模糊神經(jīng)網(wǎng)絡(luò)在電力繼電保護(hù)裝置狀態(tài)評(píng)價(jià)中的應(yīng)用

蘭雁寧，鄭陳達(dá)

(1.上海電力大學(xué)，上海 200090； 2.國網(wǎng)福建省電力有限公司電力科學(xué)研究院，福州 350007)

繼電保護(hù)是電力系統(tǒng)安全穩(wěn)定運(yùn)行的重要保障，直接關(guān)系著電力系統(tǒng)的運(yùn)行質(zhì)量。繼電保護(hù)狀態(tài)檢修技術(shù)離不開合理、可靠的繼電保護(hù)裝置狀態(tài)評(píng)價(jià)結(jié)果，評(píng)價(jià)結(jié)果的好壞將在很大程度上影響裝置的檢修效果[1]。傳統(tǒng)的評(píng)價(jià)手段中，人為主觀因素對(duì)評(píng)價(jià)結(jié)果有較大的影響，會(huì)降低評(píng)價(jià)工作效率，評(píng)價(jià)結(jié)果也缺乏準(zhǔn)確性。目前，已有學(xué)者提出了改進(jìn)方法[2]，文獻(xiàn)[3，4]采用模糊綜合評(píng)價(jià)法進(jìn)行繼電保護(hù)裝置評(píng)價(jià)，評(píng)價(jià)結(jié)果相較于傳統(tǒng)方法更加準(zhǔn)確且更具說服力。但這類方法工作量較大，且算法中權(quán)重系數(shù)的選擇對(duì)整體評(píng)價(jià)結(jié)果有很大的影響。馬爾科夫模型是一種適合于描述繼電保護(hù)裝置狀態(tài)變化的方法，但在工程實(shí)踐中由于受模型假設(shè)的限制，準(zhǔn)確性通常不高[5-6]。

神經(jīng)網(wǎng)絡(luò)因其自身強(qiáng)大的學(xué)習(xí)能力及非線性逼近能力，在電力設(shè)備評(píng)價(jià)方面應(yīng)用較廣。電力設(shè)備評(píng)價(jià)通常可以看做是對(duì)模糊屬性的分類問題，對(duì)設(shè)備的標(biāo)準(zhǔn)評(píng)價(jià)結(jié)果是稀缺的，因而傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型可能由于學(xué)習(xí)樣本不足導(dǎo)致其應(yīng)用范圍受限[7]。模糊神經(jīng)網(wǎng)絡(luò)結(jié)合了模糊系統(tǒng)在模糊知識(shí)表達(dá)上的優(yōu)勢(shì)，同時(shí)具備了神經(jīng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)能力，是一種優(yōu)良的分類工具[8]。介紹了一種基于T-S模糊神經(jīng)網(wǎng)絡(luò)的繼電保護(hù)裝置評(píng)價(jià)方法，其工作效率及評(píng)價(jià)結(jié)果較傳統(tǒng)評(píng)價(jià)方法均有較大提升。

1 T-S模糊神經(jīng)網(wǎng)絡(luò)

用函數(shù)表示的某計(jì)算元素的隸屬度被稱為隸屬函數(shù)。在T-S模糊模型中，系統(tǒng)規(guī)則的前件部分的隸屬函數(shù)常選用高斯型函數(shù)，當(dāng)輸入變量為向量X=[x1,x2,…,xk]時(shí)，輸入量的隸屬函數(shù)根據(jù)模糊規(guī)則可表示為式(1)。

(1)

T-S模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)對(duì)應(yīng)于模糊系統(tǒng)，可分為前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)。前件網(wǎng)絡(luò)共分為4層，用于計(jì)算各條規(guī)則的適用度，從而匹配模糊規(guī)則。變量由輸入層進(jìn)入模糊神經(jīng)網(wǎng)絡(luò)，傳送至第二層生成隸屬函數(shù)。在第三層進(jìn)行隸屬函數(shù)的模糊計(jì)算，通常采用如式(2)所示的模糊算子作為連乘算子。

(2)

ωi表示第i條模糊規(guī)則的適應(yīng)度。第三層得到的適應(yīng)度函數(shù)在第四層中采用式(3)進(jìn)行歸一化處理，結(jié)果傳輸至后件網(wǎng)絡(luò)。

(3)

后件網(wǎng)絡(luò)共3層，第一層為輸入層，第二層引入線性化參數(shù)進(jìn)行規(guī)則計(jì)算，所得到的結(jié)果在第三層中與前件網(wǎng)絡(luò)計(jì)算結(jié)果做加權(quán)求和，得到模糊神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果y，如式(4)所示，式中yj表示后件網(wǎng)絡(luò)第二層中對(duì)應(yīng)第j條模糊規(guī)則的輸出。

(4)

2 算法設(shè)計(jì)

繼電保護(hù)裝置評(píng)價(jià)是根據(jù)裝置評(píng)價(jià)標(biāo)準(zhǔn)和裝置樣本各項(xiàng)指標(biāo)值，借助數(shù)學(xué)模型計(jì)算得到裝置的狀態(tài)評(píng)價(jià)等級(jí)的過程。在絕大多數(shù)評(píng)價(jià)類問題中，用于評(píng)價(jià)的采樣數(shù)據(jù)是容易得到的，而采樣數(shù)據(jù)相對(duì)應(yīng)的評(píng)價(jià)結(jié)果，即采樣數(shù)據(jù)的標(biāo)簽數(shù)據(jù)難以得到。采用等比例隨機(jī)分布方式內(nèi)插繼電保護(hù)裝置評(píng)價(jià)指標(biāo)標(biāo)準(zhǔn)數(shù)據(jù)，生成足夠的訓(xùn)練樣本，經(jīng)網(wǎng)絡(luò)反復(fù)訓(xùn)練，借助自身優(yōu)良的泛化能力，完成繼電保護(hù)裝置狀態(tài)評(píng)價(jià)。

訓(xùn)練適用于繼電保護(hù)裝置狀態(tài)評(píng)價(jià)的模糊神經(jīng)網(wǎng)絡(luò)，具體流程如圖1所示，具體步驟包括：

圖1 模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程Fig.1 Process of fuzzy neural network training

選取待評(píng)價(jià)裝置的評(píng)價(jià)指標(biāo)，各評(píng)價(jià)指標(biāo)均劃分為優(yōu)秀、良好、中等、較差、很差五個(gè)等級(jí)。每一項(xiàng)指標(biāo)的評(píng)分標(biāo)準(zhǔn)從很差到優(yōu)秀被分為0～10分，每2分間隔取一個(gè)評(píng)價(jià)等級(jí)。

根據(jù)訓(xùn)練樣本的輸入、輸出維數(shù)，構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸入節(jié)點(diǎn)個(gè)數(shù)為裝置的評(píng)價(jià)指標(biāo)個(gè)數(shù)；網(wǎng)絡(luò)的輸出節(jié)點(diǎn)數(shù)為1，用以表示裝置的評(píng)價(jià)等級(jí)。

初始化網(wǎng)絡(luò)參數(shù)。采用誤差反向傳播學(xué)習(xí)算法，對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行修正，主要包括隸屬函數(shù)中心值、寬度值及后件網(wǎng)絡(luò)中的連接權(quán)重參數(shù)。

采用隨機(jī)分布內(nèi)插生成一定數(shù)量的訓(xùn)練樣本和測試樣本，訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)。當(dāng)網(wǎng)絡(luò)訓(xùn)練誤差小于設(shè)定值或迭代次數(shù)達(dá)到設(shè)定值時(shí)，停止訓(xùn)練；當(dāng)網(wǎng)絡(luò)在測試集上的測試誤差增大時(shí)，提前終止訓(xùn)練。

保存網(wǎng)絡(luò)模型，用于后續(xù)裝置狀態(tài)評(píng)價(jià)。

3 算例分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

參考文獻(xiàn)[9]提出了按模塊分別統(tǒng)計(jì)思想，以某繼電保護(hù)裝置采樣回路為評(píng)價(jià)對(duì)象，評(píng)價(jià)項(xiàng)目包括電源、光模塊、采樣鏈路。共生產(chǎn)50個(gè)訓(xùn)練樣本和15個(gè)測試樣本，作為訓(xùn)練集和測試集。設(shè)定的訓(xùn)練最大迭代次數(shù)為50次，訓(xùn)練精度為1e-5。構(gòu)建3輸入節(jié)點(diǎn)、1輸入節(jié)點(diǎn)的模糊神經(jīng)網(wǎng)絡(luò)，訓(xùn)練迭代過程如圖2所示，當(dāng)?shù)恋?3次時(shí)，測試誤差上升，終止訓(xùn)練。

圖2 測試誤差與訓(xùn)練誤差Fig.2 Test and training errors

3.2 實(shí)驗(yàn)結(jié)果

取5個(gè)具有代表性的測試樣本數(shù)據(jù)輸入訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)，得到評(píng)價(jià)結(jié)果如圖3，可見經(jīng)訓(xùn)練的網(wǎng)絡(luò)模型能夠準(zhǔn)確地對(duì)訓(xùn)練樣本進(jìn)行等級(jí)劃分。提取某電力企業(yè)設(shè)備運(yùn)行歷史數(shù)據(jù)，隨機(jī)選擇5臺(tái)繼電保護(hù)裝置采樣回路評(píng)價(jià)數(shù)據(jù)作為評(píng)價(jià)集。評(píng)價(jià)集經(jīng)模糊神經(jīng)網(wǎng)絡(luò)模型計(jì)算后得到的評(píng)價(jià)結(jié)果如圖4所示，評(píng)價(jià)結(jié)果很好地反映出了裝置的狀態(tài)等級(jí)。綜上可知，網(wǎng)絡(luò)模型學(xué)習(xí)訓(xùn)練樣本后，能夠較好地將知識(shí)泛化，進(jìn)而對(duì)未知的輸入樣本給出合理的結(jié)果。

圖3 測試集評(píng)價(jià)結(jié)果Fig.3 Results of test set evaluation

圖4 實(shí)際裝置評(píng)價(jià)結(jié)果Fig.4 Results of actual device evaluation

4 結(jié)語

傳統(tǒng)的電力設(shè)備繼電保護(hù)裝置狀態(tài)評(píng)價(jià)工作主要依靠人工經(jīng)驗(yàn)判斷，準(zhǔn)確性和效率較低。介紹了一種采用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行繼電保護(hù)裝置狀態(tài)評(píng)價(jià)的方法，評(píng)價(jià)結(jié)果更為客觀，能夠大幅減少工作量，在工程實(shí)踐中具有積極意義。