基于神經網絡模型的海南變電站接地網Q235鋼腐蝕率預測

花廣如,李文浩,郭陽陽

(華北電力大學 機械工程系，保定 071000)

試驗研究

基于神經網絡模型的海南變電站接地網Q235鋼腐蝕率預測

花廣如,李文浩,郭陽陽

(華北電力大學 機械工程系，保定 071000)

運用MATLAB軟件在土壤腐蝕等級評價指標上隨機生成了2 000組訓練樣本和200組測試樣本來增強網絡的魯棒性(抗變換性)和樣本識別準確性，找出了適合BP和RBF神經網絡模型的結構參數，構建出了性能和穩定性都較好的BP和RBF神經網絡模型。用現場采集的海南省變電站土壤腐蝕相關數據分別對已建并訓練的BP和RBF神經網絡模型進行檢驗，并用這兩種模型對變電站接地網普遍使用的Q235鋼的腐蝕速率進行了預測。結果表明：兩種模型預測的準確率均在95%以上；BP神經網絡模型在結構和運算方面比RBF神經網絡模型好，但需要設定的參數多、較繁瑣，而RBF神經網絡模型只需設定Spread值，較簡單，且RBF神經網絡模型在訓練精度和泛化能力方面均優于BP神經網絡模型。

Q235鋼；接地網腐蝕率；RBF神經網絡；BP神經網絡；預測

在20世紀80年代，加拿大人DAWALIBI等[3-6]提出了采用電場和磁場的方法對接地網進行試驗和計算，并得到了相關的驗證和證明。20世紀90年代GREEV等[7-8]對接地網進行瞬態性能分析，并驗證了其有效性。近年來國內關于接地網的腐蝕診斷和預測的研究很多。張秀麗等[9]使用小孔限流電化學傳感器和小波濾波軟件，用指針引線便可獲得地網金屬的腐蝕速率和腐蝕狀態信息。這種設備極大方便了接地網腐蝕狀態的實時測試，但其準確率還有待驗證和提高。許磊等[10]建立了基于特勒根定理的接地網故障診斷方程,借助優化方法求解該診斷方程來判斷接地網的腐蝕程度,找到故障所在位置。馬文婧[11]應用電網絡理論建立了接地網的腐蝕診斷方程，以此確定故障支路位置。

雖然國內關于變電站接地網腐蝕故障診斷的研究不少，但是針對海島高鹽霧、高濕等特殊自然環境中接地網腐蝕問題還未見系統報道。本工作分別用BP和RBF神經網絡構建了兩種腐蝕速率預測模型，并在高濕、高鹽條件下分別對Q235鋼的腐蝕速率預測方法進行了比較研究。

1 腐蝕影響因子

據GB/T 19285-2014標準[12]，土壤腐蝕性調查應包括土壤電阻率、管道自然腐蝕電位、氧化還原電位、土壤pH、土壤質地、土壤含水量、土壤含鹽量、土壤Cl-含量等8個參數的測試。本工作選擇土壤電阻率，氧化還原電位，含鹽量、含水量、pH和Cl-含量總共6個影響因子作為網絡模型輸入量來構建新的腐蝕等級評價指標，如表1所示。

表1 單因素的土壤等級評價指標

根據實際測量的數據，按表2所示的金屬腐蝕程度評價土壤腐蝕性[13]。

表2 按金屬腐蝕程度評價土壤腐蝕性的指標

采用MATLAB中的unifrnd函數在表1所示單因素土壤等級指標之間隨機均勻生成440個數，總共2 200個樣本，用其中2 000個作為訓練樣本集，200個作為測試樣本集。得到的數據和之前生成的數據相對應構成一個完整的輸入和輸出數據，將輸入及輸出數據歸一至0.1～0.9[14]。變換方法為

(1)

式中:x*為歸一化后的數據；x為初始數據；xmax，xmin分別為初始數據的最大值和最小值。

2 神經網絡模型的構建比較

2.1 BP神經網絡模型的構建

事實上，在一般隨機序意義下，元件在部分負載條件下的壽命大于在滿載條件下的壽命，即X*≥stX。假設元件C1在t∈[0,u)時，在部分負載條件下運行，在時刻t=u時，由于元件R的失效，C1轉換到滿載條件下運行，此時用w(u)表示元件C1從部分負載轉換到滿載條件下的年齡(相對于元件在部分負載條件下的壽命u)，稱之為實際年齡，并滿足以下條件：① w(0)=0；② 0≤w(u)≤u,u≥0；③ w(u)隨u遞增。記X⊕Y為由一個工作元件(壽命為X)和一個負載冗余元件(壽命為Y)構成的負載共享系統的壽命，根據Yun和Cha[6]所推導的，由工作元件C1和負載冗余元件R構成的負載共享系統的可靠性函數為：

BP神經網絡模型的構建主要是確定網絡層數、輸入層數、輸入節點數、隱含層數、隱含層神經元節點數、輸出層數和輸出節點數等幾個因素[15]。針對海南變電站土壤的理化性質數據，構建的BP神經元結構模型如圖1所示。構建的BP神經網絡模型具體參數設定[16-20]如表3所示。

圖1 BP神經元結構模型Fig. 1 Structural model of BP neurons

表3 BP神經網絡模型參數設置

2.2 RBF神經網絡模型的構建

劉俊萍等[21-24]先對2 000個訓練樣本進行訓練，使之形成輸入向量到輸出向量的空間非線性映射關系，然后將建立好的RBF神經網絡模型應用于接地網腐蝕速率的預測中。

本工作中RBF神經網絡模型的Spread值大小是通過數值試探法確定的。Spread值等于20時，網絡的平均相對誤差最小，均方差在附近的取值中也并不算最大。所以，RBF神經網絡模型的Spread值設為20最為合適。

2.3 比較

除了BP神經網絡和RBF神經網絡預測模型都需確定網絡層數外，BP神經網絡模型還需要確定各層之間的傳遞函數、隱層神經元個數、學習率等眾多因素，而RBF神經網絡模型只需確定Spread值即可。由此可見，RBF神經網絡的建模過程比BP神經網絡的建模過程要簡單很多。

3 實例研究

根據上述參數用2 000個訓練樣本對神經網絡模型進行訓練，待其收斂后，為了檢驗其泛化能力還要用200個測試樣本對網絡模型進行測試，再選擇35個樣本進行預測，最后保存預測良好的網絡模型用于應用和檢驗。

3.1 神經網絡模型的訓練與測試

3.1.1 BP網絡模型

BP神經網絡模型對測試樣本的測試結果見圖2，測試結果的相對誤差見圖3。由圖2和圖3可見，BP神經網絡模型對測試樣本的測試值與實際值曲線擬合良好，200個測試樣本中只有幾個樣本出現偏差過大的情況，測試結果的均方差為0.003 26，平均相對誤差為5.35%。

圖2 BP神經網絡模型測試值與實際值的比較Fig. 2 Comparison between test values of BP neural network model and actual values

圖3 BP神經網絡模型測試值的相對誤差Fig. 3 Relative error of test values of BP neural network model

3.1.2 RBF神經網絡模型

Spread值設定為20時，RBF神經網絡模型對測試樣本的測試結果見圖4，測試結果的相對誤差見圖5。由圖4和圖5可見，RBF神經網絡模型的測試值曲線與實際值曲線走勢基本吻合，說明擬合結果良好，其相對誤差集中在10%以內，只有少數樣本的誤差在30%左右，測試結果的均方差為0.003 57，平均相對誤差為5.20%。

圖5 RBF神經網絡測試值的誤差率Fig. 5 Relative error of test values of RBF neural network model

3.1.3 比較

相比兩者的訓練過程，BP神經網絡模型耗時多，而且訓練結果有一定的波動；而RBF神經網絡模型訓練和學習的收斂速率快，且輸出的測試結果較穩定。BP神經網絡模型訓練樣本的實際值與測試值之間的均方差為0.002 06，RBF網絡模型的均方差為0.001 07，由此可見，在訓練樣本過程中這兩種網絡模型的測試結果精度相差不大。

3.2 神經網絡模型的預測結果

本工作采用的數據是埋在變電站內試片的腐蝕數據。通過計算得到上述數據后，還需要用歸一化方法進行數據的預處理，得到海南部分變電站內土壤腐蝕速率。

3.2.1 BP神經網絡模型

BP神經網絡模型對Q235鋼接地網腐蝕率預測結果如圖6所示，其相對誤差見圖7。由圖6和圖7可見，預測數據曲線和實際數據曲線基本重合，所有樣本的預測值和實際值的平均相對誤差為2.72%。圖8為BP神經網絡模型訓練過程中誤差變化曲線。有圖8可見：當迭代進行至近800步時，網絡收斂，誤差保持不變；且在該迭代過程中，前10步迭代時，BP神經網絡模型的均方差下降很快，然后緩慢下降。線性回歸分析可知，BP神經網絡模型對Q235鋼接地網腐蝕速率預測值與實際值的相關系數為0.978 95，這說明該模型是成功的，可以為以后工程上的應用提供參考。

圖6 BP神經網絡模型對Q235鋼接地網腐蝕速率預測值與實際值的比較Fig. 6 Comparison between values of corrosion rate of Q235 steel ground grid predicted by BP neural network model and actual values

圖7 BP神經網絡模型對Q235鋼接地網腐蝕速率預測值的相對誤差Fig. 7 Relative error of values of Q235 steel ground grid predicted by BP neural network model

圖8 BP神經網絡模型訓練過程中的均方差曲線Fig. 8 Standard error curves of BP nerual network model in training process

3.2.2 RBF神經網絡模型

RBF神經網絡模型對Q235鋼接地網腐蝕速率預測結果如圖9所示，其相對誤差見圖10。由圖9和圖10可見：多數樣本的預測值都很準確，與實際值非常接近，其平均相對誤差為1.58%；有一兩個樣本點的相對誤差較大，在12%左右。由于該算法本身會導致某幾個樣本點處出現局部最小值現象，但是可以用后期的實際數據進行訓練來避免這種現象的發生。

圖9 RBF神經網絡模型對Q235鋼接地網腐蝕速率預測值與實際值的比較Fig. 9 Comparison between values of corrosion rate of Q235 steel ground grid predicted by RBF neural network model and actual values

圖10 RBF神經網絡模型對Q235鋼接地網腐蝕速率預測值的相對誤差Fig. 10 Relative error of values of Q235 steel ground grid predicted by RBF neural network model

3.2.3 比較

對這兩個模型的預測結果分析發現：BP神經網絡模型的預測結果的均方差為0.232 9，平均絕對誤差為0.268 2，平均相對誤差為2.72%；RBF神經網絡模型預測結果的均方差為0.084 9，平均絕對誤差為0.156 2，平均相對誤差為1.58%。兩者的誤差都很小，RBF神經網絡模型的精度整體高于BP神經網絡模型的，相對泛化能力更好一些。

4 結論

通過對海南省變電站現場的土壤采樣及試驗結果分析，利用MATLAB軟件中unifrnd函數在土壤腐蝕等級評價指標區間隨機生成2 200組樣本，解決了網絡魯棒性問題。對比BP和RBF兩種神經網絡模型的預測結果發現：BP神經網絡模型預測結果的均方差為0.232 9，平均絕對誤差為0.268 2，平均相對誤差為2.72%；RBF神經網絡輸出預測結果的均方差為0.084 9，平均絕對誤差為0.156 2，平均相對誤差為1.58%。兩種神經網絡模型預測的準確率均在95%以上，都能符合實際工作的需要，而RBF神經網絡模型測量精度整體高于BP神經網絡模型的；在建模過程中BP神經網絡模型要設定的參數多，較繁瑣，而且訓練結果有一定的波動，而RBF神經網絡模型只需設定Spread值，較簡單，訓練和學習的收斂速率快，且輸出的預測結果較穩定；在同時滿足精度需求的前提下,RBF神經網絡模型在訓練精度和泛化能力方面要優于BP神經網絡模型的。

[1] 盧剛,耿風慧,丁銳,等. 變電站接地網的“陰極保護”防腐技術[J]. 供用電力,2001,18(5):34-36.

[2] 廖懷東,李建平,關健. 變電站接地網腐蝕機理及材料選擇[J]. 電力建設，2005,26(8):35-36.

[3] DAWALIBI F P,SELBI A. Electromagnetic fields of energized conductors[J]. IEEE Transactions on Power Delivery,1993,8(3):1275-1284.

[4] DAWALIBI F P,XIONG W,MA J. Transient performance of substation structures and associated grounding systems[J]. IEEE Transactions on Industry Applications,1995,31(3):520-527.

[5] DAWALIBI F P. Electromagnetic fields generated by overhead and buried short conductors part 2-ground networks[J]. IEEE Transactions on Power Delivery,1986,10(1):112-119.

[6] XIONG W,DAWALIBI F P. Transient performance of substation grounding systems subjected to lightning and similar surge currents[J]. IEEE Transactions on Power Delivery,1994,9(3):1412-1417.

[7] GREEV L D,DAWALIBI F P. An eletromagnetic model for transients in grounding systems[J]. IEEE Transactions on Power Delivery,1990,5(4):1773-1781.

[8] GREEV L D. Computer analysis of transient voltages in large grounding systems[J]. IEEE Transactions on Power Delivery,1996,11(2):815-823.

[9] 張秀麗,駱平,莫逆,等. 接地網腐蝕狀態電化學檢測系統的開發與應用[J]. 中國電機工程學報,2008,28(19):152-156.

[10] 許磊,李琳. 基于電網絡理論的變電站接地網腐蝕及斷點診斷方法[J]. 電工技術學報,2012,27(10):270-276.

[11] 馬文婧. 接地網腐蝕的診斷方法研究[D]. 吉林：東北電力大學,2013.

[12] 中華人民共和國國家質量監督檢驗檢疫總局. 埋地鋼質管道腐蝕防護工程檢驗：GB/T 19285-2014[S]. 北京：中國標準出版社.

[13] 電力工程地下金屬構筑物防腐技術導則：DL/T 5394-2007[S]. 北京:中國電力標準出版社，2007.

[14] 姜紹飛. 人工神經網絡用于建筑工程領域的數據處理方法[J]. 哈爾濱建筑大學學報,1999(5):24-32.

[15] 耿小慶,和金生,于寶琴. 幾種改進BP算法及其在應用中的比較分析[J]. 計算機工程與應用,2007,43(33):243-245.

[16] 喻勝華,鄧娟. 基于主成分分析和貝葉斯正則化BP神經網路的GDP預測[J]. 湖南大學學報,2011,25(6):42-45.

[17] 師洪濤,楊靜玲,丁茂生,等. 基于小波-BP神經網絡的短期風電功率預測方法[J]. 電力系統自動化,2011,35(16):44-48.

[18] 付英,曾敏,李興源. 隱含層對人工神經元網絡電壓安全評估的影響[J]. 電力系統自動化,1996,20(11):13-16.

[19] 高大啟. 有教師的線性基本函數前向三層神經網絡結構研究[J]. 計算機學報,1998,21(1):80-86.

[20] 周紅曉,蔡俊,任德官. 一種優化多層前饋神經網絡中隱節點數的算法[J]. 浙江師范大學(自然科學),2002,25(3):268-271.

[21] 劉俊萍,暢明琦. RBF神經網絡模型在山西省需水預測中的應用[J]. 人民黃河,2007,29(4):27-29.

[22] 孫大洪,王發展,劉強,等. 基于BP和RBF神經網絡的滾動軸承故障診斷比較[J]. 軸承,2010(2):53-56.

[23] 傅薈璇,趙紅. MATLAB神經網絡應用設計[M]. 北京:機械工業出版社,2010:83-88.

[24] 聶仙娥,趙河明,楊超. 基于RBF-BP組合神經網絡的地震預測研究[J]. 水電能源科學,2011,29(12):53-55.

Corrosion Rate Prediction of Q235 Steel in Hainan Substation Grounding Grid Based on Neural Network Models

HUA Guangru, LI Wenhao, GUO Yangyang

(School of Mechanical Engineering, North China Electric Power University, Baoding 071000, China)

Using MATLAB software, 2000 training samples and 200 test samples were randomly generated among soil corrosion grade evaluation indexes in order to enhance the robustness and accuracy of sample identification, find out proper structural parameters for BP and RBF network models with good performance and stability. The BP and RBF network models were tested using the data of soil erosion in the substation of Hainan province after building and training. The corrosion rate of Q235 steel widely used in substation grounding grid was predicted by these two models. The results show that the accuracy of these two models was more than 95%. BP neural network model is better than RBF neural network model in structure and operation, but it needs to set more parameters and is more cumbersome. On the contrary, the RBF neural network model is more simple and only needs to set the Spread value. Meanwhile, the training accuracy and generalization ability of RBF neural network model are better than those of BP neural network model.

Q235 steel; grounding grid corrosion rate; RBF neural network; BP neural network; forecast

2016-01-28

北京市自然科學基金(2132038)

花廣如(1972-)，副教授，博士，從事電站設備安全與優化設計相關工作，13630864952，huagr2007@163.com

10.11973/fsyfh-201708001

TG172

A

1005-748X(2017)08-0573-05