憶阻神經網絡在智能電網監控系統中的應用

安 倫，郭獻崇，劉鳳云

（張家口職業技術學院,河北張家口075051）

電網是國家能源產業鏈的重要環節，是國民經濟的重要支撐。隨著電力網絡的日益擴大，電網的安全性、穩定性和可靠性成為電力系統正常運行的重要保證。2001年，美國電力科學研究院提出了智能電網的概念，為建立自動化程度高、生產效能高、投資低、運行安全可靠的輸配電系統指出了明確的方向。

“以特高壓電網為骨干網架、各級電網協調發展的堅強網絡為基礎，以通信信息平臺為支撐，具有信息化、自動化、互動化特征，包含電力系統的發電、輸電、變電、配電、用電和調度各個環節，覆蓋所有電壓等級，實現‘電力流、信息流、業務流’的高度一體化融合的現代電網”是我國所提出的堅強智能電網的基本概念。從以上概念可以看出，智能電網是在數字技術、信息技術、通信技術支撐下的電力系統。其中，智能化監控系統是智能電網安全運行的重要保障。

智能電網監控系統是對電力系統中所包含的高壓開關柜、低壓開關柜、應急發電機組、電力變壓器和EPS/UPS/ATS等設備的工作狀態進行監控。通過實時記錄單相/三相電壓、單相/三相電流、功率、功率因數、電度、頻率和電流開關狀態等各項運行數據，同時將這些數據與標準參數值進行對比分析，從而達到及時發現系統故障，并對相關設備進行控制的目的，以提高系統的可靠性、安全性和自動化水平。

1 基于神經網絡的智能電網監控系統分析

傳統的電能監測是基于有效值的檢測技術，這種方法雖然可以有效地獲得電能質量的相關信息，但是由于時間較長，所以只局限于采集持續性和穩定性的電力指標，對于非線性或有瞬變可能的參數，檢測效果并不理想。而智能電力結構復雜，是一個典型的非線性系統，所以傳統的電能監測系統不能有效地解決智能電網的監控功能。

對于智能電網而言，傳統的實時在線電力監測系統大部分只能提供直觀的參數，一旦電力機組或線路的運行參數出現偏差，監測系統不能及時地反應偏差的基本特性及變化趨勢，無法采取有效的措施進行故障的診斷和排除。因此，一個有效的智能電網監測系統除具有傳統功能外，還需要具有以下功能：(1)能捕捉快速瞬時干擾的波形；(2)需要測量各次諧波以及間諧波的幅值、相位，需要有足夠高的采樣速率，以便能測得相當高次諧波的信息；(3)建立有效的分析和自動辨識系統，使之能反映各種電能質量指標的特征及其隨時間的變化規律。

為了滿足以上要求，智能化監測系統需要具有并行分布式處理、聯想記憶、自組織、自學習能力和極強的非線性處理能力，并可以根據運行的實際情況建立智能型的監測和故障識別模型。神經網絡是有效的解決方法之一。

人工神經網絡是人工智能研究的方法之一，其中應用范圍最廣的是BP神經網絡，即多層前饋式誤差反傳播神經網絡。它可以實現從輸入至輸出的任意復雜的非線性映射關系，并且具有良好的泛化能力。圖1給出了一個人工神經網絡的拓撲結構，它屬于多層感知器結構，包括輸入、輸出層和若干個隱層。網絡工作過程中，輸入信息先通過輸入層節點，向前傳播到隱層節點，經過計算節點的激活函數運算后，將各個計算節點的輸入信息傳播到輸出節點，最后得到最終輸出結果[1]。

圖1 BP神經網絡模型

基于神經網絡的智能電網監控過程分為兩個階段：第一階段為運行參數分析階段。該階段是神經網絡的正向傳播過程，主要完成各項監控數據的采集及對這些數據的指標特性分析，并對特征量進行有效選取，而后將這些數據經隱含層處理后，進行工況狀態的有效識別；第二階段為故障診斷及反向控制階段，具體過程為如果在神經網絡的輸出層未能得到工況狀態所期望的輸出值，則逐層遞歸地計算實際輸出電能質量參數與期望輸出參數之間的差值，以便確定出下一次神經網絡迭代的網絡權值。具體方法如圖2所示。

圖2 基于神經網絡的工況狀態監測系統結構

在神經網絡的訓練地程中，網絡算法可以采用Levenberg-Marquardt的算法trainlm，性能函數采用均方誤差性能函數mse()來完成。但是，由于在數據的采集、特征分析、過程控制等各個環節都存在著數據的存儲、模式轉換等問題，因此會影響網絡訓練的迭代次數，產生故障發現及糾正的時間延遲。因此，采取有效的措施提高網絡權值的準確性，減少迭代次數，保證監控系統的及時性和可靠性是改善神經網絡方法的必要環節。

2 憶阻神經網絡結構分析

憶阻器是一種具有記憶功能的非線性電阻，具有三個明顯的特點：第一，憶阻器是無源器件，具有電不易失性，因此，基于憶阻器的集成電路無需費時耗能的啟動過程；第二，憶阻器是一種連續器件，因而存儲的精度無限；第三，憶阻器內部變量變化方式不同，可以有效地實現數字與模擬兩種狀態，在數據的采集和工況控制的過程中無需增加A/D與D/A的轉換過程。

由于憶阻器除了具有記憶能力，還可以進行邏輯運算，這就可以將數據處理和存儲過程合二為一。而目前，人工神經網絡權值采取三種數據存儲方式，分別為模擬、數字和混合式。采取模擬方式時，采用電容來實現網絡權值的存儲，這種方式，數據精度高，但是具有電容電易失性，需要增加刷新的設備；采用數字方式時可采用EEPROM進行存儲，可以克服電易失性，但是數字方式存儲數值為整數，精度低，同時數據改寫需要較高的電壓，耗能且工作不夠穩定；采用混合方式時，可以克服模擬式與數字式的兩種弊端，但是需要進行多次的A/D與D/A的轉換，帶來了額外的設備支出及產生了時間的延遲。

憶阻器在功能上是目前已知的最接近神經元突觸的器件，研究結果顯示，納米憶阻器可以有效地以大腦的模式來響應同步電壓脈沖，具有構筑模擬神經網絡的基礎條件。將憶阻器應用于人工神經網絡來實現監控系統，可以改進模擬狀態電易失性的缺點，且保留數據高精度的優點，減少混合模式中的A/D與D/A轉換過程，因此可以有效地提高人工神經網絡權值的確定精度，節省權值傳輸的時間，從而改善神經網絡監控系統的性能。

3 總結

采用神經網絡的方式構建智能電網的監控系統是目前的研究熱點。而將憶阻器應用至神經網絡，可以使監控系統擁有類似人類的記憶聯想模式，有利于建立更加復雜的生物識別系統，從而有效地實現相應的監控功能。隨著憶阻器元件的實現與完善，將會極大地改變集成電路的設計方式和傳統電路的格局，從而極大地促進以人工神經網絡為基礎的智能電網狀態監測系統的發展。

[1]劉玉英，馮英偉.基于BP神經網絡的光伏組件在線故障診斷系統的開發[J].電源技術，2013（6）：65-67.

[2]王國權，劉亮.阻器應用于人工神經網絡的前景[J].中國新技術新產品，2009(1)：18-19.