基于神經(jīng)網(wǎng)絡(luò)算法的配電網(wǎng)設(shè)備狀態(tài)評價

廣東電網(wǎng)有限責(zé)任公司廣州供電局 黃錦增 段煉 魏艷霞 陳永淑 李茜瑩

溫度、環(huán)境等因素會影響到配電網(wǎng)線路，導(dǎo)致配電網(wǎng)計算精度降低。為保證配電網(wǎng)設(shè)備運行時狀態(tài)良好，本文提出了一種基于神經(jīng)網(wǎng)絡(luò)算法的配電網(wǎng)設(shè)備狀態(tài)評價方法，簡化網(wǎng)絡(luò)不確定部分，進(jìn)一步提高量測數(shù)據(jù)精度，并使用配電網(wǎng)自身特性生成有效計算方法，實現(xiàn)有效電力調(diào)度管理。

傳統(tǒng)定期檢修不僅會對供電連續(xù)性造成影響，還會發(fā)生因未及時檢修而突發(fā)故障停電的情況?；诖吮尘?，本文提出一種設(shè)備狀態(tài)研究方法，根據(jù)設(shè)備狀態(tài)評價結(jié)果安排檢修計劃，提升設(shè)備檢修合理性。電力系統(tǒng)的基礎(chǔ)為配電網(wǎng)，運行過程中的安全性與人民群眾息息相關(guān)。但是配電網(wǎng)結(jié)構(gòu)比較復(fù)雜，運行中存在大量不確定性因素。配電網(wǎng)設(shè)備合理安排檢修計劃能夠提高設(shè)備運行可靠性，隨著在線檢測技術(shù)的不斷發(fā)展，也使龐大配電網(wǎng)絡(luò)狀態(tài)評估成為可能。因此，本文就分析配電網(wǎng)設(shè)備狀態(tài)，促進(jìn)配電網(wǎng)的發(fā)展做出研究。

1 神經(jīng)網(wǎng)絡(luò)算法分析

系統(tǒng)中任意點在運行過程中都關(guān)系著系統(tǒng)其他點的運行狀態(tài)，利用配電網(wǎng)中的已知數(shù)據(jù)對狀態(tài)變量進(jìn)行估計。通過三層BP 網(wǎng)絡(luò)，將S 函數(shù)應(yīng)用到隱含層中，將線性函數(shù)應(yīng)用到輸出層中。以隨機(jī)誤差和潮流計算結(jié)果實現(xiàn)模擬輸入，所選擇的樣本要充分考慮系統(tǒng)的實際運行狀態(tài)，以基準(zhǔn)、高峰、低谷等不同負(fù)荷狀態(tài)提出解決方案，實現(xiàn)神經(jīng)網(wǎng)絡(luò)的創(chuàng)建[1]。

2 配電網(wǎng)設(shè)備運行狀態(tài)的指標(biāo)體系

通過層次分析法（AHP）創(chuàng)建配電網(wǎng)設(shè)備的運行狀態(tài)指標(biāo)體系，在各層次結(jié)構(gòu)中分解決策目標(biāo)，利用求解判斷矩陣的特征向量，得出各層次、元素上個層次的元素優(yōu)先權(quán)重；最后通過加權(quán)的方法遞歸合并方案。在配電網(wǎng)設(shè)備健康狀態(tài)評估過程中，變壓器為運維人員重點關(guān)注的設(shè)備。表征變壓器狀態(tài)具有大量的信息特征量，不同程度、側(cè)面與層次反映出變壓器運行狀態(tài)的好壞。通過創(chuàng)建狀態(tài)評估指標(biāo)體系，反映變壓器運行狀態(tài)、電氣試驗、有色譜分析、變壓器附件、油畫試驗和運檢記錄等關(guān)聯(lián)因素表現(xiàn)情況。在評價狀態(tài)時實現(xiàn)評價設(shè)備單元的劃分，收集和整理相應(yīng)設(shè)備信息，通過狀態(tài)評價表評價各個部件，以設(shè)備的運行年限與是否存在家族缺陷情況確定家族缺陷系數(shù)、壽命系數(shù)，最后計算各個部件的系數(shù)。在評價過程中考慮權(quán)重系數(shù)，根據(jù)短板原理評價設(shè)備單元，編制設(shè)備單元評價報告，最終形成設(shè)備評價報告，確定設(shè)備狀態(tài)級別，提出檢修建議[2]。如圖1所示為變壓器運行狀態(tài)指標(biāo)體系。

圖1 變壓器運行狀態(tài)指標(biāo)體系Fig.1 Transformer operating state index system

3 配電網(wǎng)設(shè)備的故障因素分析

根據(jù)城市配電網(wǎng)的故障記錄，得出配電網(wǎng)故障因素體系。配電網(wǎng)設(shè)備故障出現(xiàn)的原因包括大風(fēng)大雨、絕緣老化、設(shè)備質(zhì)量、雷擊、重載過載等。在對故障率進(jìn)行修正的時候，要求創(chuàng)建有規(guī)律故障因素模型。由于用戶原因和外力破壞因素存在人為及不可控因素，所以隨機(jī)性比較強(qiáng)。那么，就要分析配電網(wǎng)天氣原因和公用設(shè)備，充分考慮其他類故障。對于任意配電網(wǎng)設(shè)備，會因為某因素出現(xiàn)某故障，包括外界或者自身缺陷。所以，多種因素都會影響到配電設(shè)備故障率[3]。

4 配電網(wǎng)設(shè)備狀態(tài)評價

4.1 簡化網(wǎng)絡(luò)

配電網(wǎng)包括配電變壓器、變電所和電力線路，具有復(fù)雜的結(jié)構(gòu)和大量節(jié)點。在進(jìn)行簡化后對電壓進(jìn)行估計，檢測量測數(shù)據(jù)之后利用已經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對狀態(tài)進(jìn)行計算和估計，能有效的簡化系統(tǒng)。在簡化其他部分之后，以最大符合度情況將系統(tǒng)分散實現(xiàn)集中負(fù)荷的簡化，保留監(jiān)視節(jié)點，以比例對電壓進(jìn)行估計。

4.2 配電網(wǎng)故障率預(yù)測模型

4.2.1 數(shù)據(jù)模糊化預(yù)處理

預(yù)處理要求重視隸屬函數(shù)的選擇，根據(jù)變壓器經(jīng)驗進(jìn)行判斷，通過Sigmoid 函數(shù)實現(xiàn)處理和計算：

公式中待診斷數(shù)據(jù)實際值為x，xa指的是注意值，y指的是預(yù)處理后輸出值。

4.2.2 創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)使用徑向基函數(shù)RBF，類似BP 網(wǎng)絡(luò)，RBF 網(wǎng)絡(luò)屬于三層前向網(wǎng)絡(luò)，包括隱含層、輸出層、輸入層。隱含層第j個神經(jīng)元輸出值zj表示為：

公式中的wkj指的是輸出層第k個神經(jīng)元和隱含層j個神經(jīng)元的調(diào)節(jié)權(quán)重。

4.2.3 創(chuàng)建參數(shù)子空間

油中溶解氣體分析過程中的氫氣、乙炔、總烴的體積分?jǐn)?shù)和總烴相對產(chǎn)氣率狀態(tài)評價結(jié)果作為信息空間I1；根據(jù)繞組絕緣電阻、繞組直流電阻、鐵芯絕緣電阻、吸收比的評價結(jié)果作為信息空間I2；將套管介質(zhì)損耗、局部放電、油中溶解氣體分析在線監(jiān)測數(shù)據(jù)作為信息空間I3。以此創(chuàng)建三個RBF 子網(wǎng)絡(luò)并聯(lián)評價子系統(tǒng)，每個子系統(tǒng)輸出值構(gòu)成證據(jù)體，通過三個證據(jù)體實現(xiàn)證據(jù)融合，從而得出最終配電設(shè)備各個部位的故障概率。

4.3 設(shè)備狀態(tài)修正矩陣

對于配電網(wǎng)設(shè)備的不同，不同氣象影響程度也各有不同。分析故障設(shè)備可以得到設(shè)備修正系數(shù)和兩者的關(guān)系，如表1所示。

表1 設(shè)備狀態(tài)修正系數(shù)和故障因素的關(guān)系Tab.1 Relationship between equipment state correction factor and failure factors

設(shè)備狀態(tài)修正系數(shù)矩陣：

公式中的p(i)i指的是第i 類設(shè)備中第j 類故障因素狀態(tài)修正系數(shù)，1 ≤j ≤5。

4.4 設(shè)備狀態(tài)修正模型

分析歷史統(tǒng)計數(shù)據(jù)與配電網(wǎng)實時運行數(shù)據(jù)，得出設(shè)備雷擊天氣、大風(fēng)大雨、絕緣老化程度等方面對設(shè)備故障率的影響。

5 算例分析

為了對線路參數(shù)計算，使用RBF 算法擬合線路和線路兩端量測數(shù)據(jù)復(fù)雜線性關(guān)系。不同因素會影響到線路參數(shù)，但是其變化范圍在初始參數(shù)值附近中。針對上述研究算法，節(jié)點電壓量測值為已知的，改變線路參數(shù)值能夠得出支路功率。計算變化線路參數(shù)能夠得到支路功率，實現(xiàn)訓(xùn)練樣本的創(chuàng)建。通過計算得到RBF 支路功率輸入，在訓(xùn)練樣本數(shù)最大時能夠訓(xùn)練RBF。針對已經(jīng)訓(xùn)練好的RBF，利用此支路功率量測值實現(xiàn)RBF 算法輸入，以此得到線路的計算結(jié)果。

因為獲得實際線路參數(shù)比較困難，所以本文選擇116條三相線路進(jìn)行測試，對本文提出的算法進(jìn)行驗證，利用Zbus 潮流計算法進(jìn)行計算，根據(jù)潮流計算結(jié)果作為實際測量值對于提出RBF 參數(shù)估計算法與MRO 算法開展對比驗證。如圖2—圖4所示為不同誤差時RBF 參數(shù)估計方法和MRO 方法的結(jié)果，如表2所示為電壓分布結(jié)果。通過表2可以看出來，神經(jīng)網(wǎng)絡(luò)實現(xiàn)配電網(wǎng)狀態(tài)估計方法可行，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后具有較快的計算速度，使實時性需求度得到滿足。

表2 電壓分布結(jié)果Tab.2 Voltage distribution results

在進(jìn)行評估的過程中，線路參數(shù)初始值根據(jù)DMS 存儲線路計算。本文初始參數(shù)為線路參數(shù)，對不同線路參數(shù)取值范圍和量測誤差算法進(jìn)行驗證。

圖2中參數(shù)取值范圍為初始參數(shù)的95%～105%，充分考慮溫濕度環(huán)境，無功功率與有功功率量測誤差為0.5。通過圖2表示，兩種方法計算結(jié)果都小于實際值，但是有個別線路的參數(shù)比較大，RBF 參數(shù)計算法結(jié)果小于MPE 值，算法較優(yōu)。

圖2 小誤差Fig.2 Small error

圖3中的功率量測誤差為1%，參數(shù)取值范圍為初始參數(shù)的90%～110%。以此可以看出來，增加參數(shù)取值范圍與量測誤差時，兩種算法計算結(jié)果與實際值增加較大，但是本文算法計算結(jié)果的增加較小。

圖3 中等誤差Fig.3 Moderate error

圖4中參數(shù)取值范圍是初始參數(shù)的80%～120%，功率量測誤差為5%。在不斷增加參數(shù)取值范圍和誤差時，MRO 算法結(jié)果為28%，比參數(shù)取值范圍要大。利用RBF 參數(shù)估計算法取值比較大，但是范圍可以縮小。那么就可以看出來，本文算法在估計參數(shù)過程中具有良好性能，使病態(tài)矩陣問題得到解決，而且具有良好穩(wěn)定性。此方法還能夠在兩相或者三相配電線路中使用，降低接線路參數(shù)的數(shù)量，提高RBF 訓(xùn)練算法。

圖4 大誤差Fig.4 Big errors

6 結(jié)語

通過本文研究，使用神經(jīng)網(wǎng)絡(luò)算法對于配電網(wǎng)狀態(tài)估計的優(yōu)勢為：

（1）能夠充分對影響設(shè)備狀態(tài)的變量進(jìn)行測量，提高了數(shù)據(jù)精準(zhǔn)度；

（2）神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練之后，計算時間較短，滿足了快速計算需求；

（3）因為神經(jīng)網(wǎng)絡(luò)信息被分布存儲到處理單元閾值與連接權(quán)中，存在一定容錯性，提升了數(shù)據(jù)精準(zhǔn)性。