文獻標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.190630
中文引用格式： 張宇，張昊，李勝，等. 基于改進型神經(jīng)網(wǎng)絡(luò)的變電站監(jiān)控信息點表優(yōu)化分析[J].電子技術(shù)應(yīng)用，2019，45(11)：96-99.
英文引用格式： Zhang Yu，Zhang Hao，Li Sheng，et al. Optimal analysis of substation monitoring information point table based on improved neural network[J]. Application of Electronic Technique，2019，45(11)：96-99.
0 引言
隨著智能電網(wǎng)不斷向縱深方向發(fā)展，電網(wǎng)運行狀態(tài)信息監(jiān)控要求越來越高。其中，變電站作為智能電網(wǎng)的重要一環(huán)，其安全和穩(wěn)定運行尤為關(guān)鍵。
變電站監(jiān)控信息點表作為反映變電站狀態(tài)信息全時空下的晴雨表，對變電站自身乃至整個電網(wǎng)至關(guān)重要[1]。開展對變電站監(jiān)控信息點表的研究工作，在工作效率層面上，將有益于電網(wǎng)調(diào)度的各項工作高效和穩(wěn)定開展；在經(jīng)濟價值層面上，將有益于保障國民經(jīng)濟在電力領(lǐng)域的穩(wěn)健運行；在社會屬性層面上，將有益于社會朝著健康和綠色的方向發(fā)展。
1 相關(guān)分析
目前，電網(wǎng)運行對人工智能屬性要求日趨迫切，相關(guān)科研工作不斷加大；同時，針對目前電網(wǎng)巨規(guī)模、大負(fù)荷的用電現(xiàn)狀，過去的人工處理模式將逐步面臨瓶頸限制和淘汰的現(xiàn)狀，電力行業(yè)在智能電網(wǎng)上的技術(shù)整合和創(chuàng)新工作正在占領(lǐng)主航道。
變電站監(jiān)控信息的質(zhì)量直接影響整個電網(wǎng)的高效且精準(zhǔn)運行。變電站監(jiān)控信息點表主要涵蓋了一和二次設(shè)備及其他附屬設(shè)備的設(shè)備出廠信息、在運行下的電氣邏輯信息，具有信息量大、關(guān)聯(lián)性強、冗余性高的數(shù)據(jù)特點。
1.1 變電站監(jiān)控信息點表本身存在的若干問題
針對變電站監(jiān)控信息點表自身日益暴露的綜合狀況，設(shè)計部門-用戶單位-設(shè)備廠商的信息點表縱向互聯(lián)方面存在脫節(jié)現(xiàn)象，原因在于電力研究院、電力調(diào)度部門、設(shè)備供應(yīng)商彼此之間扮演角色及分工的限制；設(shè)計部門之間、用戶單位之間、設(shè)備廠商之間的橫向協(xié)同方面存在松耦合現(xiàn)象，原因在于區(qū)域特點、歷史特點、行業(yè)特點的約束[2]。
以上現(xiàn)象無法在短時間內(nèi)行之有效地得到根本性解決；但是，將人工智能算法植入監(jiān)控信息點表自身的研究工作符合目前智能電網(wǎng)發(fā)展的必然趨勢?？梢岳靡陨宪泴嵙μ嵘姆绞?，開展面向信息點表提質(zhì)增效方面的科研工作。
1.2 神經(jīng)網(wǎng)絡(luò)及其改進措施的引入工作
面向變電站監(jiān)控信息點表實際應(yīng)用，將人工智能算法引入監(jiān)控信息點表改良工作具有解決措施靈活、投入硬成本低、可復(fù)用性較強的優(yōu)點。
神經(jīng)網(wǎng)絡(luò)作為人工智能算法的一種，其優(yōu)越性在于自發(fā)組織學(xué)習(xí)、主動迭代規(guī)則、有較強的非線性擬合能力，借助其自身優(yōu)點可以將監(jiān)控信息點表本身賦予自感知特性，提升信息追本溯源的實戰(zhàn)能力；其劣勢在于自適應(yīng)能力有限，存在迭代周期較長和非全局最優(yōu)解的問題，鑒于其自身劣勢需要集成其他方法加以優(yōu)化，以提升神經(jīng)網(wǎng)絡(luò)在解決具體應(yīng)用對象上的普適性[3]。
2 構(gòu)建變電站監(jiān)控信息點表數(shù)據(jù)分析機理
以電網(wǎng)調(diào)度需求為牽引，具體構(gòu)建變電站監(jiān)控信息點表數(shù)據(jù)源分析機理如下，其邏輯如圖1所示[4]。
(1)建立設(shè)備臺賬數(shù)據(jù)庫和電氣邏輯屬性數(shù)據(jù)庫
設(shè)備臺賬數(shù)據(jù)庫主要包含了一二次設(shè)備物理和電氣屬性信息、一二次設(shè)備間的關(guān)聯(lián)屬性信息。同時，將設(shè)備ID和監(jiān)控信息點號作為雙重索引標(biāo)識，構(gòu)建一二次設(shè)備物理和電氣屬性映射和關(guān)聯(lián)關(guān)系。
(2)支持遙測、遙信、遙控模板信息訂閱服務(wù)
遙測信息模板將變電站歷史上運行參數(shù)作為參照系，快速定位當(dāng)下實時狀態(tài)電信號測量信息和數(shù)據(jù)；遙信信息模板以遙測信息為預(yù)判依據(jù)，實現(xiàn)繼電保護、斷路器、隔離開關(guān)及相關(guān)告警狀態(tài)的信息全時空的判讀工作；遙控信息模板主要以斷路器、隔離開關(guān)、接地刀閘分合動作為主要操作對象，并將信號復(fù)歸及功能投推的信息反饋作為核驗輸入[5]。
(3)制定變電站類型-電壓等級-間隔-設(shè)備的級聯(lián)層級關(guān)系
將變電站監(jiān)控信息按照“變電站類型→電壓等級→間隔→設(shè)備”層級關(guān)系，逐級映射，并封裝成特定級聯(lián)關(guān)系的模型庫，實現(xiàn)自動更新和調(diào)用功能。
(4)二次優(yōu)化變電站監(jiān)控信息點表承載的數(shù)據(jù)內(nèi)容
通過以上再次梳理變電站監(jiān)控信息數(shù)據(jù)關(guān)系的基礎(chǔ)，下面引入“神經(jīng)網(wǎng)絡(luò)+矩陣分析”智能算法聯(lián)合的方式，量化分析以上規(guī)范和約束的內(nèi)在關(guān)聯(lián)關(guān)系，優(yōu)化變電站監(jiān)控信息點表分析工作[6-7]。
3 構(gòu)建基于矩陣分析改進BP神經(jīng)網(wǎng)絡(luò)的監(jiān)控信息優(yōu)化融合模型
BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)通過構(gòu)建神經(jīng)網(wǎng)絡(luò)“輸入層-隱含層-輸出層”的層級架構(gòu)，建立輸入和輸出權(quán)值關(guān)系，達到應(yīng)用對象被抽象化的自組織學(xué)習(xí)非線性擬合的目的[8]?？傮w而言，BPNN整個算法主體上分為兩步：(1)建立和執(zhí)行正向傳導(dǎo)關(guān)聯(lián)模式；(2)逆向反饋關(guān)聯(lián)關(guān)系擬合偏差。通過有限次的迭代工作，獲取輸出與輸入之間長期穩(wěn)定的關(guān)聯(lián)關(guān)系。
在變電站監(jiān)控信息優(yōu)化解析方面，以監(jiān)控信息點表為研究對象，BPNN優(yōu)勢：降低人工干預(yù)，發(fā)揮計算機自身計算優(yōu)勢，具有較優(yōu)的非線性擬合能力；其劣勢：受限于歷史樣本數(shù)據(jù)的豐富程度，易陷于局部最優(yōu)解，學(xué)習(xí)過程相對緩慢。
以下從改進BPNN算法的路線設(shè)計、基于監(jiān)控信息點表數(shù)據(jù)的BPNN自主學(xué)習(xí)數(shù)學(xué)建模、基于BPNN傳遞函數(shù)誤差最小化的兩層權(quán)重分配矩陣分析優(yōu)化三方面開展相關(guān)工作。
3.1 改進BPNN算法的路線設(shè)計
改進算法的路線設(shè)計過程如圖2所示。
(1)對接變電站監(jiān)控信息數(shù)據(jù)庫平臺，讀取監(jiān)控信息點表歷史樣本；
(2)構(gòu)建三層式（輸入層-隱含層-輸出層）BPNN學(xué)習(xí)模型；
(3)將設(shè)備信息臺賬庫和電氣邏輯屬性庫數(shù)據(jù)合成，作為輸入層向量x；
(4)將設(shè)備ID和信息點表點號與“變電站類型-電壓-間隔-設(shè)備”進行映射關(guān)聯(lián)，作為隱含層向量y；
(5)將“變電站類型-電壓-間隔-設(shè)備”與遙信、遙測、遙控訂閱信息進行映射關(guān)聯(lián)，作為輸出層向量z；
(6)
其中，ωi為隱含層與輸入層之間的權(quán)重矩陣，ei為隱含層與輸入層之間的誤差向量，ωo為隱含層與輸出層之間的權(quán)重矩陣，eo為隱含層與輸出層之間的誤差向量；
(7)為使ei和eo向量誤差期望值最小，設(shè)立迭代次數(shù)N；
(8)開展權(quán)重矩陣方程特征值優(yōu)化計算工作；
(9)若(for k=0；k++；k<N），跳轉(zhuǎn)至步驟(3)；
(10)直至滿足數(shù)學(xué)模型迭代次數(shù)，最終獲得監(jiān)控信息點表信息融合之后的優(yōu)化解。
3.2 基于監(jiān)控信息點表數(shù)據(jù)的BPNN自主學(xué)習(xí)數(shù)學(xué)建模
基于監(jiān)控信息點表數(shù)據(jù)的BPNN自主學(xué)習(xí)數(shù)學(xué)建模聲明如下：
(1)為了增強非線性擬合能力并最終最大限度地呈現(xiàn)數(shù)據(jù)本身信息的客觀真實性，引入BPNN信息數(shù)據(jù)關(guān)聯(lián)轉(zhuǎn)移函數(shù)
其中t表示本層網(wǎng)絡(luò)輸出數(shù)據(jù)變量，d表示上一層網(wǎng)絡(luò)數(shù)據(jù)輸入變量[9]。
(2)隱含層與輸入層之間的函數(shù)關(guān)系：y=f(x)=ωix+ei，ωi=t(x)，ei=yr-y；其中，ωi權(quán)值分配服從關(guān)聯(lián)轉(zhuǎn)移函數(shù)，yr表示隱含層的實際值。
(3)輸出層與隱含層之間的函數(shù)關(guān)系：z=f(y)=ωoy+eo，ωo=t(y)，eo=zr-z；其中，ωo權(quán)值分配服從關(guān)聯(lián)轉(zhuǎn)移函數(shù)，zr表示隱含層的實際值。
(4)期望方差計算。為了獲取BPNN信息傳遞最優(yōu)輸出期望值，具體的隱含層輸出期望方差和輸出層輸出期望方差的數(shù)學(xué)計算公式如式(1)、式(2)所示：
3.3 基于BPNN傳遞函數(shù)誤差最小化的兩層權(quán)重分配矩陣分析優(yōu)化
利用構(gòu)建權(quán)重分配矩陣的思想，加速BPNN自主學(xué)習(xí)過程[10-11]。
(1)將ωi、ωo抽象合成為BPNN整體輸入到輸出的權(quán)重矩陣模型，具體公式詳見式(3)，
表示輸入層節(jié)點的個數(shù)。
(2)對式(3)開展權(quán)重矩陣特征值最優(yōu)解計算，壓縮數(shù)據(jù)處理量，計算所得公式如式(4)所示。
(3)對式(4)的輸入層變量求偏導(dǎo)計算，分析BPNN學(xué)習(xí)走勢并整合，獲取后續(xù)的側(cè)重學(xué)習(xí)策略，計算如式(5)所示。
4 仿真實驗
4.1 仿真聲明
學(xué)習(xí)樣本1 500個，測試樣本200個，權(quán)重取值ω∈(0.25，0.70)，迭代次數(shù)100次，誤差率控制比例范圍e∈(0，10%)。
4.2 仿真分析
4.2.1 測試樣本誤差率與迭代時間的效能對比
針對200個變電站監(jiān)控信息點表的測試樣本，分別采用BPNN和“BPNN+矩陣分析”的人工智能手段，其測試樣本誤差率與迭代時間效能對比如圖3所示。
從圖3分析可知，在t≈4.4 s以后,采用“BPNN+矩陣分析”的測試樣本誤差率穩(wěn)定在1.15%；在t≈6.5 s以后，采用BPNN的測試樣本誤差率穩(wěn)定在1.57%。通過以上比較可知，采用“BPNN+矩陣分析”的人工智能算法模型不僅時間響應(yīng)方面有優(yōu)勢，而且還將測試樣本誤差率進一步降低。
4.2.2 測試樣本信息融合程度對比
針對200個變電站監(jiān)控信息點表的測試樣本，分別采用BPNN和“BPNN+矩陣分析”的智能分析手段，其測試樣本融合程度對比如圖4所示。
從圖4分析可知，在t≈6.5 s以后，采用“BPNN+矩陣分析”的人工算法聯(lián)合創(chuàng)新方式將測試樣本信息融合穩(wěn)定維持在95.6%；在t≈8.6 s以后，采用BPNN的測試樣本將測試樣本信息融合穩(wěn)定維持在82.9%。通過以上比較可知，采用“BPNN+矩陣分析”的人工智能算法模型在短時間內(nèi)可以實現(xiàn)信息融合工作，并在信息融合程度方面占絕對優(yōu)勢。
5 結(jié)論
通過基于矩陣分析的BPNN智能算法，開展了變電站監(jiān)控信息點表信息融合模型構(gòu)建及其解析工作。仿真試驗結(jié)果表明，在面向海量監(jiān)控信息的處理工作中，“BPNN+矩陣分析”實現(xiàn)了人工智能方式的解析工作，不僅壓縮了監(jiān)控信息數(shù)據(jù)量，而且提升了監(jiān)控信息點表的判讀效率。
參考文獻
[1] 李元鋒，莫加杰，馮超.新一代智能變電站信息融合和一體化建模技術(shù)研究[J].自動化應(yīng)用，2016(9)：107-108.
[2] 冉冉，張巖，胡楠，等.基于電力數(shù)據(jù)中心應(yīng)用標(biāo)準(zhǔn)化設(shè)計的研究[J].電子技術(shù)應(yīng)用，2014(z1)：278-280.
[3] 字云飛，李業(yè)麗，孫華艷.基于深度神經(jīng)網(wǎng)絡(luò)的個性化推薦系統(tǒng)研究[J].電子技術(shù)應(yīng)用，2019，45(1)：20-24.
[4] 王洪哲，路明，秦領(lǐng)，等.基于電力設(shè)備的監(jiān)控業(yè)務(wù)一體化管理方法[J].東北電力技術(shù)，2017(8)：24-28.
[5] 徐丹丹，米為民，鄧勇，等.智能變電站與調(diào)度主站間模型/圖形協(xié)調(diào)共享及無縫通信一體化建模方案[J].電網(wǎng)技術(shù)，2012，36(11)：235-239.
[6] 莫紅枝.基于馬爾可夫鏈的自適應(yīng)性神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法[J].電子技術(shù)應(yīng)用，2014，40(10)：142-145.
[7] 張賢達.矩陣分析與應(yīng)用(第2版)[M].北京：清華大學(xué)出版社，2013.
[8] CHENG H L，PARK S C.Combination of modified BPNN algorithms and an efficient feature selection method for text categorization[J].Information Processing & Management，2009，45(3)：329-340.
[9] 宋宇鯤，高曉航，張多利，等.Sigmoid函數(shù)的分段非線性擬合法及其FPGA實現(xiàn)[J].電子技術(shù)應(yīng)用，2017，43(8)：49-51.
[10] MAHLER R P S，EBRARY I.Statistical multisource-multitarget information fusion[M].Statistical Multisource-Multitarget Information Fusion，2007.
[11] BARZILAY R，MCKEOWN K R，ELHADAD M.Information fusion in the context of multi-document summarization[C].Proceedings of 38th ACL，1999.
作者信息:
張 宇，張 昊，李 勝，王國鵬，崔慧軍
(國網(wǎng)冀北電力有限公司，北京100053)