基于竞争神经网络的变电站巡视周期分类

来源:用户上传      作者:

　　摘  要：在总结了变电站巡视周期影响因素的基础上，提出了基于竞争神经网络的变电站巡视周期分类方法，根据变电站的电压等级、重要程度、历史故障/缺陷发生频次、设备运行情况等属性进行巡视周期聚类。使用某地区的变电站数据进行了仿真分析，结果表明该方法可以利用机器学习实现变电站巡视周期的科学合理分类。
　　关键词：变电站;巡视周期;竞争神经网络;聚类
　　中图分类号：TM732 文献标志码：A         文章编号：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
　　隨着社会经济发展，变电站的数量和规模不断扩大，供电公司普遍面临变电站巡视工作量日益增大而运维人员数量有限的难题。针对差异化制定变电站巡视周期问题，文献[1-3]等进行了深入研究。但文献[1]只考虑到了设备运行情况，文献[2，3]提出的变电站分级标准完全由人为制定，受主观因素影响大，缺乏科学合理性和客观性。基于此，本文在总结了变电站巡视周期影响因素的基础上，提出了基于竞争神经网络的变电站巡视周期分类方法，并使用某地区变电站实际数据进行了仿真分析。
　　1 变电站巡视周期影响因素
　　变电站巡视周期的影响因素可总结如下：（1）变电站电压等级;（2）变电站重要程度，即所在区域供电等级（A+、A、B、C、D、E）和所供用户中是否含有重要用户、敏感用户、电采暖用户、防汛用户等;（3）变电站历史故障/缺陷发生频次;（4）设备运行情况，包括设备当前存在的缺陷情况，设备运行隐患和运行年限;（5）变电站运行环境;（6）变电站设备负载情况。
　　2 竞争神经网络
　　竞争神经网络的结构如图1所示。图中x1，x2，…，xm为输入神经元，y1，y2，…，yn为输入神经元。在一次计算中，只有一个输出神经元获胜，获胜的神经元标记为1，其余输出神经元均标记为0[4]。竞争神经网络通过这种方式获取训练样本的分布信息，每个训练样本都对应一个获胜神经元，也就是对应一个类别。
　　竞争神经网络的学习规则是由内星规则发展而来的Kohonen规则[5]，其基本原理如下：假设网络输入层包含m个输入神经元x1，x2，…，xm，输入向量记为X=[x1，x2，…，xm]，即每个样本为一个m维向量。输出层包含n个输出神经元y1，y2，…，yn，输出向量记为Y=[y1，y2，…，yn]。网络权值ω为一个m×n的矩阵。三者之间具有如下关系：
　　在n个输出神经元中必有一个取得最大值，成为获胜神经元。假设获胜神经元为yk，则相应的权值按式（2）进行调整[4]：（2）
　　式中：η为学习步长。
　　网络权值以η为步长向输入的样本值xi靠近。在下一轮计算中，yk以更大的概率胜出成为获胜神经元。当η取适当值时，网络权值经过逐步学习最终等于输入样本向量。竞争神经网络继续接收其他输入样本，每一个样本都对应一个获胜神经元，并使对应的权值向量向输入向量方向调整。相似的输入样本对应同一个获胜神经元，表示它们被划分为同一类;该神经元对应的权值向各个输入向量的方向做调整，最终稳定为输入向量的平均值[4]。
　　3 基于竞争神经网络的变电站巡视周期分类方法
　　第一步，将变电站巡视周期的影响因素进行量化。电压等级方面，220kV、110kV和35kV变电站的电压等级指数分别定义为4、2、1。重要程度方面，定义所有变电站的重要程度指数初始值为0，所在区域供电等级为A+、A、B、C、D、E分别加1、0.5、0.25、0.125、0.1、0.075，所供用户中每包含一个重要用户、敏感用户分别加0.5、0.25，每包含一个电采暖用户或防汛用户加0.1。历史故障/缺陷发生频次方面，定义历史故障/缺陷发生频次指数为该座变电站投运后平均每年发生故障或缺陷的次数。设备运行情况方面，定义所有变电站的设备运行情况指数初始值为0，设备每存在一项严重缺陷、一般缺陷而未完成消缺时分别加1、0.5，设备存在运行隐患时视情况加0～1，变压器、母线、断路器等主要设备运行年限在20年以上、10～20年、5～10年、5年以下时分别加1、0.5、0.25、0.125。运行环境方面，定义所有变电站的运行环境指数初始值为0，室外站和室内站分别加1、0.5，室外站视周边环境恶劣程度加0～1，视所在地区气候情况加0～1。设备负载方面，定义变压器平均负载率为0.75以上、0.5～0.75、0.25～0.5、0.25以下时设备负载指数分别4、2、1、0.5。需说明，各供电公司可根据自身特点和供电要求确定各项指标的评分标准。通过以上指标量化方法，每座变电站可用一个六维特征向量表示，即
　　第四步，根据竞争神经网络给出的分类结果，确定每座变电站的巡视周期。
　　4 仿真分析
　　选择某地区电网共35座变电站作为算例进行仿真分析，各变电站的属性如表1所示。
　　使用本文提出的基于竞争神经网络的变电站巡视周期分类方法进行分类，结果如表2所示。
　　由表2可看出，S6、S9、S27、S33共4座变电站被划分为第一类，S8、S10、S17、S32、S34共5座变电站被划分为第二类，S2、S3、S4、S5、S21、S28共6座变电站被划分为第四类，其他20座变电站被划分为第三类，验证了本文所提方法的有效性。分类结果完全取决于变电站本身实际情况，不受主观因素影响。
　　5 结束语
　　本文针对差异化制定变电站巡视周期问题，在总结了变电站巡视周期影响因素的基础上，提出了基于竞争神经网络的变电站巡视周期分类方法。其步骤可概括为：首先将变电站巡视周期影响因素进行指标量化，然后建立竞争神经网络，并使用MATLAB工具箱函数competlayer实现竞争神经网络聚类，最后根据分类结果确定每座变电站的巡视周期。
　　仿真结果证明了本文所提方法的有效性，可利用机器学习原理实现变电站巡视周期的科学合理分类，分类结果完全取决于变电站本身实际情况，不受主观因素影响。
　　参考文献：
　　[1]谢金泉，李晓华，何毅，等.变电设备状态巡视策略研究[J].广东电力，2012，25（9）：5-9，15.
　　[2]王少博，刘辉，张兰钦，等.基于设备状态分析的无人值班变电站巡视模式研究[J].河北电力技术，2013（2）：10-12.
　　[3]陈宏彬，李悦宁，刘琨.基于状态检修的无人值班变电站状态巡视管理[J].现代营销（经营版），2019（4）：150.
　　[4]陈明，等.MATLAB神经网络原理与实例精解[M].北京：清华大学出版社，2013.
　　[5]董长虹.Matlab神经网络与应用[M].北京：国防工业出版社，2007.
转载注明来源:https://www.xzbu.com/1/view-15251968.htm