文獻(xiàn)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(jìn)型神經(jīng)網(wǎng)絡(luò)的變電站監(jiān)控信息點(diǎn)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(yùn)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(yùn)行尤為關(guān)鍵,。
變電站監(jiān)控信息點(diǎn)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(diǎn)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(xiàng)工作高效和穩(wěn)定開展;在經(jīng)濟(jì)價(jià)值層面上,將有益于保障國民經(jīng)濟(jì)在電力領(lǐng)域的穩(wěn)健運(yùn)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(yùn)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(yùn)行。變電站監(jiān)控信息點(diǎn)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(yùn)行下的電氣邏輯信息,,具有信息量大、關(guān)聯(lián)性強(qiáng),、冗余性高的數(shù)據(jù)特點(diǎn),。
1.1 變電站監(jiān)控信息點(diǎn)表本身存在的若干問題
針對變電站監(jiān)控信息點(diǎn)表自身日益暴露的綜合狀況,設(shè)計(jì)部門-用戶單位-設(shè)備廠商的信息點(diǎn)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(jì)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(diǎn),、歷史特點(diǎn),、行業(yè)特點(diǎn)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(diǎn)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,。可以利用以上軟實(shí)力提升的方式,,開展面向信息點(diǎn)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(jìn)措施的引入工作
面向變電站監(jiān)控信息點(diǎn)表實(shí)際應(yīng)用,將人工智能算法引入監(jiān)控信息點(diǎn)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(qiáng)的優(yōu)點(diǎn)。
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(qiáng)的非線性擬合能力,借助其自身優(yōu)點(diǎn)可以將監(jiān)控信息點(diǎn)表本身賦予自感知特性,,提升信息追本溯源的實(shí)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(diǎn)表數(shù)據(jù)分析機(jī)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(diǎn)表數(shù)據(jù)源分析機(jī)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(diǎn)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(yùn)行參數(shù)作為參照系,,快速定位當(dāng)下實(shí)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(shí)現(xiàn)繼電保護(hù),、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?zhàn)鳛楹蓑?yàn)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(shí)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(diǎn)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(diǎn)表分析工作[6-7],。
3 構(gòu)建基于矩陣分析改進(jìn)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(dá)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(diǎn)表為研究對象,BPNN優(yōu)勢:降低人工干預(yù),,發(fā)揮計(jì)算機(jī)自身計(jì)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(jìn)BPNN算法的路線設(shè)計(jì),、基于監(jiān)控信息點(diǎn)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(jìn)BPNN算法的路線設(shè)計(jì)
改進(jìn)算法的路線設(shè)計(jì)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(diǎn)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(diǎn)表點(diǎn)號與“變電站類型-電壓-間隔-設(shè)備”進(jìn)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(jìn)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(jì)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(diǎn)表信息融合之后的優(yōu)化解,。
3.2 基于監(jiān)控信息點(diǎn)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(diǎn)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(qiáng)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(shí)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(shí)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(shí)際值,。
(4)期望方差計(jì)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(jì)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(diǎn)的個數(shù),。
(2)對式(3)開展權(quán)重矩陣特征值最優(yōu)解計(jì)算,壓縮數(shù)據(jù)處理量,,計(jì)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(jì)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(jì)算如式(5)所示。
4 仿真實(shí)驗(yàn)
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(diǎn)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(jìn)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(diǎn)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(shí)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(diǎn)表信息融合模型構(gòu)建及其解析工作,。仿真試驗(yàn)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(shí)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(diǎn)表的判讀效率,。
參考文獻(xiàn)
[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(jì)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(dá).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(shí)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)