調度自動化系統狀態評估與預測

胡 揚

0 引言

隨著電網的不斷發展，調度自動化系統的智能水平不斷上升，各專業對于調度自動化系統的安全穩定運行要求也越來越高。巡視、定檢、檢修是維持調度自動化系統必要手段，當系統處于不同的運行狀態下的情況下需要相應地調整周期，例如處于系統發生缺陷、特殊保供電時期需要縮短周期，而目前對于調度自動化系統的狀態評估研究不足，大多依賴于感性評估，缺乏準確的狀態評估，難以針對性地調整運維策略及檢修計劃。

1 現狀研究

評估是指對被評估對象的優劣程度或價值的評判，常常用于做出進一步判斷或決策的支持。目前狀態評估方法應用于電力系統主要集中在變壓器、電纜等一次設備上[1-3]。

狀態評估方法用于調度自動化系統時，一方面可以根據評估結果給出決策支持，另一方面可以根據評估結果預測故障情況及調整運維策略[4-5]。《南方電網自動化系統運行風險量化評估方法》采用了層次分析法評估調度自動化主站系統和廠站自動化系統，通過掌握自動化系統狀態信息，對系統各狀態參量的綜合評估確定系統所處的運行狀態，最后通過歷史故障情況統計確定該狀態下的系統平均故障率[6]。本文以主站系統為例開展研究。

上述方法的狀態評估主要考慮系統的狀態量，由狀態量權重和狀態量劣化程度兩個維度組成。所有狀態量權重之和為1，狀態量劣化程度按具體狀態的反映情況，以量化計分的方式進行評估。在評分過程中采用定性和定量評估相結合的方式。

自動化系統的狀態參量從投運前狀況、歷史運行狀況、實時運行狀況、檢修狀況和其他影響系統安全穩定運行的因素等方面選取，采用分級分類評估方法。狀態評估計算模型見公式（1），狀態參量的分類見圖1。

其中，n為準則層的準則數量，ai為該項準則相對于目標的權重；m為在準則i中的子準則數量，aj為該項子準則相對于其對應準則的權重；l為子準則j中的狀態參量數量，ak為該項狀態量相對于其對應子準則的權重，Pk為該項狀態量的評分。S為評估對象的狀態評估結果。

圖1 自動化系統狀態參量分類

根據狀態評估計算結果，將自動化系統的狀態分為：正常狀態、注意狀態、異常狀態和嚴重狀態，按照自動化設備平均故障率計算模型可計算出不同系統狀態下的簡化后平均故障率，如表1所示。

表1 自動化系統狀態的評分與平均故障率對應表

正常狀態：表示系統狀態量化值處于穩定且在規程規定的警示值、注意值（以下簡稱標準限值）以內，可以正常運行。

注意狀態：表示系統狀態量化值變化趨勢朝接近標準限值方向發展，但未超過標準限值，仍可以繼續運行，應加強運行中的監視。

異常狀態：表示系統狀態量化值變化較大，已接近或略微超過標準限值，應監視運行，并適時安排停電檢修。

嚴重狀態：表示系統狀態量化值嚴重超過標準限值，需要立即安排停電檢修。

2 調度自動化系統狀態評估

上述方法中的評分與狀態評估采用階梯式評估，在兩個階梯之間的數值由于微小的變化會導致平均故障率的較大變化。評分為70分時，系統狀態評估為異常狀態，平均故障率為12.17%，而評分為71分時，系統狀態評估為嚴重狀態，平均故障率升為60.01%，不符合實際情況。

本文沿用上述方法中的狀態參量分類及狀態結果分類，采用模糊聚類及人工神經網絡算法改進評估方法。仍然將調度自動化系統的狀態分為正常狀態、注意狀態、異常狀態、嚴重狀態，狀態識別的結果應該符合大部分時間處于正常狀態、少部分時間處于注意狀態，極少情況下處于異常狀態或者嚴重狀態。

選取BRP故障率、OCS故障率、OMS故障率、POC/SOC故障率、MTT故障率、機房及輔助設施故障率作為特征因素，故障率計算公式為指定時間內該模塊故障設備數量/該模塊總設備數量。

選取模糊聚類分析進行調度自動化系統狀態識別分析。聚類就是把具有相似性質的事物區分開加以分類，聚類可以分為兩種，應用普通數學方法進行分類稱為普通聚類分析，而模糊聚類分析則是利用模糊數學方法進行分析。1965年L.A.Zadeh創立了模糊集合論，人們開始用模糊的方法來處理聚類問題，E.H.Ruspinid于1969年引入了模糊劃分的概念進行聚類分析，并稱之為模糊聚類分析[7]。

模糊聚類分析流程如下。

（1）確定分類對象，選取因素數據

設分類對象為論域D=[d1，d2，d3，…，dn] ，每個對象由上述6個特征因素表征di=[di1，di2，di3，…，din] 。

由此可得原始數據矩陣：

（2）建立模糊相似關系

使用平均絕對距離法根據得到的標準化數據矩陣構造相似關系矩陣：

其中i=1，2，…，n，j=1，2，…，n，n為樣本個數。m為特征因素個數，在本文中m=6。

由此可得模糊相似矩陣

（3）建立模糊等價關系

利用平方傳遞閉包法將模糊相似關系R改造成模糊等價關系，將R進行若干次的平方，直至R2n=Rn，得到模糊等價矩陣t(R)=Rn×Rn。

（4）模糊聚類

對模糊等價關系進行聚類處理，給定不同的置信水平的a，可得不同置信水平下的分類情況。選取合適的置信水平使得將調度自動化系統狀態分為正常狀態、注意狀態、異常狀態、嚴重狀態，狀態識別的結果應該符合大部分時間處于正常狀態、少部分時間處于注意狀態，極少情況下處于異常狀態或者嚴重狀態。

（5）模糊識別

在模糊聚類的基礎上，選取調度自動化系統一定周期內的狀態作為待識別對象，采用模糊優先比相似選擇法進行分析比較以確定一定周期內調度自動化系統的狀態。

3 調度自動化系統狀態預測

人工神經網絡(Artificial Neural Networks，ANNs)，又被稱為神經網絡(NNs)，本質是對人的大腦或者自然神經網絡若干基本特性的抽象和模擬。以對大腦的生理研究成果為基礎，以模擬大腦的某些機理與機制為目標，實現某種特定的功能。最早可追溯到1943年法國心理學家麥克卜洛克(McCulloch.W.S)和數學家匹茨(Pitts,W.H)合作提出的神經元數學模型(即M-P模型)。目前在研究方法上已形成多個流派，目前應用最為廣泛的包括：多層網絡BP算法，Hopfield網絡模型，自適應共振理論，自組織特征映射理論等[8]。

人工神經網絡擁有諸多優點：它可以充分逼近任意復雜的非線性關系；有很強的魯棒性和容錯性；可以使用并行分布處理方法，以快速地進行大量運算；可以自主學習并自適應未知的或不確定的系統；可以同時處理定量和定性信息。由于有著諸多優點，人工神經網絡被廣泛應用于預測、優化、評估領域[8]。目前，反向傳播神經網絡（BP網絡)是最為常用的人工神經網絡之一，它屬于前饋型網絡，一般分為三層，即輸入層、隱含層和輸出層，隱含層的數量可根據實際需要增減，如圖2所示。

本文采用三層BP網絡來進行調度自動化系統的狀態預測研究。本文沿用《南方電網調度自動化風險評估辦法》中的狀態參量作為輸入指標，將狀態等級作為輸出指標，并且按正常狀態、注意狀態、異常狀態和嚴重狀態分別賦值為0.1、0.5、0.7、0.9。

圖2 三層BP神經網絡示意圖

BP神經網絡采用的是迭代學習算法，輸入數據的正向傳播和誤差的反向傳播組成了一次完整的學習過程。在正向傳播過程中，從輸入層的n個節點輸入第i組的狀態數據Xi=[x1，x2，x3，…，xn]，經過隱含層處理，由輸出層的輸出端得到狀態值。然后對輸出的狀態與原始狀態值進行比較，計算輸出達到期望的結果，則學習過程結束；否則，將進入誤差的反向傳播過程，把狀態值的誤差由網絡輸出層向輸入層反向傳播。在反向傳播過程中，根據誤差修改各層神經元的節點權值。不斷循環，直到誤差小于給定的值。

人工神經網絡訓練流程如下。

（1）選取原始數據中80%的數據作為學習樣本，賦以權值Wij，Wi'j和節點閾值 θj， θ'j為一個小隨機數。

（2）把一組訓練數據x1，x2，x3，…，xn以及相應的期望輸出Z輸入神經網絡進行訓練。

（3）將信息通過網絡前向傳播

（4）計算出各層各結點的誤差大小

輸出層：

隱含層：

（5）修正初始權值

N為迭代次數，設為1000，η為學習率，設為0.1。

（6）回到第二步重復上述過程，直至實際的輸出與期望的輸出之間的誤差小于預設誤差0.001。

（7）選取剩余20%的數據作為檢驗數據，將檢驗數據輸入已經訓練好的網絡中校驗，檢驗其預測的狀態值是否正確。

4 結論

本文在《南方電網自動化系統風險量化評估辦法》的基礎上使用模糊聚類分析和人工神經網絡方法建立了調度自動化主站系統的狀態評估以及預測模型，為建立調度自動化系統狀態評估工作做出了有益的嘗試，可以更好地指導調度自動化系統的檢修運行工作。

參考文獻：

［1］熊浩，孫才新，張昀，等.電力變壓器運行狀態的灰色層次評估模型［J］.電力系統自動化，2007，31（7）：55-60.

［2］劉鐵，魯鐵成，李建勝，等.高壓電氣設備絕緣狀態管理與評估系統 ［J］.電力系統自動化，2007，31（12）：100-104.

［3］顧煜炯，董玉亮，楊昆.基于模糊評判和RCM分析的發電設備狀態綜合評價［J］.中國電機工程學報，2004，24（6）：189-194.

［4］李海峰.基于狀態檢修的電力系統安全風險評估［D］.北京：華北電力大學，2012.

［5］張大元.基于狀態監測與系統風險評估的電力設備維修及更新策略研究［D］.重慶：重慶大學，2012.

［6］中國南方電網有限責任公司.南方電網自動化系統風險量化評估辦法（試行）［Z］.2015.

［7］孫吉貴，劉杰，趙連宇.聚類算法研究［J］.軟件學報，2008，13（1）：48-61.

［8］蘇為華.多指標綜合評估理論與方法問題研究［D］.廈門：廈門大學，2000.

［9］王孟蓮.船舶電力推進系統狀態評估研究［D］.武漢：武漢理工大學，2013.

［10］葉偉靈.OS2構架的主配網協同調度的實現［J］.機電工程技術，2016，45（12）：81-84.