0 引言

    隨著智能電網(wǎng)不斷向縱深方向發(fā)展，電網(wǎng)運行狀態(tài)信息監(jiān)控要求越來越高。其中，變電站作為智能電網(wǎng)的重要一環(huán)，其安全和穩(wěn)定運行尤為關(guān)鍵。

    變電站監(jiān)控信息點表作為反映變電站狀態(tài)信息全時空下的晴雨表，對變電站自身乃至整個電網(wǎng)至關(guān)重要^[1]。開展對變電站監(jiān)控信息點表的研究工作，在工作效率層面上，將有益于電網(wǎng)調(diào)度的各項工作高效和穩(wěn)定開展；在經(jīng)濟價值層面上，將有益于保障國民經(jīng)濟在電力領(lǐng)域的穩(wěn)健運行；在社會屬性層面上，將有益于社會朝著健康和綠色的方向發(fā)展。

1 相關(guān)分析

    目前，電網(wǎng)運行對人工智能屬性要求日趨迫切，相關(guān)科研工作不斷加大；同時，針對目前電網(wǎng)巨規(guī)模、大負荷的用電現(xiàn)狀，過去的人工處理模式將逐步面臨瓶頸限制和淘汰的現(xiàn)狀，電力行業(yè)在智能電網(wǎng)上的技術(shù)整合和創(chuàng)新工作正在占領(lǐng)主航道。

    變電站監(jiān)控信息的質(zhì)量直接影響整個電網(wǎng)的高效且精準運行。變電站監(jiān)控信息點表主要涵蓋了一和二次設備及其他附屬設備的設備出廠信息、在運行下的電氣邏輯信息，具有信息量大、關(guān)聯(lián)性強、冗余性高的數(shù)據(jù)特點。

1.1 變電站監(jiān)控信息點表本身存在的若干問題

    針對變電站監(jiān)控信息點表自身日益暴露的綜合狀況，設計部門-用戶單位-設備廠商的信息點表縱向互聯(lián)方面存在脫節(jié)現(xiàn)象，原因在于電力研究院、電力調(diào)度部門、設備供應商彼此之間扮演角色及分工的限制；設計部門之間、用戶單位之間、設備廠商之間的橫向協(xié)同方面存在松耦合現(xiàn)象，原因在于區(qū)域特點、歷史特點、行業(yè)特點的約束^[2]。

    以上現(xiàn)象無法在短時間內(nèi)行之有效地得到根本性解決；但是，將人工智能算法植入監(jiān)控信息點表自身的研究工作符合目前智能電網(wǎng)發(fā)展的必然趨勢。可以利用以上軟實力提升的方式，開展面向信息點表提質(zhì)增效方面的科研工作。

1.2 神經(jīng)網(wǎng)絡及其改進措施的引入工作

    面向變電站監(jiān)控信息點表實際應用，將人工智能算法引入監(jiān)控信息點表改良工作具有解決措施靈活、投入硬成本低、可復用性較強的優(yōu)點。

    神經(jīng)網(wǎng)絡作為人工智能算法的一種，其優(yōu)越性在于自發(fā)組織學習、主動迭代規(guī)則、有較強的非線性擬合能力，借助其自身優(yōu)點可以將監(jiān)控信息點表本身賦予自感知特性，提升信息追本溯源的實戰(zhàn)能力；其劣勢在于自適應能力有限，存在迭代周期較長和非全局最優(yōu)解的問題，鑒于其自身劣勢需要集成其他方法加以優(yōu)化，以提升神經(jīng)網(wǎng)絡在解決具體應用對象上的普適性^[3]。

2 構(gòu)建變電站監(jiān)控信息點表數(shù)據(jù)分析機理

    以電網(wǎng)調(diào)度需求為牽引，具體構(gòu)建變電站監(jiān)控信息點表數(shù)據(jù)源分析機理如下，其邏輯如圖1所示^[4]。

    (1)建立設備臺賬數(shù)據(jù)庫和電氣邏輯屬性數(shù)據(jù)庫

    設備臺賬數(shù)據(jù)庫主要包含了一二次設備物理和電氣屬性信息、一二次設備間的關(guān)聯(lián)屬性信息。同時，將設備ID和監(jiān)控信息點號作為雙重索引標識，構(gòu)建一二次設備物理和電氣屬性映射和關(guān)聯(lián)關(guān)系。

    (2)支持遙測、遙信、遙控模板信息訂閱服務

    遙測信息模板將變電站歷史上運行參數(shù)作為參照系，快速定位當下實時狀態(tài)電信號測量信息和數(shù)據(jù)；遙信信息模板以遙測信息為預判依據(jù)，實現(xiàn)繼電保護、斷路器、隔離開關(guān)及相關(guān)告警狀態(tài)的信息全時空的判讀工作；遙控信息模板主要以斷路器、隔離開關(guān)、接地刀閘分合動作為主要操作對象，并將信號復歸及功能投推的信息反饋作為核驗輸入^[5]。

    (3)制定變電站類型-電壓等級-間隔-設備的級聯(lián)層級關(guān)系

    將變電站監(jiān)控信息按照“變電站類型→電壓等級→間隔→設備”層級關(guān)系，逐級映射，并封裝成特定級聯(lián)關(guān)系的模型庫，實現(xiàn)自動更新和調(diào)用功能。

    (4)二次優(yōu)化變電站監(jiān)控信息點表承載的數(shù)據(jù)內(nèi)容

    通過以上再次梳理變電站監(jiān)控信息數(shù)據(jù)關(guān)系的基礎(chǔ)，下面引入“神經(jīng)網(wǎng)絡+矩陣分析”智能算法聯(lián)合的方式，量化分析以上規(guī)范和約束的內(nèi)在關(guān)聯(lián)關(guān)系，優(yōu)化變電站監(jiān)控信息點表分析工作^[6-7]。

3 構(gòu)建基于矩陣分析改進BP神經(jīng)網(wǎng)絡的監(jiān)控信息優(yōu)化融合模型

    BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network，BPNN)通過構(gòu)建神經(jīng)網(wǎng)絡“輸入層-隱含層-輸出層”的層級架構(gòu)，建立輸入和輸出權(quán)值關(guān)系，達到應用對象被抽象化的自組織學習非線性擬合的目的^[8]。總體而言，BPNN整個算法主體上分為兩步：(1)建立和執(zhí)行正向傳導關(guān)聯(lián)模式；(2)逆向反饋關(guān)聯(lián)關(guān)系擬合偏差。通過有限次的迭代工作，獲取輸出與輸入之間長期穩(wěn)定的關(guān)聯(lián)關(guān)系。

    在變電站監(jiān)控信息優(yōu)化解析方面，以監(jiān)控信息點表為研究對象，BPNN優(yōu)勢：降低人工干預，發(fā)揮計算機自身計算優(yōu)勢，具有較優(yōu)的非線性擬合能力；其劣勢：受限于歷史樣本數(shù)據(jù)的豐富程度，易陷于局部最優(yōu)解，學習過程相對緩慢。

    以下從改進BPNN算法的路線設計、基于監(jiān)控信息點表數(shù)據(jù)的BPNN自主學習數(shù)學建模、基于BPNN傳遞函數(shù)誤差最小化的兩層權(quán)重分配矩陣分析優(yōu)化三方面開展相關(guān)工作。

3.1 改進BPNN算法的路線設計

    改進算法的路線設計過程如圖2所示。

    (1)對接變電站監(jiān)控信息數(shù)據(jù)庫平臺，讀取監(jiān)控信息點表歷史樣本；

    (2)構(gòu)建三層式（輸入層-隱含層-輸出層）BPNN學習模型；

    (3)將設備信息臺賬庫和電氣邏輯屬性庫數(shù)據(jù)合成，作為輸入層向量x；

    (4)將設備ID和信息點表點號與“變電站類型-電壓-間隔-設備”進行映射關(guān)聯(lián)，作為隱含層向量y；

    (5)將“變電站類型-電壓-間隔-設備”與遙信、遙測、遙控訂閱信息進行映射關(guān)聯(lián)，作為輸出層向量z； 

    (6)其中，ω_i為隱含層與輸入層之間的權(quán)重矩陣，e_i為隱含層與輸入層之間的誤差向量，ω_o為隱含層與輸出層之間的權(quán)重矩陣，e_o為隱含層與輸出層之間的誤差向量；

    (7)為使e_i和e_o向量誤差期望值最小，設立迭代次數(shù)N；

    (8)開展權(quán)重矩陣方程特征值優(yōu)化計算工作；

    (9)若(for k=0；k++；k<N），跳轉(zhuǎn)至步驟(3)；

    (10)直至滿足數(shù)學模型迭代次數(shù)，最終獲得監(jiān)控信息點表信息融合之后的優(yōu)化解。

3.2 基于監(jiān)控信息點表數(shù)據(jù)的BPNN自主學習數(shù)學建模

    基于監(jiān)控信息點表數(shù)據(jù)的BPNN自主學習數(shù)學建模聲明如下：

    (1)為了增強非線性擬合能力并最終最大限度地呈現(xiàn)數(shù)據(jù)本身信息的客觀真實性，引入BPNN信息數(shù)據(jù)關(guān)聯(lián)轉(zhuǎn)移函數(shù)其中t表示本層網(wǎng)絡輸出數(shù)據(jù)變量，d表示上一層網(wǎng)絡數(shù)據(jù)輸入變量^[9]。

    (2)隱含層與輸入層之間的函數(shù)關(guān)系：y=f(x)=ω_ix+e_i，ω_i=t(x)，e_i=y_r-y；其中，ω_i權(quán)值分配服從關(guān)聯(lián)轉(zhuǎn)移函數(shù)，y_r表示隱含層的實際值。

    (3)輸出層與隱含層之間的函數(shù)關(guān)系：z=f(y)=ω_oy+e_o，ω_o=t(y)，e_o=z_r-z；其中，ω_o權(quán)值分配服從關(guān)聯(lián)轉(zhuǎn)移函數(shù)，z_r表示隱含層的實際值。

    (4)期望方差計算。為了獲取BPNN信息傳遞最優(yōu)輸出期望值，具體的隱含層輸出期望方差和輸出層輸出期望方差的數(shù)學計算公式如式(1)、式(2)所示：

3.3 基于BPNN傳遞函數(shù)誤差最小化的兩層權(quán)重分配矩陣分析優(yōu)化

    利用構(gòu)建權(quán)重分配矩陣的思想，加速BPNN自主學習過程^[10-11]。

    (1)將ω_i、ω_o抽象合成為BPNN整體輸入到輸出的權(quán)重矩陣模型，具體公式詳見式(3)，表示輸入層節(jié)點的個數(shù)。

    (2)對式(3)開展權(quán)重矩陣特征值最優(yōu)解計算，壓縮數(shù)據(jù)處理量，計算所得公式如式(4)所示。

    (3)對式(4)的輸入層變量求偏導計算，分析BPNN學習走勢并整合，獲取后續(xù)的側(cè)重學習策略，計算如式(5)所示。

4 仿真實驗

4.1 仿真聲明

    學習樣本1 500個，測試樣本200個，權(quán)重取值ω∈(0.25，0.70)，迭代次數(shù)100次，誤差率控制比例范圍e∈(0，10%)。

4.2 仿真分析

4.2.1 測試樣本誤差率與迭代時間的效能對比

    針對200個變電站監(jiān)控信息點表的測試樣本，分別采用BPNN和“BPNN+矩陣分析”的人工智能手段，其測試樣本誤差率與迭代時間效能對比如圖3所示。

    從圖3分析可知，在t≈4.4 s以后,采用“BPNN+矩陣分析”的測試樣本誤差率穩(wěn)定在1.15%；在t≈6.5 s以后，采用BPNN的測試樣本誤差率穩(wěn)定在1.57%。通過以上比較可知，采用“BPNN+矩陣分析”的人工智能算法模型不僅時間響應方面有優(yōu)勢，而且還將測試樣本誤差率進一步降低。

4.2.2 測試樣本信息融合程度對比

    針對200個變電站監(jiān)控信息點表的測試樣本，分別采用BPNN和“BPNN+矩陣分析”的智能分析手段，其測試樣本融合程度對比如圖4所示。

    從圖4分析可知，在t≈6.5 s以后，采用“BPNN+矩陣分析”的人工算法聯(lián)合創(chuàng)新方式將測試樣本信息融合穩(wěn)定維持在95.6%；在t≈8.6 s以后，采用BPNN的測試樣本將測試樣本信息融合穩(wěn)定維持在82.9%。通過以上比較可知，采用“BPNN+矩陣分析”的人工智能算法模型在短時間內(nèi)可以實現(xiàn)信息融合工作，并在信息融合程度方面占絕對優(yōu)勢。

5 結(jié)論

    通過基于矩陣分析的BPNN智能算法，開展了變電站監(jiān)控信息點表信息融合模型構(gòu)建及其解析工作。仿真試驗結(jié)果表明，在面向海量監(jiān)控信息的處理工作中，“BPNN+矩陣分析”實現(xiàn)了人工智能方式的解析工作，不僅壓縮了監(jiān)控信息數(shù)據(jù)量，而且提升了監(jiān)控信息點表的判讀效率。

參考文獻

[1] 李元鋒，莫加杰，馮超.新一代智能變電站信息融合和一體化建模技術(shù)研究[J].自動化應用，2016(9)：107-108.

[2] 冉冉，張巖，胡楠，等.基于電力數(shù)據(jù)中心應用標準化設計的研究[J].電子技術(shù)應用，2014(z1)：278-280.

[3] 字云飛，李業(yè)麗，孫華艷.基于深度神經(jīng)網(wǎng)絡的個性化推薦系統(tǒng)研究[J].電子技術(shù)應用，2019，45(1)：20-24.

[4] 王洪哲，路明，秦領(lǐng)，等.基于電力設備的監(jiān)控業(yè)務一體化管理方法[J].東北電力技術(shù)，2017(8)：24-28.

[5] 徐丹丹，米為民，鄧勇，等.智能變電站與調(diào)度主站間模型/圖形協(xié)調(diào)共享及無縫通信一體化建模方案[J].電網(wǎng)技術(shù)，2012，36(11)：235-239.

[6] 莫紅枝.基于馬爾可夫鏈的自適應性神經(jīng)網(wǎng)絡訓練算法[J].電子技術(shù)應用，2014，40(10)：142-145.

[7] 張賢達.矩陣分析與應用(第2版)[M].北京：清華大學出版社，2013.

[8] CHENG H L，PARK S C.Combination of modified BPNN algorithms and an efficient feature selection method for text categorization[J].Information Processing & Management，2009，45(3)：329-340.

[9] 宋宇鯤，高曉航，張多利，等.Sigmoid函數(shù)的分段非線性擬合法及其FPGA實現(xiàn)[J].電子技術(shù)應用，2017，43(8)：49-51.

[10] MAHLER R P S，EBRARY I.Statistical multisource-multitarget information fusion[M].Statistical Multisource-Multitarget Information Fusion，2007.

[11] BARZILAY R，MCKEOWN K R，ELHADAD M.Information fusion in the context of multi-document summarization[C].Proceedings of 38th ACL，1999.

作者信息:

張  宇，張  昊，李  勝，王國鵬，崔慧軍

(國網(wǎng)冀北電力有限公司，北京100053)