遺傳神經(jīng)網(wǎng)絡在輸電線路可靠性評估中的應用研究①

付海軍， 段其昌

(重慶大學自動化學院，重慶400044)

0 引言

輸電線路作為電力系統(tǒng)中的重要組成部分，由于長期暴露在外部環(huán)境中運行，受環(huán)境等諸多不確定性因素影響，一直以來缺少一種有效方法對輸電線路可靠性進行合理評價，之前的各種方法如貝葉斯方法在輸電線路可靠性評估中權重確定是由人為主觀確定的[1]，使得輸電線路可靠性評估具有主觀局限性．

爭對當前輸電線路各種評估方法存在的不足，文中提出的遺傳神經(jīng)網(wǎng)絡評估輸電線路可靠性的方法，克服了現(xiàn)有方法的主觀局限性，該方法既體現(xiàn)了主觀意向又反映了客觀信息，使評價結果更趨合理．使用BP網(wǎng)絡的非線性映射性、自學習性、強容錯性及自適應性，來對樣本進行處理[2]．BP網(wǎng)絡的閾值和初始權重用遺傳算法來進行優(yōu)化，這樣方可做到對權重進行比較大范圍的取值，非常好地解決了BP神經(jīng)網(wǎng)絡的易落入局部的最小值點和收斂速度比較慢等問題．二者結合，各取所長[3]．通過仿真研究得出，實際值與評價值的相差很小，遺傳神經(jīng)網(wǎng)絡的評價結果使人滿意．

1 輸電線路可靠性評估指標選取

文中將輸電線路的運行狀態(tài)分為三類:良好、注意、不良．評價標準依據(jù)國家電網(wǎng)公司于2006年頒布的《110(66)kV～500kV架空輸電線路評價標準(試行)》和南方電網(wǎng)公司于2004年頒布的《輸變電設備狀態(tài)評價標準》，該標準是通過與線路工程技術人員制定的．具體可參考文獻[1]．

本文在參考國家電網(wǎng)公司企業(yè)標準(Q/GDW173—2008)制定的輸電線路狀態(tài)評價導則及相關文獻的情況下，對影響輸電線路可靠性的各種因素進行綜合權衡后，對輸電線路評估模型進行簡化處理，簡化后輸電線路由桿塔、絕緣子、金具、導地線、基礎和接地裝置五個主要部件組成．各部分的基本的子事件如下所示:

①．桿塔(Y)有9個基本的子事件:Y1—桿塔的傾斜狀況(包含撓度等);Y2—鐵塔外表脫落、生銹情況;Y3—鐵塔主體變形狀況;Y4—鐵塔輔助材料的形變率情況;Y5—鐵塔螺栓的堅固狀況;Y6—混凝土電桿保護層的腐蝕及鋼筋外露狀況;Y7—普通的混凝土電桿有無裂紋狀況;Y8—拉線是否是完善的，拉線及拉線棒銹蝕后的直徑變化狀況;Y9—拉線的防盜狀況．

②．絕緣子(X)有6個基本的子事件:X1—絕緣子的表皮狀況;X2—爬電比距能否遵循污穢等級下的爬電比距數(shù)值要求狀況;X3—瓷質(zhì)絕緣子零值率及自爆率狀況;X4—合成絕緣子鬼裂、老化、破壞的狀況;X5—鎖緊銷狀況;X6—鋼腳扭曲松動的狀況．

③．金具(V)有5個基本的子事件:V1—金具有無銹蝕狀況;V2—金具磨損的狀況;V3—銷子有無短缺狀況;V4—金具有無松動狀況;V5—金具強度的狀況．

④．導地線(Z)有7個基本的子事件:Z1—輸電線有無路斷股的狀況;Z2—地線有無損傷銹蝕狀況;Z3—導地線弧垂的偏差狀況;Z4—導地線的相間弧垂偏差狀況;Z5—同相子的導線弧垂有無偏差狀況;Z6—導線連接器及地線連接器的狀況;Z7—導地線的強度試驗狀況．

⑤．基礎及接地裝置(U)有6個基本的子事件:U1—基礎的狀況;U2—地質(zhì)的狀況;U3—防護措施的狀況;U4—接地裝置的狀況;U5—接地裝置的敷設狀況;U6—接地電阻的狀況．

2 BP神經(jīng)網(wǎng)絡與遺傳算法

2．1 BP 神經(jīng)網(wǎng)絡

BP(Back Propagation)神經(jīng)網(wǎng)絡是由Rumelhart和McClelland在1986年提出來的，是一種多層前饋網(wǎng)絡，且是按誤差逆?zhèn)鞑ニ惴ㄓ柧毜腫4]，是現(xiàn)今為止應用最為流行的神經(jīng)網(wǎng)絡模型中的一種，它由輸入層、隱含層及輸出層組成，各層神經(jīng)元之間是由連接權重連接的．它的網(wǎng)絡結構如下圖圖1所示．

圖1 三層BP神經(jīng)網(wǎng)絡結構

輸入節(jié)點由輸電線路各個評價指標組成，共33個輸入節(jié)點;由于評價結果為計算輸電線路處于良好、不良、注意狀態(tài)的概率，所以輸出節(jié)點數(shù)為1;隱含層的節(jié)點數(shù)由公式(1)及多次的仿真實驗確定的，最終確定的隱含層節(jié)點數(shù)為11．

式中l(wèi)為隱含層節(jié)點數(shù)，m為輸入節(jié)點數(shù)，n為輸出節(jié)點數(shù)，c為[1，10]之間的常數(shù)．

BP算法的一次學習迭代過程可分為兩個過程，即信息流正向傳遞(信息由輸入層輸入，經(jīng)隱含層和輸出層的計算，再由輸出層得到處理之后的輸出值)和誤差的逆向修改(計算輸出值與期望值的誤差，假使該誤差超過了規(guī)定范圍，根據(jù)該誤差計算得到相應得神經(jīng)元的連接權值，修改各層神經(jīng)元的節(jié)點之間的連接權值)．

BP神經(jīng)網(wǎng)絡雖得到了人們的普遍應用，但也存在一些缺點，比如:首先BP神經(jīng)網(wǎng)絡算法的誤差函數(shù)是一種單點搜索、沿梯度方向下降的算法，全局的搜索能力差，容易落入局部的極小值．其次，BP神經(jīng)網(wǎng)絡對權值的學習有一定的隨機性，因為它的初始結構參數(shù)具有隨機性．最后，由于BP神經(jīng)網(wǎng)絡初始結構參數(shù)具有隨機性，還使得神經(jīng)網(wǎng)絡的收斂速度過慢，使網(wǎng)絡的訓練過久且不易收斂．

2．2 遺傳算法(GA)

遺傳算法(GA)是一種全局的隨機的尋優(yōu)的搜索算法，它求解復雜的問題的思路是模擬大自然生物界的自然選擇及自然的遺傳機制的進化過程得到的．它的編碼空間即為問題空間，進化的基礎是編碼群體，評價依據(jù)是適應度函數(shù)，用群體中個體的位串來模擬生物進化過程，從而完成選擇、交叉、變異等操作．通過無數(shù)次這樣的操作，從而完成個體的進化，最后得到問題的最佳解．算法的流程圖如下圖圖2所示．

圖2 遺傳算法流程圖

遺傳算法是一種群體的尋優(yōu)算法，可使搜索結果免于收斂到局部的最優(yōu)解，因為它的多點搜索性使它具有全局搜索性，從而可得到全局的最佳解．用遺傳算法改進的BP神經(jīng)網(wǎng)絡，能夠彌補BP網(wǎng)絡易于落入局部極小值及收斂速度慢等問題．

3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡

由于BP神經(jīng)網(wǎng)絡在訓練過程中，神經(jīng)元間的連接權值和閾值是隨機初始化的，對神經(jīng)網(wǎng)絡的訓練過程及結果影響顯著[3，4]．所有網(wǎng)絡連接權值及閾值用遺傳算法來優(yōu)化，優(yōu)化后的神經(jīng)網(wǎng)絡性能有顯著的提高．而且還擴大了網(wǎng)絡的搜索空間，BP算法易落入局部極小值的問題也得到了很好地解決，且神經(jīng)網(wǎng)絡的訓練次數(shù)也因為優(yōu)化了初始神經(jīng)網(wǎng)絡結構的參數(shù)而大大的減少，從而使神經(jīng)網(wǎng)絡的訓練次數(shù)得到明顯提升，訓練速度加快，使系統(tǒng)得結果更準確．

遺傳神經(jīng)網(wǎng)絡模型的原理，通過遺傳算法(GA)來優(yōu)化BP神經(jīng)網(wǎng)絡神經(jīng)元初始連接權值，最后由BP算法對網(wǎng)絡進行訓練．

遺傳算法(GA)優(yōu)化BP網(wǎng)絡神經(jīng)元之間的初始連接權值及閾值的主要步驟如下:

⑴．染色體的編碼:染色體編碼方式通常有浮點數(shù)編碼或二進制編碼．文中采用浮點數(shù)編碼的方式對初始種群的染色體進行編碼，把BP網(wǎng)絡的權值和閾值按照輸入層及隱含層、隱含層及輸出層間的神經(jīng)元的連接權值、輸入層及隱含層、隱含層和輸出層的閾值順序關聯(lián)起來，就組成了種群的一條染色體，該染色體即為一個實數(shù)數(shù)組．

⑵．適應度函數(shù)的選取:BP網(wǎng)絡的性能評估標準:即實際輸出值與期望的輸出值之間的誤差平方和愈小愈好，也即實際輸出值與期望的輸出值之間的誤差平方和的倒數(shù)愈大愈好．遺傳算法評價染色體生存能力的標準是適應度函數(shù)值，染色體被選中進行遺傳操作幾率大小由適應度函數(shù)值決定的，適應的函數(shù)值越大進行遺傳操作的機會越大．文中把實際輸出值與期望的輸出值之間的誤差平方和的倒數(shù)作為適應度函數(shù)，如下所示的:

式中f(x)為BP網(wǎng)絡均方的誤差函數(shù)．

4 評估的具體方法與步驟

評價方法:用遺傳神經(jīng)網(wǎng)絡對輸電線路的可靠性進行評估，即把評價標準作為學習的樣本對網(wǎng)絡進行訓練，待網(wǎng)絡的訓練收斂到我們可以接受的誤差范圍內(nèi)時，再把待評價的數(shù)據(jù)輸入網(wǎng)絡，這樣就可以得到評價的具體結果了．

評估的具體步驟為:

①搭建評價網(wǎng)絡的模型;

②數(shù)據(jù)的預處理:歸一化處理待訓練樣本S;

③用遺傳算法(GA)優(yōu)化網(wǎng)絡的權值和閾值;

④錄入歸一化處理后訓練樣本S和目標輸出O，訓練網(wǎng)絡模型．

⑤將歸一化處理后的待評價樣本輸入到神經(jīng)網(wǎng)絡后，這樣就可以進行評價了．

圖3 GA—BP的訓練誤差曲線

圖4 GA—BP的訓練誤差曲線

5 實例分析

本文用的樣本數(shù)據(jù)及測試數(shù)據(jù)來自2000～2005年呂梁地區(qū)110kV龍胡線．

5．1 網(wǎng)絡模型的建立

⑴網(wǎng)絡結構的確定

①網(wǎng)絡層次的確定:考慮到神經(jīng)網(wǎng)絡價樣本的實際情形，文中采用三層神經(jīng)網(wǎng)絡．

②輸入節(jié)點數(shù)的確定:由于系統(tǒng)中有33個評價因子，一個評價因子對應一個輸入節(jié)點，故輸入節(jié)點數(shù)為33個．

③輸出節(jié)點的個數(shù):因為評價結果為計算輸電線路處于注意、不良、良好狀態(tài)的概率，故輸出節(jié)點數(shù)為1．

⑵訓練參數(shù)的設置

①遺傳算法參數(shù)的設置:種群數(shù)為50，遺傳的最多代數(shù)為100，初始化種群的權重空間為[0，1]，選擇的概率取0．08，交叉的概率取0．1，變異的概率取 0．05．

②選取激勵函數(shù):隱含層和輸出層激勵函數(shù)選用S型函數(shù)，如下所示:

③確定學習步長:我們?nèi)W習步長為0．4．

④總誤差的確定:依據(jù)樣本實際情況，總誤差取為E=0．00001．

5．2 數(shù)據(jù)預處理

由于采用S型的函數(shù)作為隱含層和輸出層的激勵函數(shù)，而S型函數(shù)輸出值的取值范圍為(0，1);故為了加速網(wǎng)絡訓練的速度，使網(wǎng)絡可以成功的收斂到理想的誤差范圍之內(nèi)，我們有必要歸一化處理學習樣本和待測樣本．文中歸一化處理按下面公式進行．

式中，P(xik)為第i類第k個基本子事件發(fā)生的概率，xik為第i類第k個基本子事件處于某種狀態(tài)的個數(shù)，Mi為第i類基本子事件的總數(shù)．

龍胡線位于呂梁地區(qū)，電壓等級為110kV，全線長為16．1665km，有桿塔80根，其中鐵塔為2根，混凝土桿塔為78根，其中有22桿塔有拉線裝置，絕緣子有2183個，其中瓷質(zhì)的絕緣子有2175個，合成的絕緣子有8個，金具共有2194個，導地線共有79檔，其中導線的總數(shù)為237，地線的總數(shù)為158，導線的連接器為54，地線的連接器數(shù)為15，基礎與接地裝置數(shù)都為80．

表1為部分事件處理前的部分數(shù)據(jù)，表2為對應于表1處理之后的數(shù)據(jù)．

5．3 訓練網(wǎng)絡

將歸一化后的評價標準作為學習樣本，通過對網(wǎng)絡的訓練．我們得知當訓練的次數(shù)為8392次時，此時網(wǎng)絡收斂，訓練樣本的結果如下表3:

表1 處理前的部分數(shù)據(jù)

表2 對應于表1的處理后的數(shù)據(jù)

表3 訓練樣本結果

測試樣本如表4所示:

按以上設置，BP網(wǎng)絡訓練的誤差曲線如圖3所示．

遺傳神經(jīng)網(wǎng)絡訓練的誤差曲線如圖4所示．從圖中可知BP網(wǎng)絡訓練12306次時網(wǎng)絡收斂，而遺傳神經(jīng)網(wǎng)絡訓練8392次時網(wǎng)絡收斂，可知遺傳神經(jīng)網(wǎng)絡加快了網(wǎng)絡的收斂速度以及易陷入局部最小值點的問題．

表4 為測試樣本的結果

6 結束語

本著既能高效運行又能客觀準確的評估對象，使評價結果更合理、可信，文中首次將遺傳神經(jīng)網(wǎng)絡用于對輸電線路的可靠性進行評估．BP網(wǎng)絡的權重與閾值用遺傳算法來進行優(yōu)化，使得優(yōu)化后的網(wǎng)絡具有收斂速度快的能力，全局尋優(yōu)的能力與評價結果準確、客觀的能力等等．通過對大量測試數(shù)據(jù)的驗證分析，結果表明文中提出的網(wǎng)絡模型非常適用于輸電線路的可靠性評價，為當今各輸電線路的可靠性評估提供了新思路，具有一定的理論和現(xiàn)實意義．

[1] 董邦洲．基于貝葉斯網(wǎng)絡的架空輸電線路運行狀態(tài)評估及隱形故障診斷[D]．山西，太原理工大學，2007．

[2] Nicolas Garia － Pedrajas，Domingo Ortiz － Boyer，Csear Hervas－Martinez．An Alternative Approach for Neural Network Evolution with a Genetic Algorithm:Crossover by Combinato－ rial Optimization[J]．Neural Network，2006，19(4):514 － 528．

[3] 欒慶林，盧輝斌．改進遺傳算法在神經(jīng)網(wǎng)絡權值優(yōu)化中的應用研究[J]．遙測遙控，2008(1):51－54．

[4] 崔偉．基于遺傳神經(jīng)網(wǎng)絡的個人信用評估模型的研究．計算機工程與設計2009，30(18)．

[5] E．Chiodo，GMazzanti，Bayesian Reliability Estimation Based on a Weibull Stress－Strength Model for Aged Power System Components Subjected to Voltage Surges，IEEE Transactions on Dielectrics and Electrical Insulation，2006，13(1)，146 －159．

[6] 高賢維，劉三民，王杰文．基于遺傳算法和神經(jīng)網(wǎng)絡的特征提取[J]．計算機與現(xiàn)代化，2008(4):23．26．

[7] Yang Yu － mei，Ma Zhi－ qiang，F(xiàn)ang Ruo－ sen．Design and Realization of Genetic － neural Network Based on MATLAB[J]．Information Technology，2008(06):73 －80．

[8] 應偉國．架空送電線路狀態(tài)檢修實用技術[M]．北京:中國電力出版社，2004．

[9] 2006電力可靠性指標發(fā)布及影響因素分析[J]．電力市場，2006，7(6)．

[10] 楊秋生．架空輸電線路運行可靠性分析與探討[J]．山西電力，2004，(6):30 －32．