前言：寻找写作灵感？中文期刊网用心挑选的神经网络对台区智能终端探究，希望能为您的阅读和创作带来灵感，欢迎大家阅读并分享。
摘要：台区智能终端、分支线路与用户之间的拓扑关系为1:n:1，该关系可以实现综合性的用电信息管理，但存在信息在传输过程中出现延迟、丢失的问题。为解决上述问题，从用电信息角度出发，分析如何利用改进神经网络对台区智能终端—分支线—用户的用电信息进行优化。
关键词：BP神经网络；台区智能终端；分支线；用户
0引言
为提高用电信息传输的准确性和效率，本文提出改进BP神经网络方法，通过设置阈值来简化台区智能终端、分支线路与用户之间1:n:1的拓扑关系。通过信息聚类分析来剔除非关键信息，提高信息传输与处理的效率[1]。
1用电信息概念化描述
1.1神经网络概念。BP神经网络的处理速度并不理想，为更好地进行台区智能终端—分支线—用户的用电信息分析，本文引入了K-means方法，对台区智能终端—分支线—用户的用电信息进行分类，如图1所示[2]。
1.2用电信息指标确定。台区智能终端—分支线—用户的用电信息主要有用电监控、阶梯定价、负荷管理、线损分析等任务，所以以此为用电信息指标，分别设置为x1（%）、x2（元）、x3（%）和x4（%）。确定用电信息指标以后，其数学描述为：式中：x軃j为xij反馈信息的平均值；sij为xij的方差，即反馈信息与实际信息的偏差；N为调查用户数。
1.3SVG图拓扑。由图1可知，①位置产生的定向电力载波信号，流经②③④⑤位置，②④⑤位置的拓扑识别模块会检测到定向电力载波信号，记录路径，从而识别出①—⑤的支路路径。遍历所有的拓扑识别模块，完成拓扑识别。本文设定线路的初步拓扑结构初始点①为St，并依据后期的分析，逐渐找到支线的最终拓扑结构k值，即①—⑤的支路路径，以此来分析此拓扑结构下的用电信息传输指标PE，得到SVG图。上述过程的数学描述为：St如下：式中：i为支线数；q（i）为支线i到用户的距离，即信息的传输信道；p（i）为i到相关用户的距离，即其他信道的干扰。台区智能终端—分支线—用户信息传输性能指标PE如下：式中：j为第j个台区智能终端对用户传输的权重，其和为1；Yij为分析的支线数；min（Yij）为样本i的聚类中心最小值，即最优的信道；PE为台区智能终端—分支线—用户信息传输性能指标，反映信息的准确情况。
2改进BP神经网络模型构建
将K-means聚类融入BP神经网络，能简化台区智能终端—分支线—用户1:n:1的复杂且非线性的映射关系。假设调查的用户信息为xi=（x1，…，xm）T，支线为Yi=（Y1，…，Yn）T，台区智能终端Oi=（o1，…，ol）T，信息传输的标准为Di=（d1，…，dl）T。其中，台区智能终端与用户之间的权重为wij（i=1，…，m；j=1，…，n），主控台设置的阈值为bij（i=1，…，m；j=1，…，n）；支线与用户之间的权重为wjk（j=1，…，n；k=1，…，l），设置的阈值为bjk（j=1，…，n；k=1，…，l），那么从台区智能终端向用户的信息传输公式为：其中，传输误差e是实际设置标准与传输信息值之间的差值，其计算公式为：其中，传输误差e是实际设置标准与传输信息值之间的差值，其计算公式为：e=12lk=1Σdk-fpj=1Σwjkfmi=1Σ（wijxi+bij）+bjkΣΣ）ΣΣΣΣ2台区智能终端—分支线—用户的信息传输属于多次循环过程，要经过反复迭代，才能最终形成传输方案，实现信息的安全与优化。
3台区智能终端—分支线—用户的用电信息验证
3.1样本分类。以A台区的1202个用户为例，验证BP神经网络对台区智能终端—分支线—用户的用电信息优化。将初始聚类数目增到7，以此计算不同K值下的支线拓扑结构，即轮廓系数St。聚类数目k=4时，St系数最大，说明该类的聚类效果最好，所以本文选择k=4作为初始聚类数目，计算性能指标PE，并对各个支线进行排序。
3.2信息准确性计算。分别将反馈信息的初始误差设置为0.1、0.01和0.001，并计算不同误差下的结果值，如表1所示。由表1可知，随着反馈信息误差的减少，原有方法的迭代次数为1032、3032和7000，而BP神经网络的迭代次数为72、157和423。在0.1、0.01和0.001的精度下，改进BP神经网络模型准确率由83.5%上升到99.5%，而原有方法的误差由83.5%上升到92.7%，说明改进BP神经网络可以大幅提高台区智能终端—分支线—用户的用电信息准确率。
4结语
改进BP神经网络模型通过对支线拓扑结构的初始设定，求得轮廓系数St，并对系数进行k等分，得到不同支线的信息传输性能（准确性、效率）PE。MATLAB分析结果显示：0.1、0.01和0.001误差条件下，神经网络均取得较好的结果，所以BP神经网络可以对台区智能终端—分支线—用户的用电信息进行比较准确、高效的信息反馈。
［参考文献］
[1]李笑竹，陈志军，樊小朝，等.基于ACS-SA文化基因算法的BP神经网络变压器故障诊断[J].高压电器，2018，54（2）：134-139.
[2]张明慧，金凤.基于GA优化BP神经网络变压器故障诊断的研究[J].煤矿机械，2012，33（8）：257-259.
作者:练梓焯 袁桦菁 覃家露 罗醒华 单位:广东电网有限责任公司云浮供电局