基于競爭神經網絡的變電站巡視周期分類

張宇澤　張穎　張黎元　劉祚安

摘? 要：在總結了變電站巡視周期影響因素的基礎上，提出了基于競爭神經網絡的變電站巡視周期分類方法，根據變電站的電壓等級、重要程度、歷史故障/缺陷發生頻次、設備運行情況等屬性進行巡視周期聚類。使用某地區的變電站數據進行了仿真分析，結果表明該方法可以利用機器學習實現變電站巡視周期的科學合理分類。

關鍵詞：變電站;巡視周期;競爭神經網絡;聚類

中圖分類號：TM732 文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）18-0031-03

Abstract： On the basis of summing up the influencing factors of substation patrol cycle， a classification method of substation patrol cycle based on competitive neural network is proposed. The patrol cycle clustering is carried out according to the voltage level， importance， frequency of historical faults/defects， equipment operation situation and other attributes of the substation. A simulation analysis is carried out by using the real data of several substations in a certain area. The results show that the method can， through machine learning， realize the scientific and reasonable classification of substation patrol cycle.

Keywords： substation; patrol cycle; competitive neural network; clustering

隨著社會經濟發展，變電站的數量和規模不斷擴大，供電公司普遍面臨變電站巡視工作量日益增大而運維人員數量有限的難題。針對差異化制定變電站巡視周期問題，文獻[1-3]等進行了深入研究。但文獻[1]只考慮到了設備運行情況，文獻[2，3]提出的變電站分級標準完全由人為制定，受主觀因素影響大，缺乏科學合理性和客觀性。基于此，本文在總結了變電站巡視周期影響因素的基礎上，提出了基于競爭神經網絡的變電站巡視周期分類方法，并使用某地區變電站實際數據進行了仿真分析。

1 變電站巡視周期影響因素

變電站巡視周期的影響因素可總結如下：（1）變電站電壓等級;（2）變電站重要程度，即所在區域供電等級（A+、A、B、C、D、E）和所供用戶中是否含有重要用戶、敏感用戶、電采暖用戶、防汛用戶等;（3）變電站歷史故障/缺陷發生頻次;（4）設備運行情況，包括設備當前存在的缺陷情況，設備運行隱患和運行年限;（5）變電站運行環境;（6）變電站設備負載情況。

2 競爭神經網絡

競爭神經網絡的結構如圖1所示。圖中x1，x2，…，xm為輸入神經元，y1，y2，…，yn為輸入神經元。在一次計算中，只有一個輸出神經元獲勝，獲勝的神經元標記為1，其余輸出神經元均標記為0[4]。競爭神經網絡通過這種方式獲取訓練樣本的分布信息，每個訓練樣本都對應一個獲勝神經元，也就是對應一個類別。

競爭神經網絡的學習規則是由內星規則發展而來的Kohonen規則[5]，其基本原理如下：假設網絡輸入層包含m個輸入神經元x1，x2，…，xm，輸入向量記為X=[x1，x2，…，xm]，即每個樣本為一個m維向量。輸出層包含n個輸出神經元y1，y2，…，yn，輸出向量記為Y=[y1，y2，…，yn]。網絡權值ω為一個m×n的矩陣。三者之間具有如下關系：

在n個輸出神經元中必有一個取得最大值，成為獲勝神經元。假設獲勝神經元為yk，則相應的權值按式（2）進行調整[4]：（2）

式中：η為學習步長。

網絡權值以η為步長向輸入的樣本值xi靠近。在下一輪計算中，yk以更大的概率勝出成為獲勝神經元。當η取適當值時，網絡權值經過逐步學習最終等于輸入樣本向量。競爭神經網絡繼續接收其他輸入樣本，每一個樣本都對應一個獲勝神經元，并使對應的權值向量向輸入向量方向調整。相似的輸入樣本對應同一個獲勝神經元，表示它們被劃分為同一類;該神經元對應的權值向各個輸入向量的方向做調整，最終穩定為輸入向量的平均值[4]。

3 基于競爭神經網絡的變電站巡視周期分類方法

第一步，將變電站巡視周期的影響因素進行量化。電壓等級方面，220kV、110kV和35kV變電站的電壓等級指數分別定義為4、2、1。重要程度方面，定義所有變電站的重要程度指數初始值為0，所在區域供電等級為A+、A、B、C、D、E分別加1、0.5、0.25、0.125、0.1、0.075，所供用戶中每包含一個重要用戶、敏感用戶分別加0.5、0.25，每包含一個電采暖用戶或防汛用戶加0.1。歷史故障/缺陷發生頻次方面，定義歷史故障/缺陷發生頻次指數為該座變電站投運后平均每年發生故障或缺陷的次數。設備運行情況方面，定義所有變電站的設備運行情況指數初始值為0，設備每存在一項嚴重缺陷、一般缺陷而未完成消缺時分別加1、0.5，設備存在運行隱患時視情況加0～1，變壓器、母線、斷路器等主要設備運行年限在20年以上、10～20年、5～10年、5年以下時分別加1、0.5、0.25、0.125。運行環境方面，定義所有變電站的運行環境指數初始值為0，室外站和室內站分別加1、0.5，室外站視周邊環境惡劣程度加0～1，視所在地區氣候情況加0～1。設備負載方面，定義變壓器平均負載率為0.75以上、0.5～0.75、0.25～0.5、0.25以下時設備負載指數分別4、2、1、0.5。需說明，各供電公司可根據自身特點和供電要求確定各項指標的評分標準。通過以上指標量化方法，每座變電站可用一個六維特征向量表示，即

第四步，根據競爭神經網絡給出的分類結果，確定每座變電站的巡視周期。

4 仿真分析

選擇某地區電網共35座變電站作為算例進行仿真分析，各變電站的屬性如表1所示。

使用本文提出的基于競爭神經網絡的變電站巡視周期分類方法進行分類，結果如表2所示。

由表2可看出，S6、S9、S27、S33共4座變電站被劃分為第一類，S8、S10、S17、S32、S34共5座變電站被劃分為第二類，S2、S3、S4、S5、S21、S28共6座變電站被劃分為第四類，其他20座變電站被劃分為第三類，驗證了本文所提方法的有效性。分類結果完全取決于變電站本身實際情況，不受主觀因素影響。

5 結束語

本文針對差異化制定變電站巡視周期問題，在總結了變電站巡視周期影響因素的基礎上，提出了基于競爭神經網絡的變電站巡視周期分類方法。其步驟可概括為：首先將變電站巡視周期影響因素進行指標量化，然后建立競爭神經網絡，并使用MATLAB工具箱函數competlayer實現競爭神經網絡聚類，最后根據分類結果確定每座變電站的巡視周期。

仿真結果證明了本文所提方法的有效性，可利用機器學習原理實現變電站巡視周期的科學合理分類，分類結果完全取決于變電站本身實際情況，不受主觀因素影響。

參考文獻：

[1]謝金泉，李曉華，何毅，等.變電設備狀態巡視策略研究[J].廣東電力，2012，25（9）：5-9，15.

[2]王少博，劉輝，張蘭欽，等.基于設備狀態分析的無人值班變電站巡視模式研究[J].河北電力技術，2013（2）：10-12.

[3]陳宏彬，李悅寧，劉琨.基于狀態檢修的無人值班變電站狀態巡視管理[J].現代營銷（經營版），2019（4）：150.

[4]陳明，等.MATLAB神經網絡原理與實例精解[M].北京：清華大學出版社，2013.

[5]董長虹.Matlab神經網絡與應用[M].北京：國防工業出版社，2007.