前言：尋找寫作靈感？中文期刊網用心挑選的神經網絡對臺區智能終端探究，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要：臺區智能終端、分支線路與用戶之間的拓撲關系為1:n:1，該關系可以實現綜合性的用電信息管理，但存在信息在傳輸過程中出現延遲、丟失的問題。為解決上述問題，從用電信息角度出發，分析如何利用改進神經網絡對臺區智能終端—分支線—用戶的用電信息進行優化。
關鍵詞：BP神經網絡；臺區智能終端；分支線；用戶
0引言
為提高用電信息傳輸的準確性和效率，本文提出改進BP神經網絡方法，通過設置閾值來簡化臺區智能終端、分支線路與用戶之間1:n:1的拓撲關系。通過信息聚類分析來剔除非關鍵信息，提高信息傳輸與處理的效率[1]。
1用電信息概念化描述
1.1神經網絡概念。BP神經網絡的處理速度并不理想，為更好地進行臺區智能終端—分支線—用戶的用電信息分析，本文引入了K-means方法，對臺區智能終端—分支線—用戶的用電信息進行分類，如圖1所示[2]。
1.2用電信息指標確定。臺區智能終端—分支線—用戶的用電信息主要有用電監控、階梯定價、負荷管理、線損分析等任務，所以以此為用電信息指標，分別設置為x1（%）、x2（元）、x3（%）和x4（%）。確定用電信息指標以后，其數學描述為：式中：x軃j為xij反饋信息的平均值；sij為xij的方差，即反饋信息與實際信息的偏差；N為調查用戶數。
1.3SVG圖拓撲。由圖1可知，①位置產生的定向電力載波信號，流經②③④⑤位置，②④⑤位置的拓撲識別模塊會檢測到定向電力載波信號，記錄路徑，從而識別出①—⑤的支路路徑。遍歷所有的拓撲識別模塊，完成拓撲識別。本文設定線路的初步拓撲結構初始點①為St，并依據后期的分析，逐漸找到支線的最終拓撲結構k值，即①—⑤的支路路徑，以此來分析此拓撲結構下的用電信息傳輸指標PE，得到SVG圖。上述過程的數學描述為：St如下：式中：i為支線數；q（i）為支線i到用戶的距離，即信息的傳輸信道；p（i）為i到相關用戶的距離，即其他信道的干擾。臺區智能終端—分支線—用戶信息傳輸性能指標PE如下：式中：j為第j個臺區智能終端對用戶傳輸的權重，其和為1；Yij為分析的支線數；min（Yij）為樣本i的聚類中心最小值，即最優的信道；PE為臺區智能終端—分支線—用戶信息傳輸性能指標，反映信息的準確情況。
2改進BP神經網絡模型構建
將K-means聚類融入BP神經網絡，能簡化臺區智能終端—分支線—用戶1:n:1的復雜且非線性的映射關系。假設調查的用戶信息為xi=（x1，…，xm）T，支線為Yi=（Y1，…，Yn）T，臺區智能終端Oi=（o1，…，ol）T，信息傳輸的標準為Di=（d1，…，dl）T。其中，臺區智能終端與用戶之間的權重為wij（i=1，…，m；j=1，…，n），主控臺設置的閾值為bij（i=1，…，m；j=1，…，n）；支線與用戶之間的權重為wjk（j=1，…，n；k=1，…，l），設置的閾值為bjk（j=1，…，n；k=1，…，l），那么從臺區智能終端向用戶的信息傳輸公式為：其中，傳輸誤差e是實際設置標準與傳輸信息值之間的差值，其計算公式為：其中，傳輸誤差e是實際設置標準與傳輸信息值之間的差值，其計算公式為：e=12lk=1Σdk-fpj=1Σwjkfmi=1Σ（wijxi+bij）+bjkΣΣ）ΣΣΣΣ2臺區智能終端—分支線—用戶的信息傳輸屬于多次循環過程，要經過反復迭代，才能最終形成傳輸方案，實現信息的安全與優化。
3臺區智能終端—分支線—用戶的用電信息驗證
3.1樣本分類。以A臺區的1202個用戶為例，驗證BP神經網絡對臺區智能終端—分支線—用戶的用電信息優化。將初始聚類數目增到7，以此計算不同K值下的支線拓撲結構，即輪廓系數St。聚類數目k=4時，St系數最大，說明該類的聚類效果最好，所以本文選擇k=4作為初始聚類數目，計算性能指標PE，并對各個支線進行排序。
3.2信息準確性計算。分別將反饋信息的初始誤差設置為0.1、0.01和0.001，并計算不同誤差下的結果值，如表1所示。由表1可知，隨著反饋信息誤差的減少，原有方法的迭代次數為1032、3032和7000，而BP神經網絡的迭代次數為72、157和423。在0.1、0.01和0.001的精度下，改進BP神經網絡模型準確率由83.5%上升到99.5%，而原有方法的誤差由83.5%上升到92.7%，說明改進BP神經網絡可以大幅提高臺區智能終端—分支線—用戶的用電信息準確率。
4結語
改進BP神經網絡模型通過對支線拓撲結構的初始設定，求得輪廓系數St，并對系數進行k等分，得到不同支線的信息傳輸性能（準確性、效率）PE。MATLAB分析結果顯示：0.1、0.01和0.001誤差條件下，神經網絡均取得較好的結果，所以BP神經網絡可以對臺區智能終端—分支線—用戶的用電信息進行比較準確、高效的信息反饋。
［參考文獻］
[1]李笑竹，陳志軍，樊小朝，等.基于ACS-SA文化基因算法的BP神經網絡變壓器故障診斷[J].高壓電器，2018，54（2）：134-139.
[2]張明慧，金鳳.基于GA優化BP神經網絡變壓器故障診斷的研究[J].煤礦機械，2012，33（8）：257-259.
作者:練梓焯 袁樺菁 覃家露 羅醒華 單位:廣東電網有限責任公司云浮供電局