殷 超，姚 鵬，湯 鵬

((1.河海大學(xué)能源與電氣工程學(xué)院，江蘇 南京 210098；2.東南大學(xué)電氣工程學(xué)院，江蘇 南京 210096；3.江蘇省電力檢修分公司本部，江蘇 南京 211102)

0 引言

目前的電力系統(tǒng)狀態(tài)估計(jì)僅利用了數(shù)據(jù)的冗余度，而電力系統(tǒng)是一個(gè)穩(wěn)定的，具有很強(qiáng)規(guī)律性的系統(tǒng)，并且數(shù)據(jù)庫中儲存著大量的經(jīng)過處理的歷史數(shù)據(jù)，對它們的有效利用，可以大大改善電力系統(tǒng)狀態(tài)估計(jì)程序的執(zhí)行效率與精度。

人工神經(jīng)網(wǎng)絡(luò)[1]具有模式識別和聯(lián)想的功能，即對于存在一定的規(guī)律但規(guī)律又不容易被發(fā)現(xiàn)的一組數(shù)據(jù)，可以通過若干組同樣滿足該規(guī)律的數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，這樣，在不需要知道具體規(guī)律的情況下，對于一定的輸入，經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即可輸出滿足規(guī)律的輸出。電力系統(tǒng)中的量測量之間受電路定律的束縛，但是在存在壞數(shù)據(jù)的情況下這些定律變得難以合理應(yīng)用，人工神經(jīng)網(wǎng)絡(luò)具有的高度的容錯(cuò)性能很好解決這一矛盾。

本論文研究的主要內(nèi)容是：依據(jù)量測量的冗余度以及歷史數(shù)據(jù)的規(guī)律性，提出一種基于人工神經(jīng)網(wǎng)絡(luò)的狀態(tài)估計(jì)算法。利用面向?qū)ο蟮某绦蛟O(shè)計(jì)方法，采用數(shù)據(jù)挖掘技術(shù)將SCADA大數(shù)據(jù)庫分成若干子數(shù)據(jù)庫，相對應(yīng)各子數(shù)據(jù)庫分別訓(xùn)練神經(jīng)網(wǎng)絡(luò)，對應(yīng)于總數(shù)據(jù)庫，訓(xùn)練拓?fù)浔孀R神經(jīng)網(wǎng)絡(luò)，依據(jù)量測量和訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行狀態(tài)估計(jì)并采用圖形學(xué)技術(shù)在界面顯示網(wǎng)絡(luò)拓?fù)洹?/p>

1 遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(GA-BP)

傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢，容易陷入局部極小點(diǎn)而無法得到全局最優(yōu)解[2][3]，并且對初試權(quán)值矩陣很敏感等缺點(diǎn)。而遺傳算法自始至終是在全局解空間中搜索最優(yōu)解，使用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)可以有效地解決上述問題。具體步驟如下：

1.初始化；

2.根據(jù)權(quán)值矩陣維數(shù)與閾值維數(shù)進(jìn)行二進(jìn)制編碼；

3.隨機(jī)初始化產(chǎn)生規(guī)模為設(shè)定值的種群；

4.選擇，交叉，變異生成子代種群；

5.解碼種群中的每個(gè)染色體形成BP神經(jīng)網(wǎng)絡(luò)的初試權(quán)值矩陣即閾值矩陣，進(jìn)行BP訓(xùn)練，訓(xùn)練完成進(jìn)行校驗(yàn)，以校驗(yàn)結(jié)果的均方根差的倒數(shù)作為適應(yīng)度；

6.評價(jià)新生子代種群；

7.進(jìn)行子代進(jìn)化；

8.判斷是否滿足結(jié)束條件，若滿足，遺傳優(yōu)化結(jié)束，若不滿足，返回步驟4；

9.解碼遺傳算法輸出的最優(yōu)染色體，初始化BP神經(jīng)網(wǎng)絡(luò)的初試權(quán)值矩陣與閾值矩陣；

10.訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)；

11.判斷是否達(dá)到訓(xùn)練結(jié)束條件（一般以訓(xùn)練次數(shù)和輸出誤差作為該條件），若滿足，訓(xùn)練結(jié)束，若不滿足，返回步驟10；

12.輸入計(jì)算參數(shù)，獲得神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)果；

13.算法結(jié)束。

2 電力系統(tǒng)狀態(tài)估計(jì)程序?qū)崿F(xiàn)

盡管采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能夠縮短訓(xùn)練時(shí)間，但是對于對實(shí)時(shí)性要求較高的狀態(tài)估計(jì)來說，這是遠(yuǎn)遠(yuǎn)不能滿足的，而在狀態(tài)估計(jì)中真正實(shí)現(xiàn)功能的神經(jīng)網(wǎng)絡(luò)計(jì)算用時(shí)確非常短，相比于傳統(tǒng)的狀態(tài)估計(jì)需要進(jìn)行大規(guī)模的矩陣運(yùn)算與大量的迭代計(jì)算在效率上有很大提高，因此可以將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練放在離線模式下進(jìn)行，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)取代傳統(tǒng)狀態(tài)估計(jì)在電力系統(tǒng)軟件中的位置。電力系統(tǒng)狀態(tài)估計(jì)的基本功能有兩點(diǎn)：1.由遙信信息，確定系統(tǒng)網(wǎng)絡(luò)拓?fù)洌?.由遙測信息，計(jì)算系統(tǒng)潮流，其結(jié)果應(yīng)滿足電路定律。在此，定義兩種神經(jīng)網(wǎng)絡(luò)實(shí)例，分別實(shí)現(xiàn)上述功能。

2.1 離線模式

該模式下主要完成GA-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練過程包括兩個(gè)步驟，一是采用遺傳算法優(yōu)化，導(dǎo)出權(quán)值矩陣與閾值矩陣，二是BP神經(jīng)網(wǎng)絡(luò)獲取這些矩陣進(jìn)行初始化，進(jìn)行常規(guī)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。由于訓(xùn)練數(shù)據(jù)對于神經(jīng)網(wǎng)絡(luò)的影響較大，對于確定網(wǎng)絡(luò)拓?fù)涞纳窠?jīng)網(wǎng)絡(luò)A在從系統(tǒng)歷史數(shù)據(jù)庫選擇數(shù)據(jù)時(shí)必須符合以下要求：

1.數(shù)據(jù)要能夠反映系統(tǒng)的運(yùn)行狀態(tài), 要有高峰、低谷和一般情況下的負(fù)荷狀態(tài)；

2.數(shù)據(jù)要能夠反映系統(tǒng)結(jié)構(gòu)的變化；

3.為加快訓(xùn)練速度，盡量減少輸入與輸出變量。

對于處理遙測量的神經(jīng)網(wǎng)絡(luò)群B(個(gè)數(shù)對應(yīng)于字?jǐn)?shù)庫個(gè)數(shù))從子數(shù)據(jù)庫獲取訓(xùn)練數(shù)據(jù)，數(shù)據(jù)應(yīng)滿足以下要求：

1.數(shù)據(jù)要能夠反映系統(tǒng)的運(yùn)行狀態(tài), 要有高峰、低谷和一般情況下的負(fù)荷狀態(tài)；

2.數(shù)據(jù)要緊湊，不能過于分散；

將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)A保存于內(nèi)存中，免去調(diào)用時(shí)讀取硬盤的開銷，過大的神經(jīng)網(wǎng)絡(luò)群B占用大量的內(nèi)存，將其以串行化方式存入各子數(shù)據(jù)庫對應(yīng)表中。

2.2 在線模式

該模式即為電力系統(tǒng)狀態(tài)估計(jì)主程序，分為拓?fù)浔孀R與遙測壞數(shù)據(jù)辨識。

2.2.1 拓?fù)浔孀R

開關(guān)位置（包括變壓器檔位等遙信量）與量測值間并不存在直接的滿足電路定律的規(guī)律，但是開關(guān)量直接影響網(wǎng)絡(luò)拓?fù)?，網(wǎng)絡(luò)拓?fù)渲苯佑绊懗绷鞣植?，而潮流分布與量測值息息相關(guān)，因此開關(guān)位置與量測值間存在一定復(fù)雜的規(guī)律。對于訓(xùn)練的足夠好的神經(jīng)網(wǎng)絡(luò)A，以采集到的遙測量為輸入變量，開關(guān)位置為輸出量，輸出結(jié)果與遙信量對比，與之不同的遙信量即為壞數(shù)據(jù)。

2.2.2 遙測壞數(shù)據(jù)辨識

根據(jù)神經(jīng)網(wǎng)絡(luò)A的輸出形成分類字符串，尋找對應(yīng)子數(shù)據(jù)庫，讀取子數(shù)據(jù)表中存入的串行化神經(jīng)網(wǎng)絡(luò) ，以采集到的遙測量為輸入變量，各有功功率，無功功率，電壓幅值，電壓相角等傳統(tǒng)狀態(tài)估計(jì)計(jì)算輸出為輸出量，輸出量中與量測對應(yīng)的部分如果誤差大于±3 ( 為正常量測范圍的0.5% ～2% )，則為壞數(shù)據(jù)。

無論是否含有壞數(shù)據(jù)，將神經(jīng)網(wǎng)絡(luò)的輸出量存入總數(shù)據(jù)庫與子數(shù)據(jù)庫。值得注意的是，盡管神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的容錯(cuò)能力，但也是有限的，對于壞數(shù)據(jù)過多的情況，可能會(huì)存在誤判，這種情況在傳統(tǒng)狀態(tài)估計(jì)中稱之為不可辨識，將誤判數(shù)據(jù)存入數(shù)據(jù)庫會(huì)導(dǎo)致以后的訓(xùn)練數(shù)據(jù)畸變，同時(shí)也影響系統(tǒng)其它軟件的運(yùn)行，因此，對于判定下來壞數(shù)據(jù)超過總數(shù)據(jù)50%的情況，則認(rèn)為是誤判，不予以入庫，并發(fā)出警報(bào)。

3 結(jié)論

在EMS中，電力系統(tǒng)狀態(tài)估計(jì)是不可或缺的重要組成部分，本文在廣泛總結(jié)了前人研究的基礎(chǔ)上，提出了利用被忽視確又很有價(jià)值的大量歷史數(shù)據(jù)進(jìn)行狀態(tài)估計(jì)的方法，采用了數(shù)據(jù)挖掘技術(shù)對數(shù)據(jù)進(jìn)行分類處理，并提出了分類子數(shù)據(jù)庫的命名方式；采用了遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的不足，并且將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與使用進(jìn)行分離，大大減少了實(shí)時(shí)運(yùn)行的時(shí)間開銷，滿足實(shí)時(shí)性要求，使用兩類神經(jīng)網(wǎng)絡(luò)分別進(jìn)行拓?fù)浔孀R與遙測分析，對兩類神經(jīng)網(wǎng)絡(luò)采取不同的存儲方式，節(jié)省了內(nèi)存開銷，提高了運(yùn)行速率。

[1]袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M ].北京: 清華大學(xué)出版社,1999.

[2]Zhu YL,Sidhu TS,Yang M Y'etal.An AI-based automatic network topology processor[J].Electric Power Systems Research,2002,61(1)：57～65.

[3]P.J.Deitel,H.M.Deitel.C++ How To Program,Seventh Edition[M].北京:電子工業(yè)出版社,2010.