放射性接线方　

式。这种方式的优点是花费少，维修简单。现就利用该接线方式　对配电网络进行分析，接线如图２所示。［１　

图２放射性配电网络接线图　

由图２所示，在正常工作时整个配电网络由主母线ＭＳ单电　

源供电，假设配电网络中母线和配电干线的断路器完全可靠，全　

部隔离开关常闭，负荷点１、２由装有熔断器Ｆｕ的分支线供电。当　系统发生故障时，通过断路器、隔离开关和熔断器断开故障部　

分。当负荷点１（或２）所在分支线故障时，ＦＵ１（或ＦＵ２）断开，配　

电网络其他部分正常工作。当供电干线Ｑｓ１一Ｑｓ２段故障时，负荷　

点１、２均停电。其故障时的停电时间由操作隔离开关、断路器、　和线路修复时间决定。…　

二、神经网络　

神经网络具有通过对历史数据的学习来逼近任意线性映射　

的能力，不需要通过建立传统网络模型来进行计算，而且程序　

不需要针对特定网络专门编写，快速准确。此外，相比传统的建　

模计算方法，神经网络不需要花费大量时间来确定研究对象的　

参数、内部结构和元件的动作情况，相对节省时间。　

神经网络的应用范围非常广泛，可以用来完成信号的处理、　

识别，构成专家系统、对系统作出预测、线性拟合、非线性拟合　

等等。其中，线性神经网络通过一个线性的传输函数可以输出　任意数量的值，并且拥有很高的收敛精度和速度，但是它的运算　

规则决定了它只能解决线性可分的问题。ｌ　４ｌ　】　

在本次分析中，使用神经网络对配电网络的可靠性进行计　

算，步骤如图３所示。　

三、案例分析　图３神经网络计算的步骤图　

Ｑｓ’一Ｑｓ１——供电干线２ｋｉｎ段　ａ、ｂ、ｃ——负荷点　ＱＳ１－ＱＳ２——供电干线３ｋｉｎ段　ＦＵ１、ＦＵ２、ＦＵ３——熔断器　ＱＳ２－ＱＳ３——供电干线ｌｋｍ段　ＡＳ——备用电源　图４宿舍楼区配电网络　

２３３　回吨力投窀　２０１４年第１２期　

以陕西杨凌某一宿舍楼区的一段配电网络为例，如图４所示。　

本网络中，供电干线的故障率为０．１次／（ｋｍ・年），修复时间　

为３ｈ。分支线的故障率为０．２５次，（ｋｍ・年），修复时间为ｌｈ。隔　

离开关的操作时间为０．５ｈ。负荷点ａ、ｂ、ｃ所连接的用户数分别为　

２５０户、ｌＯＯ户、５０户，对应负荷分别为ｌＯ００ｋＷ、４００ｋＷ、ｌＯＯｋＷ。　

假设该配电网络某一年的元件故障次数为矩阵Ｇ，负荷点　

的停电次数和停电时间为矩阵Ｑ：　

Ｇｌ　６＝（ｘ２，Ｘ３，Ｘｌ，Ｙｌ　Ｙ３，Ｙ２）　Ｑ。　＝（九，　，　，　，　，　）　

式中：Ｘ　（ｉ＝ｌ，２，３）为供电干线ｉ千米段发生故障的次数；Ｙ；　

（ｉ＝ｌ，２，３）为分支线ｉ千米段发生故障的次数；　、九、　为负荷　点ａ、ｂ、ｃ的等效停电次数；　、　、　负荷点ａ、ｂ、ｃ的等效停电　

时间；元素的排列方式是出于对供电干线和分支线离主电源的　距离考虑，便于之后计算。ｌ６　

１．常规方法　分析图４可以得出该配电网络的一个很重要的特点：　

每个负荷点的等效停电次数和等效停电时间均和三支干　

线、三支分支线的故障发生次数呈线性关系，即：　Ｑ＝＿厂（Ｇ）　

其中，伪一个线性函数，Ｑ与Ｇ中任何一个变量均为线性关　

系。在常规计算中，需要通过参数Ｇ中的各个Ｘ、ｙ来求得Ｑ中各　

个负荷点的　、　。　

由图４可得，负荷点的等效停电次数和等效停电时间可用下　面的方程组表示：　

Ｘ２＋ｘ３＋Ｘ１＋Ｙｌ　

Ｘ２＋　＋　＋Ｙ３　＝ｘ２＋　＋　＋．ｙ２　

＝３　＋Ｏ．５ｘ３＋０．５ｘｌ＋　

ｂ＝Ｘ２＋３ｘ３＋０．５ｘ１＋　２　＝ｘ２＋ｘ３＋３ｘｌ＋Ｙ３　

使用矩阵，可以表示为：　

Ｑ＝Ｇ・［Ｄ　Ｔ】　其中，Ｄ为有效距离矩阵，表示各个干线、分支线故障时对　

各个负荷点是否造成影响，有影响设为１，没有影响设为０。一般　

地，对于放射性配电网络来说分支线的故障是互不影响的。所　以可以用一个的全１矩阵和一个的单位矩阵来表示：　

。　。　－［　１　１　１　１　１　１　

１　Ｏ　０　１　

０　Ｏ　

Ｔ为修复时间矩阵，表示各供电干线、分支线故障时负荷点　

恢复供电所需要的时间：　

２３４　Ｔ　［Ｔａ　Ｔｈ　Ｔｃ】＝　３　１　０．５　３　

０．５　Ｏ．５　１　０　

０　ｌ　０　Ｏ　

将上述算法利用ＭＡＴＬＡＢ编写程序１，程序编写规则不进行　描述，得到结果：　

Ｑ＝［０．８５　１．３５　１．１０　１．０５　１．９０　１．３　０］　由此计算出各个指标，结果见表１所示：　

表１常规方法计算结果表　指标ｆ　ＡｃＩ　ｌ　ＣＩＤ　ｌＳＡＩＦＩｌＳＡＩＤＩＩＣＡＩＦＩｌＣＡＩＤＩｌ　ＡＳＡＩ　ｌ　ＡＳＵＩ　ｌＥＮＳｌＡＳＣＩ　结果Ｊ４０２．５ｌ　５１７．５ｌ　１．００６Ｉ　１．２９４　ｌ　１．００６　Ｉ　１．２８６　ｌＯ．９９９８５２３ｌ０．０００１４７７ｌ　１９４０ｌ　４．８５　

２．神经网络方法　

使用神经网络来进行编程，需要使用到线性神经网络工具　箱中的几个函数，在本例中仅采用ｎｅｗｌｉｎｄ和ｓｉｒｅ函数，简单解释　

如下：　

１．ｎｅｗｌｉｎｄ——设计一个线性层　

格式为：ｎｅｔ＝ｎｅｗｌｉｎｄ（Ｐ，Ｔ）；Ｐ是一个Ｒ×Ｑ矩阵，包含Ｑ个　输入矩阵；Ｔ是一个Ｓ×Ｒ矩阵，包含Ｑ个期望输出。其中，Ｐ、Ｔ中　

的向量均按列存放。　

２．ｓｉｒｅ——对训练好的网络进行仿真　格式为：Ｙ＝ｓｉｒｅ（ｎｅｔ，Ｇ）；Ｇ是网络的输入，每一列是一个　

输入向量；Ｙ是网络对输入Ｇ的实际输出。　编写程序２，得出结果为：　

Ｑ＝［０．８５　１．３５　１．０９３５　１．０５　１．９０　１．２９３５］　由此计算各个指标，结果见表２所示：　

表２神经网络方法计算结果表　指标ｌ　ＡｃＩ　ｌ　ｃＩＤ　ＩｓＡＩＦＩｌｓＡＩＤＩｌｃＡＩＦＩＩｃＡＩＤＩｌ　ＡｓＡＩ　ｌ　ＡｓｕＩ　ｌＥＮｓｌＡＳＣＩ　结果ｌ４０２．１７ｌ５１７．１７ｌ１．００５４ｌ　１．２９３　Ｉ１．００５４ｌ　１．２８６　１０．９９９８５２４１　０．０００１４６０ｌ　１９３９Ｉ　４．８５　

３．两种方法的结果比较　常规算法得出的结果是精确的，以此作为基准，经过比较，　

得出结果如表３所示：　

表３两种方法的结果比较　指标　采用常规方法　采用神经网络　误差　０．２０　０．３０　０．１０　０．２５　０．２０　０．３０　０．１０　０．２５　输入Ｇ　０　］．７５　０．５Ｏ１　Ｄ．７５　０．５０１　Ｏ．８５　１．３５　１．１０　１．Ｏ５　０．８５　１．３５　１．０９３５　１．０５　输出Ｑ　０．００１４１％　．９０　１．３０］　．９０　１．２９３５］　ＡＣＩ　４０２．５　４０２．１７３９ｌ３Ｏ４３４７８２　０．０８１％　ＣＩＤ　５１７．５　５１７．１７３９ｌ３０４３４７８４　０．０６３％　ＳＡＩＦＩ　１．００６２５　１．Ｏ０５４３４７８２６０８６９６　０．０８１％　ＣＡＩＦＩ　１．００６２５　１．Ｏ０５４３４７８２６０８６９６　０．０８１％　ＳＡＩＤＩ　１．２９３７５　１．２９２９３４７８２６０８６９６　０．０６３％　ＣＡＩＤＩ　１．２８５７１４２８５７ｌ４２８６　１．２８５９４５９４５９４５９４６　０．０１８％　ＡＳＡ１　０．９９９８５２３１１６４３８３６　０．９９９８５２４０４７０５１８２　０．０００００９３％　ＡＳＵ１　０．０００１４７６８８３５６１６４　０．Ｏ０Ｏｌ４７５９５２９４８１８　０．０６３０１２％　ＥＮＳ　１９４０　１９３９．３４７８２６Ｏ８６９５７　０．０３３６％　ＡＳＣＩ　４－８５　４－８４８３６９５６５２ｌ７３９３　０．０３３６％　

在表３中，采用常规算法得出的结果是准确的，误差均以常　

规算法结果作为基准。其中输出０为矩阵，误差使用均方差表　

示，所有误差结果均由程序实现。由表３可以看出，使用神经网　

络方法得到的结果是非常精确的，而对于指标ＡＳＡＩ，误差率达　

到了－０．０００００９３％，接近于０，说明使用线性神经网络方法具有很　

高的精度。如果增加对神经网络训练的数据组数，将获得更加　

精确的结果。　

四、总结　使用线性神经网络方法分析放射性配电网络可靠性高，计　

算速度快。当历史数据越多时，训练出来的神经网络越接近原　

来的配电网络的实际情况。神经网络程序适用于所有的放射性　

网络，具有通用性。当使用的是复杂的配电网络，比如环形网络　

（下转第２４２页）