BP神經網絡在多臺電力變壓器檢修決策中的研究

陳抒

摘 要：針對風險分析的復雜性和各因素的非線性等特點，本文提出了基于BP神經網絡的智能化知識表示和風險評估方法，建立了基于BP神經網絡的狀態檢修決策模型，通過實例分析，驗證了該模型的合理性和工程實用性。

關鍵詞：多臺電力變壓器；風險評估；狀態檢修；決策；BP神經網絡.

1 引言

電力工業是關系到國民生計的重要基礎產業和公用事業。安全、穩定和充足的電力供應，是國民經濟健康穩定持續快速發展的重要前提條件。在實際工作中，當多臺電力變壓器同時出現缺陷或故障時，如何進行檢修排序以獲得最大效益是一個急需解決的問題。為了解決這個問題，本文提出了一種基于BP神經網絡的電力變壓器檢修決策方法，并成功應用到多臺電力變壓器的檢修排序中。

2 多臺電力變壓器決策分析方法

（1）量化風險法

量化風險法是對資產面臨的威脅、存在的弱點、造成的影響，以及三者綜合作用對各個方面造成的影響和損失進行量化的評估方法。電力變壓器的量化風險法模型綜合考慮變壓器資產成本，變壓器資產損失程度和變壓器風險程度（故障率）三方面的因素，計算出變壓器繼續運行的風險值，并根據風險值的大小安排多臺變壓器的檢修排序，其風險值按式（1）計算：

（1）

其中，t是指某一時刻（Time），A是指資產成本（Assets），F是指變壓器資產損失程度評估 （Failure），P是指變壓器故障概率（Probability），R是變壓器風險評估值（Risk）。變壓器資產損失程度F是指一旦發生風險事件，對周圍造成的影響，由成本、環境和安全三個要素構成。變壓器故障概率P是指變壓器在現有的運行狀態下發生故障的概率。

2）層次分析法

層次分析法（Analytic Hierarchy Process）簡稱AHP，由美國運籌學家T.L.saaty教授在上世紀70年代中期提出的，是指將決策問題的有關元素分解成目標、準則、方案等層次，在此基礎上進行定性分析和定量分析相結合的一種決策方法。

3.BP神經網絡在多臺電力變壓器狀態檢修決策中的研究

3.1 BP神經網絡概述

BP神經網絡是一種無反饋的前向網絡，網絡中的神經元分層排列，除了輸入層、輸出層之外，還至少有一層中間層（隱含層）。

BP學習工程可以描述如下[5]：

（1）工作信號正向傳播：輸入信號從輸入層經隱單元，傳向輸出層，在輸出端產生輸出信號，這是工作信號的正向傳播。在信號的向前傳遞過程中網絡的權值是固定不變的，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉入誤差信號反向傳播。

（2）誤差信號反向傳播：網絡的實際輸出與期望輸出之間的差值即為誤差信號，誤差信號由輸出端開始逐層向前傳播，這是誤差信號的反向傳播。在誤差信號反向傳播的過程中，網絡的權值由誤差反饋進行調節。通過權值的不斷修正使網絡的實際輸出更接近期望輸出。圖1為一個含有二個隱層的BP網絡的框架圖

3.2 基于BP神經網絡的變壓器狀態檢修決策模型的確定

3.2.1 模型仿真工具的選擇

本文選擇了功能強大、應用領域廣泛的MATLAB軟件作為仿真軟件。它自帶神經網絡工具箱。該工具箱是根據神經網絡算法原理與基礎，利用MATLAB語言編寫了其算法的基本程序。

3.2.2模型測試

經過長期的現場調研，本文選取了某電力公司變壓器運行歷史過程中的幾個比較典型實例作為訓練樣本，根據上文介紹的模型，其輸入和輸出如表1所示。

通過MATLAB軟件對數據樣本進行多次訓練之后，選取最佳訓練方式，并使用樣本自身進行測試，測試的輸出值與實際輸出值的曲線如圖2：

圖中綠色方框代表測試的輸出值，藍色圓圈代表實際輸出值，訓練用時0.9668秒，迭代次數為22次，誤差精度為0.0008315，平均相對誤差為0.014339。從圖4.2中可以看出，本網絡對于訓練樣本自身數據檢測正確率基本達到100%。可以認為本網絡模型對解決多臺電力變壓器檢修排序的問題有較好的適合度和準確度。

4 實例分析

2010年某月，某地區三臺正在運行的變壓器同時出現不同程度的缺陷。其具體信息如下：

變壓器甲的電壓等級為330kV，容量為240MVA，是系統樞紐變電站中的主變壓器，滿足N-1的要求，用戶等級為一級用戶，帶電運行了10年，最近一次狀態評價中，油色譜分析出現異常，通過改良三比值法判斷為電弧放電，并在巡檢過程中發現有載分接開關存在滲漏，因此其本體扣分值為20，分接開關扣分值為30，其他部件均為0。

變壓器乙的電壓等級為330kV，容量為180MVA，是系統樞紐變電站中的主變壓器，滿足N-1的要求，用戶等級為二級用戶，帶電運行了8年，最近一次狀態評價中，發現其本體油箱的油枕密封元件出現了異常，并出現了輕微滲漏，因此其本體扣分值為16，其他部件均為0。

變壓器丙的電壓等級為220kV，容量為150MVA，是地區重要變電站中的主變壓器，不滿足N-1的要求，用戶等級為二級用戶，帶電運行了9年，最近一次狀態評價中，發現其溫度計觀察口模糊，有載調壓機構箱內計數器失靈，因此其本體扣分值為4，分接開關扣分值為8，其他部件均為0。

將以上三臺變壓器的數據進行預處理后使用本網絡進行測試，得到的結果為變壓器甲的輸出接近于0.9，可認為處于嚴重風險狀態，變壓器乙的輸出接近于0.5，可認為處于一般風險狀態，變壓器丙的輸出接近于0.3，可認為處于較低風險狀態。根據以上結果，應建議立刻對變壓器甲進行停電檢修，加強對變壓器乙的跟蹤監視，并在制定檢修方案時將變壓器乙缺陷部位的檢修時間提前，加強對變壓器丙的跟蹤監視，按正常周期維護變壓器丙的缺陷部位，與現場結論基本一致。

5 結論

基于BP神經網絡的多臺變壓器檢修決策模型，綜合考慮了影響多臺變壓器決策方案的各個因素，彌補了傳統方法考慮不周的問題，具有良好的工程應用價值。