基于神經網絡的MOA絕緣狀態評估算法

2020-11-10 07:00:58李杰楊志華王應芬朱胤宇李家保

中國設備工程 2020年21期

李杰，楊志華，王應芬，朱胤宇，李家保

（云南電網責任有限公司紅河供電局，云南紅河 654400）

電網的安全運行是保證電力系統供電可靠性和經濟性的基礎。MOA作為過電壓保護裝置被大量應用于各電壓等級，其運行狀態對電力系統的安全運行有著很大的影響。對MOA進行高精準的狀態評估，MOA將對電氣設備具有良好的過電壓保護作用，這將避免由于MOA狀態惡劣而導致電力事故的發生。為使高壓設備評估系統更加完善，提出了幾種高壓設備剩余壽命計算模型，對實際工程有重大意義。為使狀態評估算法更加精確，提出了基于神經網絡算法的評估算法。目前，有大量涉及絕緣狀態評估方面的研究，但是，結合神經網絡算法的MOA狀態評估仍存在未解決的問題。為了提高和改善MOA狀態評估中的精確性及和穩定性等問題，本文在傳統的在線監測技術上，提出了一種基于神經網絡的MOA狀態評估算法。該算法的關鍵就是在于引入BP神經網絡算法，并對輸入特征量及輸出特征量的選取，從而提高狀態評估算法的精確性和穩定性。通過與Elman神經網絡算法進行對比，驗證了基于神經網絡的MOA狀態評估算法的有效性和可行性。

1 MOA運行狀態及影響因素分析

1.1 MOA 運行狀態

根據MOA的絕緣狀態評估，可以將避雷器的運行狀態分為正常狀態和老化狀態。正常狀態指MOA并沒有出現老化或老化很輕微，并且MOA能夠有效地起到過電壓保護作用，能夠保證被保護設備的安全運行，老化狀態指MOA受到了損壞，并且對保護有一定的影響。其中，在MOA的老化的過程中，可以采用全電流和阻性電流的變化來評估MOA的運行狀態。

1.2 影響因素分析

（1）電壓波動。在電壓波動的情況下，MOA的全電流和阻性電流都是隨電壓的升高而增大。變化趨勢比較平緩，進而說明電壓波動對MOA影響不明顯。

（2）自然老化。避雷器的老化直接表現為絕緣性能的下降。發生老化后，其伏安特性曲線會向右移，阻性電流增大，其占全電流的比例也會上升。

（3）過電壓。當避雷器承受過電壓時，全電流將會變大，將會導致絕緣老化加快。

（4）濕度及表面污穢。一般情況下，濕度對全電流和阻性電流影響不大，但若是設備存在表面污穢且在表面污穢的潮濕的環境下形成污穢閃絡，這將使全電流和阻性電流較大程度的增大，從而導致絕緣受到損壞，并加快老化。

（5）溫度。隨著溫度的升高，全電流和阻性電流均逐漸增大，但全電流上升趨勢比阻性電流平緩。

2 基于神經網絡的MOA狀態評估算法設計

本文所提評估算法將避雷器參數樣本分成許多在[0，1]的數據存放到神經網絡的隱含層中即權重值，從隱含層向前傳遞通過非線性變換函數到輸出層，也就是避雷器性能判斷輸出1為正常，0為老化，由于只傳遞了1次，會出現超過或小于輸出值的誤差，可以將誤差值返回隱含層中來修正和更新權重值，以此循環，直到誤差到達要求或者循環次數到達指定數，此時，隱含層中的權矩陣就是MOA狀態的神經網絡，將待測避雷器參數輸入神經網絡中，輸出就是MOA狀態?；谏窠浘W絡的MOA狀態評估算法流程圖如圖1所示。

圖1 基于神經網絡的MOA狀態評估算法流程圖

2.1 輸入特征量

根據評估計算要求和實際環境，避雷器的主要監測量為全電流和阻性電流，由于溫度、濕度及污穢等級對全電流和阻性電流的影響較大，因此，將溫度、濕度及污穢等級作為次要檢測量，構成5個特征參數組成的輸入量。

2.2 輸出特征量

輸出量即表示MOA狀態。輸出量在0～1的范圍內，設定當輸出接近為1時，則表示避雷器運行狀態良好，輸出接近于0時，則表示避雷器處于老化狀態。實際上，0～1的數值可理解為避雷器老化或良好的概率，輸出越靠近0時，避雷器老化的概率越大，輸出靠近1時，避雷器良好的概率越大，輸出處于0～0.5時，避雷器老化的概率已經較大。因此，設置輸出為0～0.1時，避雷器老化；輸出為0.1～0.5時，需對避雷器檢修，輸出為0.5～1時，避雷器狀態良好。

2.3 樣本收集

樣本是實現MOA狀態評估的基礎，根據輸入特征量和輸出特征量的確定。樣本數據的選取應分布全面，這樣才能使狀態評估較為準確。本文共收集30組來自不同避雷器的數據，數據的分布、突變根據1.2選取，較為合理。

2.4 輸入層、輸出層和隱含層的選取

在MOA神經網絡中，每個避雷器參數樣本中有5個輸入量，和1個輸出量，在輸入層和輸出層之間通常含有若干個隱含層，對于任何閉區間內的一個連續函數都可以用一個隱含層的BP網絡來逼近，所以一個三層的BP網絡就可以完成任意的m維到n維的映射。即這三層分為，輸入層、輸出層和隱含層。

2.5 激活函數

BP網絡采用的傳遞函數是非線性變換函數。其特點是函數本身及其導數都是連續的，因而在處理上十分方便。單極性S型函數曲線如式1所示。

2.6 向前傳遞

在訓練網絡之前，需要初始化神經網絡，對每個權重取[-1，1]的一個隨機實數，每一個偏置取[0，1]的一個隨機實數，再用隨機函數產生隨機權矩陣，之后就開始進行前向傳輸。神經網絡的訓練是由多趟迭代完成的，輸入層是按照之前的隨機權重wij和樣本Qi的乘積來賦值，除輸入層外，其他各層的輸入值是上一層輸入值按權重相加的結果值加上偏置Qj，每個結點的輸出值等于該結點的輸入值作變換，方程式如式2所示。

代入式1中的激活函數后處理，對隱含層和輸出層的每一個節點都按照如上圖的方式計算輸出值，就完成前向傳播的過程。

2.7 逆向傳遞反饋

逆向反饋從輸出層往前開始，第一次向前傳遞時，整個網絡的權重和偏置都是通過隨機權矩陣，而逆向傳遞需要調整網絡的參數，即權重值和偏值，調整的依據就是網絡的輸出層的輸出值與樣本輸出之間的差異，通過調整參數來縮小這個差異，這就是神經網絡的優化目標。根據誤差反向來傳送，輸出層方程如式3所示。

在隱含層對權重更新的方程如式4和式5所示。

式中，L代表的是學習率，可以調節梯度下降法中的速度，也就是縮小差異的速度，使得能更快地接近最優值，然后，更新后的權值再經過向前傳遞，實現循環。

2.8 網絡訓練的終止條件

訓練不可能一直進行下去，可以設置一些條件來限制，權重的更新低于某個閾值，也就是通過設置一個誤差率，當輸出層與樣本之間的差異小于設置的這個誤差率，停止訓練并輸出，如果達不到這個誤差，可以設置一定循環次數262140次，數值可以盡量大些，使網絡訓練更接近于我們期望的那樣。

2.9 樣本值和輸入值的處理

由于樣本值中全電流和阻性電流的數值較大，通過很多次的激活函數后，數值會變得特別小，所以在調用時，使用歸一化處理方式，將樣本同一列上這個數減去最小值，再除以同一列上最大值與最小值的差。針對待檢測避雷器性能的參數，可將每個參數也進行歸一化處理，與參數對應的樣本的那一列最小值相減再除以同一列上最大值與最小值的差，會出現大于1的情況，將大于1的數都變為1，這樣有利于提高算法的準確性。

3 仿真分析

本文采用BP神經網絡算法對MOA進行狀態評估，并和Elman神經網絡算法進行對比仿真。仿真樣本相同，且均設置單隱層。訓練目標均設置為0.000001，訓練次數均設置為10000次，傳遞函數均為tansig和logsig，BP神經網絡算法所用訓練函數為trainscg，Elman神經網絡算法所用訓練函數為trainlm。

3.1 Elman 神經網絡算法

圖2 Elman網絡窗口

Elman神經網絡窗如圖2所示，Elman法在進行10000次之后，仍然達不到目標。Elman神經網絡法的訓練誤差曲線如圖3所示，曲線較為光滑，下降緩慢。仿真結果如圖4，極小部分出現較小偏差，一個出現極大誤差，Elman法仿真結果誤差較大。

3.2 BP 法

BP神經網絡算法窗如圖5所示，BP神經網絡算法在進行6759次之后，達到了目標值。其訓練誤差曲線如圖6所示，呈曲線下降，不光滑。仿真結果如圖7所示，仿真值與實際值基本一致，無誤差。

圖3 Elman法訓練誤差曲線

圖4 Elman神經網絡算法下避雷器運行狀態仿真結果與實際值比較

圖5 BP神經網絡算法網絡窗口

綜上，本文選取了5個參數對本文所提基于神經網絡的MOA狀態評估算法進行仿真分析，并與Elman神經網絡算法進行比對。圖8為仿真對比結果，仿真結果表明，本文所提評估算法的預測結果比Elman神經網絡算法較穩定且適用于實際評估，進一步說明本文所提狀態評估算法能有效地且較準確的評估MOA狀態。

4 結語

本文針對MOA狀態評估，提出了一種基于神經網絡的MOA絕緣狀態評估算法。該算法與Elman神經網絡算法相比，一方面，提高了絕緣狀態評估精度；另一方面，提高了預測算法的穩定性?；诒疚乃岬慕^緣評估算法，該算法能夠較高精度的評估絕緣狀態，并保持評估過程的穩定性，進一步驗證了本文所提評估算法的有效性和可行性。