基于神經網絡的變電順序控制及防誤技術優化

范 琪，章健軍，瞿 旭，劉衛東，任 偉

（1.國網湖南超高壓變電公司，湖南 長沙 410004；2.變電智能運檢國網湖南省電力有限公司實驗室，湖南 長沙41004）

全面管理電網的倒閘操作順序和防誤，對于確保電網的安全運行具有重要的應用意義；該管理工作是以操作票制度為基礎完成[1]。當下，操作票大部分都是先通過PMS系統完成開票、流轉以及審批等操作后，依據防誤系統的模擬預演生成操作序列，在此基礎上執行倒閘操作[2]。在運行過程中主要依據人工操作，由于沒有防誤校核步驟，容易發生操作票錯誤情況[3]；且模擬預演也容易對倒閘操作的效率造成明顯影響。除此之外，一次設備和二次設備的一體化智能防誤效果較差[4]。神經網絡可并行化處理大規模數據信息，運算效率較高，具備良好的容錯能力，在信號處理、模式識別以及差錯控制等領域中均具有良好的應用效果。為實現操作票的防誤校正，朱瑪等人進行相關研究后，提出基于拓撲分析防誤操作方法[5]；范衛東等人則通過研究后，提出基于信號仿真的相關校核方法[6]。上述方法對于倒閘操作的防誤處理均具有一定效果，但是其在一體化校驗方面的效果仍須進一步驗證。因此，本文提出基于神經網絡的變電站順序控制及防誤校驗方法，該方法在操作票審核的基礎上，增加防誤校正方法，以此保證變電順控一體化防誤操作。

1 變電順序控制及防誤技術優化

1.1 變電順序控制結構

變電順序控制是變電站順序控制的簡稱，是變電站控制方式中的一種，主要是基于程序化的智能控制為主，該種控制方式能夠有效處理繁瑣的操作任務[7]，實現操作票的改變，使其形成任務票，簡化操作步驟，極大程度避免發生誤操作現象。因此，變電順序控制也稱為一體化智能控制，該類控制方式可實現一體化智能操作票的應用，全面關聯申請檢修票、調度指令票、智能成票至安全防誤、遙控操作等整個過程[8]，保證省、地貫通，橫向融合。

結合當下變電順序控制面臨的問題，本文為實現變電順序控制及防誤優化，結合神經網絡提出變電順序控制及防誤優化技術，如圖1所示。

圖1 變電順序控制及防誤優化技術框架

該技術須具備3 個方面的功能，一是智能化擬票，該功能是采用推理方式實現的，以保護設備和關聯設備的動作狀態和運行狀態完成，在推理過程中引入智能防誤校驗[9]，保證推理結果的可靠性，以此實現操作票的精準生成。二是校核層次化，主要作用完成設備操作順序的校核，該校核對象為一次和二次兩種類型的設備，校核內容包含操作閉鎖邏輯、潮流安全情況等；同時完成檢修票和操作票的狀態校核等[10]，實現一體化順序控制；三是一體化智能防誤優化，在執行過程中須嚴格遵守調度倒閘標準流程（SOP），采用一體化智能防誤優化模型完成操作票審核、倒閘執行審核以及調度流轉等；完成跨區監管，保證一體化調度監管效果。

1.2 一體化智能防誤優化

1.2.1 優化模型結構

一體化智能防誤是變電順序控制及防誤技術優化方法框架中的重要步驟，其以穩態監控模型為基礎[11]，對其實行擴展后，實現防誤優化。為保證防誤效果文中將變電站微機五防系統實行互聯，以此構建完整、統一的防誤數據模型，保證一體化智能防誤優化效果。本文采用的一體化智能防誤優化模型結構如圖2所示。

圖2 一體化智能防誤優化模型結構

該模型是以D5000 平臺為基礎，結合平臺自身的功能實現，模型整體劃分為兩個主要模塊，一是實現操作票審核模塊：主要由操作票識別、審核規則庫建立以及審核算法引擎3個步驟完成。

操作票識別：接收PMS操作票后，通過語義解析，將文本操作票轉化為防誤系統中的操作序列，與實際設備操作進行關聯；完成操作票分詞處理。

審核規則庫：根據一二次設備關聯關系建立，除常規的一次設備防誤操作邏輯外，還包括二次設備操作邏輯；依據語義規則，獲取設備對應關聯識別結果。

審核算法引擎：根據審核規則庫，對完整操作票進行審核，并輸出審核結果。當操作票審核通過后，防誤系統向PMS系統發送審核成功信息[12]，PMS 系統可按照流程打印操作票；若操作票未通過審核，則不打印PMS操作票，也不向電腦鑰匙中傳輸操作票。

二是倒閘操作執行審核模塊：建立倒閘操作執行審核模塊，對倒閘操作過程進行實時監視和審核。當發生設備變位時，審核模塊采用改進的神經網絡，判別該設備操作是否符合操作規則，如違反規則，則在防誤系統后臺軟件進行告警[13]，當現場有相應裝置時（如壓板采集裝置），也可發出聲光報警。

一體化智能防誤采用操作票審核以及倒閘操作執行審核兩個步驟的審核完成整個防誤優化，極大程度降低無調度和誤操作風險。

1.2.2 操作票識別

操作票審核模塊中操作票識別的主要目的是獲取操作票防誤操作序列，本文將語義分析方法與隱馬爾科夫模型進行結合，實行文本操作票文本轉換[14]；該方法通過中文分詞的方式對操作票的內容進行識別，即使沒有錄入詞表中的詞也能獲取準確的分詞結果。

任意操作票中含有字數為n的中文句子，其分詞操作公式為：

式中：(b1,…,bt,…,bn)和(a1,…,at,…,an)均為變量，前者對應狀態，后者對應觀測。P(a1,b1,…,an,bn)為聯合概率，對應整個句子的字數長度，即為序列；bk表示詞位，對應第k個；ba為操作系數。在此基礎上確定詞位特征。

完成詞位特征確定后，通過隱馬爾科夫模型實現中文分詞并完成詞性標注；在該過程中，觀測值和觀察序列，分別對應單字和單句文本；且詞位和狀態兩種序列為對應狀態；操作票語句“啟動5 號主變中性隔離裝置”為例，對其實行中分詞后可得出{啟動、5號、母線、中性、隔離裝置}，且用{動詞，名詞，名詞，名詞，名詞}描述狀態序列。則用式（2）描述模型狀態空間：式中：v,n,ns,p,d,w依次分別為動詞、名詞、地名、介詞、副詞和標點。獲取觀測空間為{ }

包含所有詞語構成的沒有重復的集合。

操作票識別的整個步驟為：將操作票指令輸入語義分析中文分詞模型中，獲取分詞結果，并將其輸入基于隱馬爾科夫模型中，完成詞性標注，獲取標注結果；在此基礎上，基于語法規則獲取操作票的動作、對象、狀態等信息，識別操作票的內容。

1.2.3 基于改進神經網絡倒閘操作防誤校正

倒閘操作執行操作審核模塊為實現操作票防誤操作校正，結合神經網絡（CNN）和雙向門控循環單元神經網絡（bidirectional gating recurrent unit，BiGRU），形成基于CNN-BiGRU的倒閘操作執行操作防誤校正模型，對操作票的執行實行二次審核，實現倒閘操作防誤校正，即完成防誤優化。

將上述小節分成分詞處理后，依據分詞結果確定操作票的局部文本，并將該文本結果輸入CNNBiGRU模型中。模型對權重值實行迭代訓練[15]；并計算低維稠密詞向量，且該向量能夠描述操作票內容文本語義關聯程度。設M×N表示向量矩陣，其屬于長度和維度分別為M和N的單句操作票文本。

隨機選擇兩段操作票樣本的分詞向量用i和j表示，兩者的關聯程度用βij表示，其計算公式為：

式中：Lmax為分詞向量i和j之間的最大的幾何距離；i的三維坐標分別用xi、yi、zi表示；j的三維坐標分別用xj、yj、zj表示。

施工材料的選擇會對大壩施工的質量產生直接的影響，因此碾壓混凝土技術在大壩施工中的首要環節就是要做好施工材料的選擇工作。在碾壓混凝土技術應用施工材料選擇方面，要特別注意水泥、混合料和外加劑的選擇。其中水泥質量是決定碾壓混凝土品質的關鍵，因此必須要選擇正規廠家購買水泥，在施工開始之后，不能隨意的更換水泥供應商，避免出現水泥質量問題影響混凝土強度，影響工程質量。而混合料則主要是指石灰石、粉煤灰等材料，這些材料的加入能夠有效提高混凝土的強度，對工程質量也會產生直接影響。

CNN-BiGRU 模型中，通過卷積層完成分詞向量的卷積操作，對其添加偏置b，并對其實行激活。分別用p×q以及ak描述單個卷積核大小以及各待操作的詞向量，式（4）描述的是該模型的卷積輸出：

式中：wk為權重值；e-k為核函數運算參數。

在進行倒閘操作防誤校正時，為保證校正效果，模型中的重置門rt主要用于實現本神經元輸出的隱藏狀態h't對一個神經元傳遞隱藏狀態ht-1的依賴程度；zt表示更新門，其可實現神經元長度和輸入兩者的隱藏狀態信息量和輸入數據的接受比例，神經元的計算公式為：

式中：σ為函數；at為輸入數據；Wr、Wz、Wh均為權值，對應輸入數據；bt、bz、bn均為偏置；Ur和Uz均為權值，對應數據傳遞；Uh為兩個隱含數據相乘結果對應的權值。

卷積操作后，池化層通過k最大池化方法對輸入的向量特征實行提取，獲取特征值，該操作能夠固定輸出向量維度，獲取其中最大值，將其定義為能力最佳向量值。如果a=(a1,a2,…,an)表示輸入數據，則輸出結果為：

其中：ai∈{a1,a2,…,an} ，i∈{1 ,2,…,k} ，a1≥a2≥…≥ak≥ak+1≥…≥an。

池化層輸出特征值結果后，全連接層對其實行賦權、偏置添加、非線性激活操作，該層輸出向量判定結果，分別對和錯兩個類別的概率，將概率值最大的向量結果定義為輸入的樣本最終判定結果，即完成倒閘操作執行操作審核判斷，分析執行結果對或者錯，完成防誤優化。

2 測試分析

為分析本文研究的變電順序控制和防誤技術的相關應用情況，將其用于某電力企業中。選取該企業中3個變電站各300個操作票正確樣本作為實例測試對象，再選擇3個變電站各100個錯誤樣本，共計1200個操作票樣本用于測試。將其按照7:3:2的比例進行劃分，獲取訓練集、驗證集和測試集，三者分別用于模型訓練、防擬合測試以及防誤優化效果測試。該企業對于防誤需求為：能夠實現對二次設備狀態的監視與管理，包括二次設備狀態的圖形化顯示、狀態巡檢等；并且實現一次、二次操作協同配合、多重判別。

測試過程中，模型的構建采用Python 語言編程完成，模型的最大迭代次數為100 次，卷積核尺寸40，其數量260個，學習速率0.001，神經元數量80個，詞向量維度64，能夠完成的批處理大小40。

采用本文技術時，須先提取操作票內容，內容的提取性能直接影響最后的防誤優化可靠程度。因此，為衡量本文技術對于操作票內容提取的應用性能，獲取本文方法對正確和錯誤兩種操作票內容提取的完整程度，結果如圖3 所示。其最高取值為1，越接近該值，表示完整程度越佳。

圖3 操作票提取內容的完整程度

對圖3測試結果分析可知：在不同序列程度下，采用本文技術對兩種操作票內容提取后，在不同的序列長度下，提取得出的內容完整度均在0.90以上，極大程度接近1。因此，本文技術對操作票內容的提取性能良好，可保證較為完整的提取效果。

為測試本文技術對于操作票內容的提取效果，隨意抽取一張操作票，采用本文方法對其實行內容提取，獲取最后的內容提取結果，如表1所示。

對表1 測試結果分析可知：本文技術對操作票內容提取后，可有效完成操作票內容的分詞處理，同時獲取詞性標注結果，依據語義規則得出提取的操作內容，并且獲取提取結果與實際內容完全一致。因此，本文技術的操作票內容提取效果良好，能夠精準獲取操作票中的內容。

表1 操作票內容的提取結果

為衡量本文技術對操作票實行防誤優化時的應用效果，對變電站在空載合閘和故障兩種運行工況下的動作情況實行控制，隨機獲取3 個倒閘裝置的動作結果，如表2所示。

對表2 測試結果分析后可知：變電站在兩種運行工況下，隨著諧波含量的逐漸增加，3 個倒閘裝置均正確動作，未發生拒動和誤動現象。是由于本文技術在防誤優化時，實現操作票審核和倒閘操作執行審核的雙審核方式，該方式在操作票審核的基礎上，對倒閘操作的執行實行二次審核，保證倒閘裝置的動作正確程度，避免發生誤動和拒動情況。

表2 倒閘的動作測試結果

為直觀體現本文技術的應用性，獲取本文技術應用后，變電站的一體化智能防誤時，對斷路器的保護動作結果，如圖4所示。

圖4 變電站的一體化智能防誤顯示結果

對圖4 測試結果實行分析后可知：本文技術應用后，能夠完成一次設備和二次設備的斷路器保護動作情況，同時對于各個斷路器的保護動作狀態進行呈現和提示，及時掌握斷路器的動作和運行狀態。由于本文技術具備一體化智能操作票功能，能夠實現校核層次化，對一次和二次兩種設備的操作順序實行校核，實現智能防誤。

為更進一步分析本文技術的應用性，獲取本文技術應用后，線路、主變壓器以及母聯間隔的斷路器保護情況實行測試，獲取本文技術應用結果，如圖5和圖6所示。

圖5 防誤判斷結果

圖6 異常巡檢結果

對圖5和圖6測試結果分析可知：本文技術應用后，全面獲取變電站的線路、主變壓器以及母聯間隔的斷路器保護情況，可判斷斷路器的保護動作，分析其動作結果是否可靠和正確；發現異常的保護情況以及動作結果，可實現異常提醒；可呈現異常動作的詳情，包括異常設備名稱、預警時間預警的詳細內容等；電力企業可依據這些異常信息制定解決措施，保證變電站的安全、穩定運行。

3 結束語

保證變電站防誤操作的可靠性，能夠極大程度提升電網的運行安全，為避免防誤過程中發生斷路器誤動或者拒動現象，本文研究基于神經網絡的變電站順序控制及防誤優化技術。該技術通過操作票和倒閘操作執行的雙重審核，完成防誤校正，實現優化。并對該技術的應用情況測試后，得出本文所研究的防誤優化技術應用性能良好，可完整提取操作票內容，保證斷路器在變電站不同的運行工況下正確動作，避免發生誤動和拒動現象。該方法應用性良好，可實現變電站一體化智能防誤。