智能變電站通信網絡狀態評價方法

熊 楠 王 軍 宋 堯

（貴州電網有限責任公司貴安供電局，貴州 550003）

0 引言

智能變電站在智能電網中不僅是保護、測控等功能的實現，也是構建網絡集成平臺的基礎[1]。通信網絡是實現變電站自動化的關鍵，作為主站和變電站的傳輸通道，實現了整站的信息共享，其可靠運行對電網的正常運行至關重要[2]。通過查閱資料發現，在智能變電站網絡的研究中，國內外學者主要對通信的實時性和可靠性進行研究，對網絡狀態評價方法的研究很少[3]。本文在智能變電站體系結構的基礎上，結合模糊C-均值聚類（fuzzy C-means algorithm, FCM）與T-S 模糊神經網絡（T-S fuzzy neural network, TSFNN），建立基于9 個評估指標的智能變電站網絡狀態評估模型，并通過實例驗證模型的有效性和可靠性。

1 系統概述

在變電站過程級網絡通信中使用面向對象的通用變電站事件（generic object oriented substation event, GOOSE）和采樣測量值（sampled measured value, SMV）傳輸技術時，可靠的通信網絡對于確保繼電保護的及時性和可靠性至關重要[4]。智能變電站網絡包括站控層、間隔層、過程層、位于站控層與間隔層之間的站控層網絡和位于過程層與間隔層之間的過程層網絡。圖1 所示為智能變電站三層兩網結構。

1）過程層由智能設備、智能終端和智能組件組成[5]，完成變電站配電、變電、輸電、測量和保護等基本功能。

2）間隔層由輔助設備組成，如繼電保護裝置、測控裝置及其他智能電子設備（intelligent electronic device, IED）等。一般包括繼電保護設備、測控設備、故障記錄設備、計量設備等。

3）站控層主要由自動化系統、控制系統和通信系統等組成，實現整個變電站或電力設備的測控功能，包括采集監視數據、采集電能、管理保護信息、同步相位采集等。

圖1 智能變電站三層兩網結構

站控層網絡通信過程基于制造報文規范（manufacturing message specification, MMS）和TCP/IP 協議，它抽象了通信服務接口，主要保護傳輸數據。過程層網絡包括采樣值SMV 和GOOSE 子網。前者傳輸采樣信息，后者傳輸開關信息。

2 網絡狀態評價模型

本文采用有、無監督相結合的方法對通信網絡狀態進行評價，將層次分析法（analytic hierarchy process, AHP）得到的權值通過標準歐幾里得進行降維，結合模糊C-均值聚類與T-S 模糊神經網絡，建立基于9 個評估指標的智能變電站網絡狀態評估模型[5]。圖2 為狀態評價流程。

圖2 狀態評價流程

2.1 數據指標體系

本文基于9 個指標建立評估模型：可用性、響應時間、丟包率、準確率、吞吐量、利用率、沖突率、廣播率和組播率。運行有兩種狀態，正常和異常。異常狀況分為五類：注意（Ⅰ級）、較為嚴重（Ⅱ級）、嚴重（Ⅲ級）、非常嚴重（Ⅳ級）和無法運行（Ⅴ級）。數據統一為100，表1 列出了異常的分類標準。

表1 異常分類標準

2.2 評價模型

選擇9 個指標創建評價指標集，通過層次分析法得到各元素的權向量。代入歐幾里得距離公式，即[6]

式中：a1k和b2k分別為n維向量a和b的第k個分量；sk為第k個分量的標準差；ωz為各評價指標的權重。

考慮每個指標對評估結果影響的差異，表2 為通過層次分析法得到指標權重。

表2 指標權重

將FCM 算法應用于數據集的模糊聚類，通過使各樣本和其聚類中心的加權二次方和最小化，得到最優聚類結果[7]。

引入隸屬度的概念，采用模糊劃分來表示每個樣本屬于各個聚類中心的程度。標準化隸屬矩陣U的元素μik取值為[0, 1]之間，并滿足式（2）的要求[8]。

式中：ikμ為第i個聚類中心包含樣本k的隸屬度；c為聚類數；n為樣本總數。

FCM 算法的目標函數為

式中：dik為第i類聚類中心到樣本k的距離；m為加權指數；V為聚類中心矩陣。

使用拉格朗日乘數法，得到隸屬度ikμ和聚類中心iv，即

式中：xk為第k個樣本；drk為第r類聚類中心到樣本k的距離。

T-S 模糊神經網絡模型由前、后件兩部分組成，前件是模糊變量，后件是輸入/輸出的線性函數。T-S模糊系統的輸入/輸出模型通常由以下規則描述。

規則：ifx1isA1iand ifx2isA2i··· and ifxnisAnithen

模糊系統的總輸出是各個子規則輸入的加權平均值，即

本文使用具有多輸入單輸出的T-S 模糊神經網絡，前件網絡和后件網絡分別為四層和三層[9]。

前件輸入層，一個輸入變量對應一個神經元，并將輸入變量傳送到下一層，輸出為[10]

前件模糊化層，每一個神經元對應一個語言術語，即Aij。由高斯隸屬函數定義，輸出為

式中，c ij和σij分別為高斯隸屬度函數的中心和寬度（第i個規則下）。

前件規則層，每個神經元對應一條規則，該規則連接到第二層中語言項的神經元，輸出為[11]

式中，γi為補償度（第i個規則下）。

前件輸出層，歸一化輸出，即

后件輸出層，T-S 模糊神經網絡的輸出為[12]

式中：y為后件網絡中各個規則的加權和；為權重系數，作為后件網絡輸出層的連接權值。

T-S 模糊神經網絡評價過程如圖3 所示。

使用經過訓練的模型來評價智能變電站網絡，根據評價值對應劃分網絡級別。預測值小于1.5 時為Ⅰ級，大于4.5 時為Ⅴ級。參數初始化xite= 0.001，alfa= 0.05，網絡輸入節點數為9、隱含節點數為18、輸出節點數為1。

3 實驗結果與分析

以某變電站的通信系統為例，以實際測量結果為依據，使用AHP 計算每個元素的權重[13]。具體計算結果見表3。

圖3 T -S 模糊神經網絡評價過程

表3 計算結果

判定網絡狀態參數是否在正常范圍內。如不在，將權重值代入歐幾里得公式，然后進行模糊聚類。聚類參數設置如下：最大迭代次數為200，目標函數的最終公差為1×10-6，冪指數為3，將數據聚合為五類，從小到大分別標記為1、2、3、4、5。

使用T-S 模糊神經網絡模型，選擇80 個樣本數據，其中50 個為訓練數據，20 個為測試數據，10個為評價數據。圖4 為訓練結果。從圖4 可以看出，兩條輸出曲線的趨勢基本相同，模型輸出的大多數點基本上與實際輸出相吻合。

圖4 訓練結果

為了分析模型輸出的可靠性，做訓練誤差分布曲線如圖5 所示，由圖5 可知，樣本點90%誤差在±0.5 以內，最大誤差為-0.95。這表明TSFNN 預測模型的結果與實際輸出較為吻合。

圖5 訓練誤差

進一步對模型進行測試驗證其合理性。將20 組測試數據導入模型，測試結果如圖6 所示。從該圖可以看出，有幾個點模型輸出值與實際值偏差較大，但是大多數點在實際值上下波動。

圖6 測試結果

為了更直觀地進行比較分析，做測試誤差曲線如圖7 所示。從圖7 可以看出，誤差在±1 之間，表明該預測模型是合理有效的。

圖8 為評價結果對比。從圖8 可以看出，本文方法評估結果與實際情況的相似度達到90%。利用該方法可以獲得較高的準確率，可以實現網絡狀態的在線評價。現場數據和實際分析結果表明，該方法能有效地評價智能變電站的通信網絡。

圖7 測試誤差

圖8 評價結果對比

4 結論

針對現有的智能變電站通信網絡狀態評價中存在過多人為因素的問題，提出一種基于T-S 模糊神經網絡和模糊C-均值聚類的智能變電站通信網絡狀態評價模型。通過實例驗證了模型的有效性和可靠性。結果表明，該方法能有效地評價智能變電站的通信網絡。根據實驗室現有的設備和數據規模，對智能變電站通信網絡評估方法的研究尚處于初級階段。基于此，逐步改進和完善將是下一步工作的重點。