蘭雁寧，鄭陳達

(1.上海電力大學，上海 200090； 2.國網(wǎng)福建省電力有限公司電力科學研究院，福州 350007)

繼電保護是電力系統(tǒng)安全穩(wěn)定運行的重要保障，直接關(guān)系著電力系統(tǒng)的運行質(zhì)量。繼電保護狀態(tài)檢修技術(shù)離不開合理、可靠的繼電保護裝置狀態(tài)評價結(jié)果，評價結(jié)果的好壞將在很大程度上影響裝置的檢修效果[1]。傳統(tǒng)的評價手段中，人為主觀因素對評價結(jié)果有較大的影響，會降低評價工作效率，評價結(jié)果也缺乏準確性。目前，已有學者提出了改進方法[2]，文獻[3，4]采用模糊綜合評價法進行繼電保護裝置評價，評價結(jié)果相較于傳統(tǒng)方法更加準確且更具說服力。但這類方法工作量較大，且算法中權(quán)重系數(shù)的選擇對整體評價結(jié)果有很大的影響。馬爾科夫模型是一種適合于描述繼電保護裝置狀態(tài)變化的方法，但在工程實踐中由于受模型假設(shè)的限制，準確性通常不高[5-6]。

神經(jīng)網(wǎng)絡(luò)因其自身強大的學習能力及非線性逼近能力，在電力設(shè)備評價方面應用較廣。電力設(shè)備評價通?？梢钥醋鍪菍δ：龑傩缘姆诸悊栴}，對設(shè)備的標準評價結(jié)果是稀缺的，因而傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型可能由于學習樣本不足導致其應用范圍受限[7]。模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了模糊系統(tǒng)在模糊知識表達上的優(yōu)勢，同時具備了神經(jīng)網(wǎng)絡(luò)的自適應學習能力，是一種優(yōu)良的分類工具[8]。介紹了一種基于T-S模糊神經(jīng)網(wǎng)絡(luò)的繼電保護裝置評價方法，其工作效率及評價結(jié)果較傳統(tǒng)評價方法均有較大提升。

1 T-S模糊神經(jīng)網(wǎng)絡(luò)

用函數(shù)表示的某計算元素的隸屬度被稱為隸屬函數(shù)。在T-S模糊模型中，系統(tǒng)規(guī)則的前件部分的隸屬函數(shù)常選用高斯型函數(shù)，當輸入變量為向量X=[x1,x2,…,xk]時，輸入量的隸屬函數(shù)根據(jù)模糊規(guī)則可表示為式(1)。

(1)

T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對應于模糊系統(tǒng)，可分為前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)。前件網(wǎng)絡(luò)共分為4層，用于計算各條規(guī)則的適用度，從而匹配模糊規(guī)則。變量由輸入層進入模糊神經(jīng)網(wǎng)絡(luò)，傳送至第二層生成隸屬函數(shù)。在第三層進行隸屬函數(shù)的模糊計算，通常采用如式(2)所示的模糊算子作為連乘算子。

(2)

ωi表示第i條模糊規(guī)則的適應度。第三層得到的適應度函數(shù)在第四層中采用式(3)進行歸一化處理，結(jié)果傳輸至后件網(wǎng)絡(luò)。

(3)

后件網(wǎng)絡(luò)共3層，第一層為輸入層，第二層引入線性化參數(shù)進行規(guī)則計算，所得到的結(jié)果在第三層中與前件網(wǎng)絡(luò)計算結(jié)果做加權(quán)求和，得到模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果y，如式(4)所示，式中yj表示后件網(wǎng)絡(luò)第二層中對應第j條模糊規(guī)則的輸出。

(4)

2 算法設(shè)計

繼電保護裝置評價是根據(jù)裝置評價標準和裝置樣本各項指標值，借助數(shù)學模型計算得到裝置的狀態(tài)評價等級的過程。在絕大多數(shù)評價類問題中，用于評價的采樣數(shù)據(jù)是容易得到的，而采樣數(shù)據(jù)相對應的評價結(jié)果，即采樣數(shù)據(jù)的標簽數(shù)據(jù)難以得到。采用等比例隨機分布方式內(nèi)插繼電保護裝置評價指標標準數(shù)據(jù)，生成足夠的訓練樣本，經(jīng)網(wǎng)絡(luò)反復訓練，借助自身優(yōu)良的泛化能力，完成繼電保護裝置狀態(tài)評價。

訓練適用于繼電保護裝置狀態(tài)評價的模糊神經(jīng)網(wǎng)絡(luò)，具體流程如圖1所示，具體步驟包括：

圖1 模糊神經(jīng)網(wǎng)絡(luò)訓練流程Fig.1 Process of fuzzy neural network training

選取待評價裝置的評價指標，各評價指標均劃分為優(yōu)秀、良好、中等、較差、很差五個等級。每一項指標的評分標準從很差到優(yōu)秀被分為0～10分，每2分間隔取一個評價等級。

根據(jù)訓練樣本的輸入、輸出維數(shù)，構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入節(jié)點個數(shù)為裝置的評價指標個數(shù)；網(wǎng)絡(luò)的輸出節(jié)點數(shù)為1，用以表示裝置的評價等級。

初始化網(wǎng)絡(luò)參數(shù)。采用誤差反向傳播學習算法，對網(wǎng)絡(luò)參數(shù)進行修正，主要包括隸屬函數(shù)中心值、寬度值及后件網(wǎng)絡(luò)中的連接權(quán)重參數(shù)。

采用隨機分布內(nèi)插生成一定數(shù)量的訓練樣本和測試樣本，訓練模糊神經(jīng)網(wǎng)絡(luò)。當網(wǎng)絡(luò)訓練誤差小于設(shè)定值或迭代次數(shù)達到設(shè)定值時，停止訓練；當網(wǎng)絡(luò)在測試集上的測試誤差增大時，提前終止訓練。

保存網(wǎng)絡(luò)模型，用于后續(xù)裝置狀態(tài)評價。

3 算例分析

3.1 實驗數(shù)據(jù)

參考文獻[9]提出了按模塊分別統(tǒng)計思想，以某繼電保護裝置采樣回路為評價對象，評價項目包括電源、光模塊、采樣鏈路。共生產(chǎn)50個訓練樣本和15個測試樣本，作為訓練集和測試集。設(shè)定的訓練最大迭代次數(shù)為50次，訓練精度為1e-5。構(gòu)建3輸入節(jié)點、1輸入節(jié)點的模糊神經(jīng)網(wǎng)絡(luò)，訓練迭代過程如圖2所示，當?shù)恋?3次時，測試誤差上升，終止訓練。

圖2 測試誤差與訓練誤差Fig.2 Test and training errors

3.2 實驗結(jié)果

取5個具有代表性的測試樣本數(shù)據(jù)輸入訓練好的模糊神經(jīng)網(wǎng)絡(luò)，得到評價結(jié)果如圖3，可見經(jīng)訓練的網(wǎng)絡(luò)模型能夠準確地對訓練樣本進行等級劃分。提取某電力企業(yè)設(shè)備運行歷史數(shù)據(jù)，隨機選擇5臺繼電保護裝置采樣回路評價數(shù)據(jù)作為評價集。評價集經(jīng)模糊神經(jīng)網(wǎng)絡(luò)模型計算后得到的評價結(jié)果如圖4所示，評價結(jié)果很好地反映出了裝置的狀態(tài)等級。綜上可知，網(wǎng)絡(luò)模型學習訓練樣本后，能夠較好地將知識泛化，進而對未知的輸入樣本給出合理的結(jié)果。

圖3 測試集評價結(jié)果Fig.3 Results of test set evaluation

圖4 實際裝置評價結(jié)果Fig.4 Results of actual device evaluation

4 結(jié)語

傳統(tǒng)的電力設(shè)備繼電保護裝置狀態(tài)評價工作主要依靠人工經(jīng)驗判斷，準確性和效率較低。介紹了一種采用模糊神經(jīng)網(wǎng)絡(luò)進行繼電保護裝置狀態(tài)評價的方法，評價結(jié)果更為客觀，能夠大幅減少工作量，在工程實踐中具有積極意義。