(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111645451.7 (22)申请日 2021.12.2 9 (71)申请人 北京四方继保工程 技术有限公司 地址 100085 北京市海淀区上地四街9号 (四方大厦6层) 申请人 北京四方继保自动化股份有限公司 (72)发明人 彭世宽　陈旭　秦红霞　余锐　 李劲君　张华年　 (74)专利代理 机构 北京智绘未来专利代理事务 所(普通合伙) 11689 代理人 肖继军　魏辛欣 (51)Int.Cl. H02J 3/16(2006.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) (54)发明名称 基于BP神经网络的无功和电压控制充裕性 评估方法 (57)摘要 本申请公开了基于BP神经网络的无功和电 压控制充裕性评估方法， 包括： 建立电压无功控 制充裕性评估指标体系； 获取评估指标数据； 采 用BP神经网络构建并训练得到无功和电压控制 充裕性评估模 型； 获取实际运行时的评估指标数 据并进行预处理； 将预处理后的数据输入所述评 估模型， 得到无功和电压控制充裕性评估结果。 本发明将BP神经网络应用到了无功和电压控制 评价系统中， 并且将设备性能和设备安全性因素 考虑了进来。 在以后实际运行过程中， 将实际运 行数据输入到基于BP神经网络的无功和电压控 制充裕性评估模型中即可快速得到无功和电压 控制充裕性评分， 大大提高了时效性和准确性， 保障了电网运行的稳定性和安全性。 权利要求书3页 说明书8页 附图4页 CN 114400674 A 2022.04.26 CN 114400674 A 1.基于BP神经网络的无功和电压控制充裕性评估方法， 其特 征在于： 所述方法包括以下步骤： 步骤1： 建立电压无功控制充裕性评估指标体系， 包括无功补偿设备性能、 设备安全性、 超调量、 偏差值以及响应时间； 步骤2： 按照步骤1的评估指标体系获取评估指标 数据； 步骤3： 基于步骤2的数据， 采用BP神经网络和AHP分析法， 构建并训练得到无功和电压 控制充裕性评估 模型； 步骤4： 获取实际运行时的评估指标 数据并进行 预处理； 步骤5： 将步骤4预处理后的数据输入所述评估模型， 得到无功和电压控制充裕性评估 结果。 2.根据权利要求1所述的基于BP神经网络的无功和电压控制充裕性评估方法， 其特征 在于： 步骤3中， 利用AHP 分析法计算设备性能、 设备安全性和响应时间的权重系数， 以设备性 能、 设备安全性和响应时间与其对应权重系数的乘积、 超调量以及偏 差值作为输入， 以无功 和电压控制充裕性百分制评估分数作为输出， 以自定义误差以及训练次数上限作为约束 条 件， 利用BP神经网络对输入和输出数据进行离线训练， 通过不断训练神经网络中的权重系 数得到基于BP神经网络的无功和电压控制充裕性评估 模型。 3.根据权利要求1所述的基于BP神经网络的无功和电压控制充裕性评估方法， 其特征 在于： 步骤3具体包括以下步骤： 步骤3.1： 输入步骤2得到的评估指标数据， 包括无功补偿设备性能、 设备安全性、 超调 量、 偏差值以及响应时间； 步骤3.2： 初始化BP神经网络中的权值和偏置量； 步骤3.3： 对评估指标进行主观类指标和客观类指标分类； 步骤3.4： 采用AHP分析法计算各项 主观类指标的权 重系数； 步骤3.5： 以各项主观类指标与其对应权重系数的乘积、 各项客观类指标数据作为输 入， 以无功和电压控制充裕性百分制评估分数作为输出， 利用BP神经网络对输入输出数据 进行训练， 得到隐含层的最佳权值和偏置项； 步骤3.6： 判断训练次数是否达到1000次并且每次训练输出的评分与理论评分的误差 均小于理论评 分的1％， 若 是， 则此时的主观和客观的各项指标权重系数以及隐含层的权值 和偏置项为一组最佳参数， 将拥有最佳参数的BP神经网络作为无功和电压控制充裕性评估 模型， 否则返回步骤3.1更改输入重新训练。 4.根据权利要求3所述的基于BP神经网络的无功和电压控制充裕性评估方法， 其特征 在于： 步骤3.3中， 主观类指标包括无功补偿设备性能、 设备安全性和响应时间； 客观类指标包括超调量和偏差值。 5.根据权利要求4所述的基于BP神经网络的无功和电压控制充裕性评估方法， 其特征 在于： 步骤3.4具体包括以下步骤：权　利　要　求　书 1/3 页 2 CN 114400674 A 2步骤3.4.1： 分析主观类指标的影响因素， 构造层次分析 结构； 步骤3.4.2： 采用一 致矩阵法构造基于影响因素的判断矩阵； 步骤3.4.3： 对步骤3.4.2的矩阵进行一 致性检验； 步骤3.4.4： 计算各项 主观类指标的权 重系数。 6.根据权利要求5所述的基于BP神经网络的无功和电压控制充裕性评估方法， 其特征 在于： 步骤3.4.1中构造的层次分析结构中， 无功补偿设备性能影响因素包括： 抗干扰性能、 滤波性能； 设备安全性影响因素包括： 绝 缘性能； 装置响应时间影响因素包括： 软件因素、 硬件因素。 7.根据权利要求5所述的基于BP神经网络的无功和电压控制充裕性评估方法， 其特征 在于： 步骤3.4.4中， 基于判断矩阵， 计算得到各项主观类指标在各影响因素方面的权重 并取 平均值作为各项 主观类指标的权 重系数。 8.根据权利要求3所述的基于BP神经网络的无功和电压控制充裕性评估方法， 其特征 在于： 步骤3.5中， 训练过程包括： 步骤3.5.1： 激活前向传播， 得到各层输出和损失函数的期望值； 步骤3.5.2： 根据损失函数， 计算输出 单元的误差项和隐藏单 元的误差项； 步骤3.5.3： 更新神经网路中的权值和偏置项； 步骤3.5.4： 重复步骤3.5.1 ‑步骤3.5.3， 直到损失函数小于设定的阈值10‑3或迭代次数 大于1000次时， 结束本次训练， 输出 此时的参数即为目前最佳参数， 进入步骤3.6 。 9.根据权利要求6所述的基于BP神经网络的无功和电压控制充裕性评估方法， 其特征 在于： 步骤3.5.1中， 若数据为 n维数据， 共有m组数据， 则损失函数为： 其中， θ 为 参数集合， 包括权值和偏置项； yi表示第i维数据的实际情况 下的输出值， 表示理论预测结果； 步骤3.5.2中， 第k层输出单元的误差项， 即计算损失函数关于输出单元的梯度值或偏 导数， 根据链式法则有： 第k层隐藏单元的误差项， 即计算损失函数关于隐藏单元的梯度值或偏导数， 根据链式 法则有：权　利　要　求　书 2/3 页 3 CN 114400674 A 3