基于神經網絡算法的配電網設備狀態評價

廣東電網有限責任公司廣州供電局 黃錦增 段煉 魏艷霞 陳永淑 李茜瑩

溫度、環境等因素會影響到配電網線路，導致配電網計算精度降低。為保證配電網設備運行時狀態良好，本文提出了一種基于神經網絡算法的配電網設備狀態評價方法，簡化網絡不確定部分，進一步提高量測數據精度，并使用配電網自身特性生成有效計算方法，實現有效電力調度管理。

傳統定期檢修不僅會對供電連續性造成影響，還會發生因未及時檢修而突發故障停電的情況。基于此背景，本文提出一種設備狀態研究方法，根據設備狀態評價結果安排檢修計劃，提升設備檢修合理性。電力系統的基礎為配電網，運行過程中的安全性與人民群眾息息相關。但是配電網結構比較復雜，運行中存在大量不確定性因素。配電網設備合理安排檢修計劃能夠提高設備運行可靠性，隨著在線檢測技術的不斷發展，也使龐大配電網絡狀態評估成為可能。因此，本文就分析配電網設備狀態，促進配電網的發展做出研究。

1 神經網絡算法分析

系統中任意點在運行過程中都關系著系統其他點的運行狀態，利用配電網中的已知數據對狀態變量進行估計。通過三層BP 網絡，將S 函數應用到隱含層中，將線性函數應用到輸出層中。以隨機誤差和潮流計算結果實現模擬輸入，所選擇的樣本要充分考慮系統的實際運行狀態，以基準、高峰、低谷等不同負荷狀態提出解決方案，實現神經網絡的創建[1]。

2 配電網設備運行狀態的指標體系

通過層次分析法（AHP）創建配電網設備的運行狀態指標體系，在各層次結構中分解決策目標，利用求解判斷矩陣的特征向量，得出各層次、元素上個層次的元素優先權重；最后通過加權的方法遞歸合并方案。在配電網設備健康狀態評估過程中，變壓器為運維人員重點關注的設備。表征變壓器狀態具有大量的信息特征量，不同程度、側面與層次反映出變壓器運行狀態的好壞。通過創建狀態評估指標體系，反映變壓器運行狀態、電氣試驗、有色譜分析、變壓器附件、油畫試驗和運檢記錄等關聯因素表現情況。在評價狀態時實現評價設備單元的劃分，收集和整理相應設備信息，通過狀態評價表評價各個部件，以設備的運行年限與是否存在家族缺陷情況確定家族缺陷系數、壽命系數，最后計算各個部件的系數。在評價過程中考慮權重系數，根據短板原理評價設備單元，編制設備單元評價報告，最終形成設備評價報告，確定設備狀態級別，提出檢修建議[2]。如圖1所示為變壓器運行狀態指標體系。

圖1 變壓器運行狀態指標體系Fig.1 Transformer operating state index system

3 配電網設備的故障因素分析

根據城市配電網的故障記錄，得出配電網故障因素體系。配電網設備故障出現的原因包括大風大雨、絕緣老化、設備質量、雷擊、重載過載等。在對故障率進行修正的時候，要求創建有規律故障因素模型。由于用戶原因和外力破壞因素存在人為及不可控因素，所以隨機性比較強。那么，就要分析配電網天氣原因和公用設備，充分考慮其他類故障。對于任意配電網設備，會因為某因素出現某故障，包括外界或者自身缺陷。所以，多種因素都會影響到配電設備故障率[3]。

4 配電網設備狀態評價

4.1 簡化網絡

配電網包括配電變壓器、變電所和電力線路，具有復雜的結構和大量節點。在進行簡化后對電壓進行估計，檢測量測數據之后利用已經訓練的神經網絡對狀態進行計算和估計，能有效的簡化系統。在簡化其他部分之后，以最大符合度情況將系統分散實現集中負荷的簡化，保留監視節點，以比例對電壓進行估計。

4.2 配電網故障率預測模型

4.2.1 數據模糊化預處理

預處理要求重視隸屬函數的選擇，根據變壓器經驗進行判斷，通過Sigmoid 函數實現處理和計算：

公式中待診斷數據實際值為x，xa指的是注意值，y指的是預處理后輸出值。

4.2.2 創建人工神經網絡模型

人工神經網絡使用徑向基函數RBF，類似BP 網絡，RBF 網絡屬于三層前向網絡，包括隱含層、輸出層、輸入層。隱含層第j個神經元輸出值zj表示為：

公式中的wkj指的是輸出層第k個神經元和隱含層j個神經元的調節權重。

4.2.3 創建參數子空間

油中溶解氣體分析過程中的氫氣、乙炔、總烴的體積分數和總烴相對產氣率狀態評價結果作為信息空間I1；根據繞組絕緣電阻、繞組直流電阻、鐵芯絕緣電阻、吸收比的評價結果作為信息空間I2；將套管介質損耗、局部放電、油中溶解氣體分析在線監測數據作為信息空間I3。以此創建三個RBF 子網絡并聯評價子系統，每個子系統輸出值構成證據體，通過三個證據體實現證據融合，從而得出最終配電設備各個部位的故障概率。

4.3 設備狀態修正矩陣

對于配電網設備的不同，不同氣象影響程度也各有不同。分析故障設備可以得到設備修正系數和兩者的關系，如表1所示。

表1 設備狀態修正系數和故障因素的關系Tab.1 Relationship between equipment state correction factor and failure factors

設備狀態修正系數矩陣：

公式中的p(i)i指的是第i 類設備中第j 類故障因素狀態修正系數，1 ≤j ≤5。

4.4 設備狀態修正模型

分析歷史統計數據與配電網實時運行數據，得出設備雷擊天氣、大風大雨、絕緣老化程度等方面對設備故障率的影響。

5 算例分析

為了對線路參數計算，使用RBF 算法擬合線路和線路兩端量測數據復雜線性關系。不同因素會影響到線路參數，但是其變化范圍在初始參數值附近中。針對上述研究算法，節點電壓量測值為已知的，改變線路參數值能夠得出支路功率。計算變化線路參數能夠得到支路功率，實現訓練樣本的創建。通過計算得到RBF 支路功率輸入，在訓練樣本數最大時能夠訓練RBF。針對已經訓練好的RBF，利用此支路功率量測值實現RBF 算法輸入，以此得到線路的計算結果。

因為獲得實際線路參數比較困難，所以本文選擇116條三相線路進行測試，對本文提出的算法進行驗證，利用Zbus 潮流計算法進行計算，根據潮流計算結果作為實際測量值對于提出RBF 參數估計算法與MRO 算法開展對比驗證。如圖2—圖4所示為不同誤差時RBF 參數估計方法和MRO 方法的結果，如表2所示為電壓分布結果。通過表2可以看出來，神經網絡實現配電網狀態估計方法可行，在神經網絡訓練結束后具有較快的計算速度，使實時性需求度得到滿足。

表2 電壓分布結果Tab.2 Voltage distribution results

在進行評估的過程中，線路參數初始值根據DMS 存儲線路計算。本文初始參數為線路參數，對不同線路參數取值范圍和量測誤差算法進行驗證。

圖2中參數取值范圍為初始參數的95%～105%，充分考慮溫濕度環境，無功功率與有功功率量測誤差為0.5。通過圖2表示，兩種方法計算結果都小于實際值，但是有個別線路的參數比較大，RBF 參數計算法結果小于MPE 值，算法較優。

圖2 小誤差Fig.2 Small error

圖3中的功率量測誤差為1%，參數取值范圍為初始參數的90%～110%。以此可以看出來，增加參數取值范圍與量測誤差時，兩種算法計算結果與實際值增加較大，但是本文算法計算結果的增加較小。

圖3 中等誤差Fig.3 Moderate error

圖4中參數取值范圍是初始參數的80%～120%，功率量測誤差為5%。在不斷增加參數取值范圍和誤差時，MRO 算法結果為28%，比參數取值范圍要大。利用RBF 參數估計算法取值比較大，但是范圍可以縮小。那么就可以看出來，本文算法在估計參數過程中具有良好性能，使病態矩陣問題得到解決，而且具有良好穩定性。此方法還能夠在兩相或者三相配電線路中使用，降低接線路參數的數量，提高RBF 訓練算法。

圖4 大誤差Fig.4 Big errors

6 結語

通過本文研究，使用神經網絡算法對于配電網狀態估計的優勢為：

（1）能夠充分對影響設備狀態的變量進行測量，提高了數據精準度；

（2）神經網絡通過訓練之后，計算時間較短，滿足了快速計算需求；

（3）因為神經網絡信息被分布存儲到處理單元閾值與連接權中，存在一定容錯性，提升了數據精準性。