李杰，楊志華，王應(yīng)芬，朱胤宇，李家保

（云南電網(wǎng)責(zé)任有限公司紅河供電局，云南 紅河 654400）

電網(wǎng)的安全運行是保證電力系統(tǒng)供電可靠性和經(jīng)濟性的基礎(chǔ)。MOA作為過電壓保護裝置被大量應(yīng)用于各電壓等級，其運行狀態(tài)對電力系統(tǒng)的安全運行有著很大的影響。對MOA進行高精準(zhǔn)的狀態(tài)評估，MOA將對電氣設(shè)備具有良好的過電壓保護作用，這將避免由于MOA狀態(tài)惡劣而導(dǎo)致電力事故的發(fā)生。為使高壓設(shè)備評估系統(tǒng)更加完善，提出了幾種高壓設(shè)備剩余壽命計算模型，對實際工程有重大意義。為使?fàn)顟B(tài)評估算法更加精確，提出了基于神經(jīng)網(wǎng)絡(luò)算法的評估算法。目前，有大量涉及絕緣狀態(tài)評估方面的研究，但是，結(jié)合神經(jīng)網(wǎng)絡(luò)算法的MOA狀態(tài)評估仍存在未解決的問題。為了提高和改善MOA狀態(tài)評估中的精確性及和穩(wěn)定性等問題，本文在傳統(tǒng)的在線監(jiān)測技術(shù)上，提出了一種基于神經(jīng)網(wǎng)絡(luò)的MOA狀態(tài)評估算法。該算法的關(guān)鍵就是在于引入BP神經(jīng)網(wǎng)絡(luò)算法，并對輸入特征量及輸出特征量的選取，從而提高狀態(tài)評估算法的精確性和穩(wěn)定性。通過與Elman神經(jīng)網(wǎng)絡(luò)算法進行對比，驗證了基于神經(jīng)網(wǎng)絡(luò)的MOA狀態(tài)評估算法的有效性和可行性。

1 MOA運行狀態(tài)及影響因素分析

1.1 MOA 運行狀態(tài)

根據(jù)MOA的絕緣狀態(tài)評估，可以將避雷器的運行狀態(tài)分為正常狀態(tài)和老化狀態(tài)。正常狀態(tài)指MOA并沒有出現(xiàn)老化或老化很輕微，并且MOA能夠有效地起到過電壓保護作用，能夠保證被保護設(shè)備的安全運行，老化狀態(tài)指MOA受到了損壞，并且對保護有一定的影響。其中，在MOA的老化的過程中，可以采用全電流和阻性電流的變化來評估MOA的運行狀態(tài)。

1.2 影響因素分析

（1）電壓波動。在電壓波動的情況下，MOA的全電流和阻性電流都是隨電壓的升高而增大。變化趨勢比較平緩，進而說明電壓波動對MOA影響不明顯。

（2）自然老化。避雷器的老化直接表現(xiàn)為絕緣性能的下降。發(fā)生老化后，其伏安特性曲線會向右移，阻性電流增大，其占全電流的比例也會上升。

（3）過電壓。當(dāng)避雷器承受過電壓時，全電流將會變大，將會導(dǎo)致絕緣老化加快。

（4）濕度及表面污穢。一般情況下，濕度對全電流和阻性電流影響不大，但若是設(shè)備存在表面污穢且在表面污穢的潮濕的環(huán)境下形成污穢閃絡(luò)，這將使全電流和阻性電流較大程度的增大，從而導(dǎo)致絕緣受到損壞，并加快老化。

（5）溫度。隨著溫度的升高，全電流和阻性電流均逐漸增大，但全電流上升趨勢比阻性電流平緩。

2 基于神經(jīng)網(wǎng)絡(luò)的MOA狀態(tài)評估算法設(shè)計

本文所提評估算法將避雷器參數(shù)樣本分成許多在[0，1]的數(shù)據(jù)存放到神經(jīng)網(wǎng)絡(luò)的隱含層中即權(quán)重值，從隱含層向前傳遞通過非線性變換函數(shù)到輸出層，也就是避雷器性能判斷輸出1為正常，0為老化，由于只傳遞了1次，會出現(xiàn)超過或小于輸出值的誤差，可以將誤差值返回隱含層中來修正和更新權(quán)重值，以此循環(huán)，直到誤差到達(dá)要求或者循環(huán)次數(shù)到達(dá)指定數(shù)，此時，隱含層中的權(quán)矩陣就是MOA狀態(tài)的神經(jīng)網(wǎng)絡(luò)，將待測避雷器參數(shù)輸入神經(jīng)網(wǎng)絡(luò)中，輸出就是MOA狀態(tài)。基于神經(jīng)網(wǎng)絡(luò)的MOA狀態(tài)評估算法流程圖如圖1所示。

圖1 基于神經(jīng)網(wǎng)絡(luò)的MOA狀態(tài)評估算法流程圖

2.1 輸入特征量

根據(jù)評估計算要求和實際環(huán)境，避雷器的主要監(jiān)測量為全電流和阻性電流，由于溫度、濕度及污穢等級對全電流和阻性電流的影響較大，因此，將溫度、濕度及污穢等級作為次要檢測量，構(gòu)成5個特征參數(shù)組成的輸入量。

2.2 輸出特征量

輸出量即表示MOA狀態(tài)。輸出量在0～1的范圍內(nèi)，設(shè)定當(dāng)輸出接近為1時，則表示避雷器運行狀態(tài)良好，輸出接近于0時，則表示避雷器處于老化狀態(tài)。實際上，0～1的數(shù)值可理解為避雷器老化或良好的概率，輸出越靠近0時，避雷器老化的概率越大，輸出靠近1時，避雷器良好的概率越大，輸出處于0～0.5時，避雷器老化的概率已經(jīng)較大。因此，設(shè)置輸出為0～0.1時，避雷器老化；輸出為0.1～0.5時，需對避雷器檢修，輸出為0.5～1時，避雷器狀態(tài)良好。

2.3 樣本收集

樣本是實現(xiàn)MOA狀態(tài)評估的基礎(chǔ)，根據(jù)輸入特征量和輸出特征量的確定。樣本數(shù)據(jù)的選取應(yīng)分布全面，這樣才能使?fàn)顟B(tài)評估較為準(zhǔn)確。本文共收集30組來自不同避雷器的數(shù)據(jù)，數(shù)據(jù)的分布、突變根據(jù)1.2選取，較為合理。

2.4 輸入層、輸出層和隱含層的選取

在MOA神經(jīng)網(wǎng)絡(luò)中，每個避雷器參數(shù)樣本中有5個輸入量，和1個輸出量，在輸入層和輸出層之間通常含有若干個隱含層，對于任何閉區(qū)間內(nèi)的一個連續(xù)函數(shù)都可以用一個隱含層的BP網(wǎng)絡(luò)來逼近，所以一個三層的BP網(wǎng)絡(luò)就可以完成任意的m維到n維的映射。即這三層分為，輸入層、輸出層和隱含層。

2.5 激活函數(shù)

BP網(wǎng)絡(luò)采用的傳遞函數(shù)是非線性變換函數(shù)。其特點是函數(shù)本身及其導(dǎo)數(shù)都是連續(xù)的，因而在處理上十分方便。單極性S型函數(shù)曲線如式1所示。

2.6 向前傳遞

在訓(xùn)練網(wǎng)絡(luò)之前，需要初始化神經(jīng)網(wǎng)絡(luò)，對每個權(quán)重取[-1，1]的一個隨機實數(shù)，每一個偏置取[0，1]的一個隨機實數(shù)，再用隨機函數(shù)產(chǎn)生隨機權(quán)矩陣，之后就開始進行前向傳輸。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是由多趟迭代完成的，輸入層是按照之前的隨機權(quán)重wij和樣本Qi的乘積來賦值，除輸入層外，其他各層的輸入值是上一層輸入值按權(quán)重相加的結(jié)果值加上偏置Qj，每個結(jié)點的輸出值等于該結(jié)點的輸入值作變換，方程式如式2所示。

代入式1中的激活函數(shù)后處理，對隱含層和輸出層的每一個節(jié)點都按照如上圖的方式計算輸出值，就完成前向傳播的過程。

2.7 逆向傳遞反饋

逆向反饋從輸出層往前開始，第一次向前傳遞時，整個網(wǎng)絡(luò)的權(quán)重和偏置都是通過隨機權(quán)矩陣，而逆向傳遞需要調(diào)整網(wǎng)絡(luò)的參數(shù)，即權(quán)重值和偏值，調(diào)整的依據(jù)就是網(wǎng)絡(luò)的輸出層的輸出值與樣本輸出之間的差異，通過調(diào)整參數(shù)來縮小這個差異，這就是神經(jīng)網(wǎng)絡(luò)的優(yōu)化目標(biāo)。根據(jù)誤差反向來傳送，輸出層方程如式3所示。

在隱含層對權(quán)重更新的方程如式4和式5所示。

式中，L代表的是學(xué)習(xí)率，可以調(diào)節(jié)梯度下降法中的速度，也就是縮小差異的速度，使得能更快地接近最優(yōu)值，然后，更新后的權(quán)值再經(jīng)過向前傳遞，實現(xiàn)循環(huán)。

2.8 網(wǎng)絡(luò)訓(xùn)練的終止條件

訓(xùn)練不可能一直進行下去，可以設(shè)置一些條件來限制，權(quán)重的更新低于某個閾值，也就是通過設(shè)置一個誤差率，當(dāng)輸出層與樣本之間的差異小于設(shè)置的這個誤差率，停止訓(xùn)練并輸出，如果達(dá)不到這個誤差，可以設(shè)置一定循環(huán)次數(shù)262140次，數(shù)值可以盡量大些，使網(wǎng)絡(luò)訓(xùn)練更接近于我們期望的那樣。

2.9 樣本值和輸入值的處理

由于樣本值中全電流和阻性電流的數(shù)值較大，通過很多次的激活函數(shù)后，數(shù)值會變得特別小，所以在調(diào)用時，使用歸一化處理方式，將樣本同一列上這個數(shù)減去最小值，再除以同一列上最大值與最小值的差。針對待檢測避雷器性能的參數(shù)，可將每個參數(shù)也進行歸一化處理，與參數(shù)對應(yīng)的樣本的那一列最小值相減再除以同一列上最大值與最小值的差，會出現(xiàn)大于1的情況，將大于1的數(shù)都變?yōu)?，這樣有利于提高算法的準(zhǔn)確性。

3 仿真分析

本文采用BP神經(jīng)網(wǎng)絡(luò)算法對MOA進行狀態(tài)評估，并和Elman神經(jīng)網(wǎng)絡(luò)算法進行對比仿真。仿真樣本相同，且均設(shè)置單隱層。訓(xùn)練目標(biāo)均設(shè)置為0.000001，訓(xùn)練次數(shù)均設(shè)置為10000次，傳遞函數(shù)均為tansig和logsig，BP神經(jīng)網(wǎng)絡(luò)算法所用訓(xùn)練函數(shù)為trainscg，Elman神經(jīng)網(wǎng)絡(luò)算法所用訓(xùn)練函數(shù)為trainlm。

3.1 Elman 神經(jīng)網(wǎng)絡(luò)算法

圖2 Elman網(wǎng)絡(luò)窗口

Elman神經(jīng)網(wǎng)絡(luò)窗如圖2所示，Elman法在進行10000次之后，仍然達(dá)不到目標(biāo)。Elman神經(jīng)網(wǎng)絡(luò)法的訓(xùn)練誤差曲線如圖3所示，曲線較為光滑，下降緩慢。仿真結(jié)果如圖4，極小部分出現(xiàn)較小偏差，一個出現(xiàn)極大誤差，Elman法仿真結(jié)果誤差較大。

3.2 BP 法

BP神經(jīng)網(wǎng)絡(luò)算法窗如圖5所示，BP神經(jīng)網(wǎng)絡(luò)算法在進行6759次之后，達(dá)到了目標(biāo)值。其訓(xùn)練誤差曲線如圖6所示，呈曲線下降，不光滑。仿真結(jié)果如圖7所示，仿真值與實際值基本一致，無誤差。

圖3 Elman法訓(xùn)練誤差曲線

圖4 Elman神經(jīng)網(wǎng)絡(luò)算法下避雷器運行狀態(tài)仿真結(jié)果與實際值比較

圖5 BP神經(jīng)網(wǎng)絡(luò)算法網(wǎng)絡(luò)窗口

綜上，本文選取了5個參數(shù)對本文所提基于神經(jīng)網(wǎng)絡(luò)的MOA狀態(tài)評估算法進行仿真分析，并與Elman神經(jīng)網(wǎng)絡(luò)算法進行比對。圖8為仿真對比結(jié)果，仿真結(jié)果表明，本文所提評估算法的預(yù)測結(jié)果比Elman神經(jīng)網(wǎng)絡(luò)算法較穩(wěn)定且適用于實際評估，進一步說明本文所提狀態(tài)評估算法能有效地且較準(zhǔn)確的評估MOA狀態(tài)。

4 結(jié)語

本文針對MOA狀態(tài)評估，提出了一種基于神經(jīng)網(wǎng)絡(luò)的MOA絕緣狀態(tài)評估算法。該算法與Elman神經(jīng)網(wǎng)絡(luò)算法相比，一方面，提高了絕緣狀態(tài)評估精度；另一方面，提高了預(yù)測算法的穩(wěn)定性。基于本文所提的絕緣評估算法，該算法能夠較高精度的評估絕緣狀態(tài)，并保持評估過程的穩(wěn)定性，進一步驗證了本文所提評估算法的有效性和可行性。

圖6 BP神經(jīng)網(wǎng)絡(luò)算法法訓(xùn)練誤差曲線

圖7 BP神經(jīng)網(wǎng)絡(luò)算法下避雷器運行狀態(tài)仿真結(jié)果與實際值比較

圖8 BP法與Elman法結(jié)果比較