遗传神经网络在输电线路可靠性评估中的应用研究①

付海军， 段其昌

(重庆大学自动化学院，重庆400044)

0 引言

输电线路作为电力系统中的重要组成部分，由于长期暴露在外部环境中运行，受环境等诸多不确定性因素影响，一直以来缺少一种有效方法对输电线路可靠性进行合理评价，之前的各种方法如贝叶斯方法在输电线路可靠性评估中权重确定是由人为主观确定的[1]，使得输电线路可靠性评估具有主观局限性．

争对当前输电线路各种评估方法存在的不足，文中提出的遗传神经网络评估输电线路可靠性的方法，克服了现有方法的主观局限性，该方法既体现了主观意向又反映了客观信息，使评价结果更趋合理．使用BP网络的非线性映射性、自学习性、强容错性及自适应性，来对样本进行处理[2]．BP网络的阈值和初始权重用遗传算法来进行优化，这样方可做到对权重进行比较大范围的取值，非常好地解决了BP神经网络的易落入局部的最小值点和收敛速度比较慢等问题．二者结合，各取所长[3]．通过仿真研究得出，实际值与评价值的相差很小，遗传神经网络的评价结果使人满意．

1 输电线路可靠性评估指标选取

文中将输电线路的运行状态分为三类:良好、注意、不良．评价标准依据国家电网公司于2006年颁布的《110(66)kV～500kV架空输电线路评价标准(试行)》和南方电网公司于2004年颁布的《输变电设备状态评价标准》，该标准是通过与线路工程技术人员制定的．具体可参考文献[1]．

本文在参考国家电网公司企业标准(Q/GDW173—2008)制定的输电线路状态评价导则及相关文献的情况下，对影响输电线路可靠性的各种因素进行综合权衡后，对输电线路评估模型进行简化处理，简化后输电线路由杆塔、绝缘子、金具、导地线、基础和接地装置五个主要部件组成．各部分的基本的子事件如下所示:

①．杆塔(Y)有9个基本的子事件:Y1—杆塔的倾斜状况(包含挠度等);Y2—铁塔外表脱落、生锈情况;Y3—铁塔主体变形状况;Y4—铁塔辅助材料的形变率情况;Y5—铁塔螺栓的坚固状况;Y6—混凝土电杆保护层的腐蚀及钢筋外露状况;Y7—普通的混凝土电杆有无裂纹状况;Y8—拉线是否是完善的，拉线及拉线棒锈蚀后的直径变化状况;Y9—拉线的防盗状况．

②．绝缘子(X)有6个基本的子事件:X1—绝缘子的表皮状况;X2—爬电比距能否遵循污秽等级下的爬电比距数值要求状况;X3—瓷质绝缘子零值率及自爆率状况;X4—合成绝缘子鬼裂、老化、破坏的状况;X5—锁紧销状况;X6—钢脚扭曲松动的状况．

③．金具(V)有5个基本的子事件:V1—金具有无锈蚀状况;V2—金具磨损的状况;V3—销子有无短缺状况;V4—金具有无松动状况;V5—金具强度的状况．

④．导地线(Z)有7个基本的子事件:Z1—输电线有无路断股的状况;Z2—地线有无损伤锈蚀状况;Z3—导地线弧垂的偏差状况;Z4—导地线的相间弧垂偏差状况;Z5—同相子的导线弧垂有无偏差状况;Z6—导线连接器及地线连接器的状况;Z7—导地线的强度试验状况．

⑤．基础及接地装置(U)有6个基本的子事件:U1—基础的状况;U2—地质的状况;U3—防护措施的状况;U4—接地装置的状况;U5—接地装置的敷设状况;U6—接地电阻的状况．

2 BP神经网络与遗传算法

2．1 BP 神经网络

BP(Back Propagation)神经网络是由Rumelhart和McClelland在1986年提出来的，是一种多层前馈网络，且是按误差逆传播算法训练的[4]，是现今为止应用最为流行的神经网络模型中的一种，它由输入层、隐含层及输出层组成，各层神经元之间是由连接权重连接的．它的网络结构如下图图1所示．

图1 三层BP神经网络结构

输入节点由输电线路各个评价指标组成，共33个输入节点;由于评价结果为计算输电线路处于良好、不良、注意状态的概率，所以输出节点数为1;隐含层的节点数由公式(1)及多次的仿真实验确定的，最终确定的隐含层节点数为11．

式中l为隐含层节点数，m为输入节点数，n为输出节点数，c为[1，10]之间的常数．

BP算法的一次学习迭代过程可分为两个过程，即信息流正向传递(信息由输入层输入，经隐含层和输出层的计算，再由输出层得到处理之后的输出值)和误差的逆向修改(计算输出值与期望值的误差，假使该误差超过了规定范围，根据该误差计算得到相应得神经元的连接权值，修改各层神经元的节点之间的连接权值)．

BP神经网络虽得到了人们的普遍应用，但也存在一些缺点，比如:首先BP神经网络算法的误差函数是一种单点搜索、沿梯度方向下降的算法，全局的搜索能力差，容易落入局部的极小值．其次，BP神经网络对权值的学习有一定的随机性，因为它的初始结构参数具有随机性．最后，由于BP神经网络初始结构参数具有随机性，还使得神经网络的收敛速度过慢，使网络的训练过久且不易收敛．

2．2 遗传算法(GA)

遗传算法(GA)是一种全局的随机的寻优的搜索算法，它求解复杂的问题的思路是模拟大自然生物界的自然选择及自然的遗传机制的进化过程得到的．它的编码空间即为问题空间，进化的基础是编码群体，评价依据是适应度函数，用群体中个体的位串来模拟生物进化过程，从而完成选择、交叉、变异等操作．通过无数次这样的操作，从而完成个体的进化，最后得到问题的最佳解．算法的流程图如下图图2所示．

图2 遗传算法流程图

遗传算法是一种群体的寻优算法，可使搜索结果免于收敛到局部的最优解，因为它的多点搜索性使它具有全局搜索性，从而可得到全局的最佳解．用遗传算法改进的BP神经网络，能够弥补BP网络易于落入局部极小值及收敛速度慢等问题．

3 遗传算法优化BP神经网络

由于BP神经网络在训练过程中，神经元间的连接权值和阈值是随机初始化的，对神经网络的训练过程及结果影响显著[3，4]．所有网络连接权值及阈值用遗传算法来优化，优化后的神经网络性能有显著的提高．而且还扩大了网络的搜索空间，BP算法易落入局部极小值的问题也得到了很好地解决，且神经网络的训练次数也因为优化了初始神经网络结构的参数而大大的减少，从而使神经网络的训练次数得到明显提升，训练速度加快，使系统得结果更准确．

遗传神经网络模型的原理，通过遗传算法(GA)来优化BP神经网络神经元初始连接权值，最后由BP算法对网络进行训练．

遗传算法(GA)优化BP网络神经元之间的初始连接权值及阈值的主要步骤如下:

⑴．染色体的编码:染色体编码方式通常有浮点数编码或二进制编码．文中采用浮点数编码的方式对初始种群的染色体进行编码，把BP网络的权值和阈值按照输入层及隐含层、隐含层及输出层间的神经元的连接权值、输入层及隐含层、隐含层和输出层的阈值顺序关联起来，就组成了种群的一条染色体，该染色体即为一个实数数组．

⑵．适应度函数的选取:BP网络的性能评估标准:即实际输出值与期望的输出值之间的误差平方和愈小愈好，也即实际输出值与期望的输出值之间的误差平方和的倒数愈大愈好．遗传算法评价染色体生存能力的标准是适应度函数值，染色体被选中进行遗传操作几率大小由适应度函数值决定的，适应的函数值越大进行遗传操作的机会越大．文中把实际输出值与期望的输出值之间的误差平方和的倒数作为适应度函数，如下所示的:

式中f(x)为BP网络均方的误差函数．

4 评估的具体方法与步骤

评价方法:用遗传神经网络对输电线路的可靠性进行评估，即把评价标准作为学习的样本对网络进行训练，待网络的训练收敛到我们可以接受的误差范围内时，再把待评价的数据输入网络，这样就可以得到评价的具体结果了．

评估的具体步骤为:

①搭建评价网络的模型;

②数据的预处理:归一化处理待训练样本S;

③用遗传算法(GA)优化网络的权值和阈值;

④录入归一化处理后训练样本S和目标输出O，训练网络模型．

⑤将归一化处理后的待评价样本输入到神经网络后，这样就可以进行评价了．

图3 GA—BP的训练误差曲线

图4 GA—BP的训练误差曲线

5 实例分析

本文用的样本数据及测试数据来自2000～2005年吕梁地区110kV龙胡线．

5．1 网络模型的建立

⑴网络结构的确定

①网络层次的确定:考虑到神经网络价样本的实际情形，文中采用三层神经网络．

②输入节点数的确定:由于系统中有33个评价因子，一个评价因子对应一个输入节点，故输入节点数为33个．

③输出节点的个数:因为评价结果为计算输电线路处于注意、不良、良好状态的概率，故输出节点数为1．

⑵训练参数的设置

①遗传算法参数的设置:种群数为50，遗传的最多代数为100，初始化种群的权重空间为[0，1]，选择的概率取0．08，交叉的概率取0．1，变异的概率取 0．05．

②选取激励函数:隐含层和输出层激励函数选用S型函数，如下所示:

③确定学习步长:我们取学习步长为0．4．

④总误差的确定:依据样本实际情况，总误差取为E=0．00001．

5．2 数据预处理

由于采用S型的函数作为隐含层和输出层的激励函数，而S型函数输出值的取值范围为(0，1);故为了加速网络训练的速度，使网络可以成功的收敛到理想的误差范围之内，我们有必要归一化处理学习样本和待测样本．文中归一化处理按下面公式进行．

式中，P(xik)为第i类第k个基本子事件发生的概率，xik为第i类第k个基本子事件处于某种状态的个数，Mi为第i类基本子事件的总数．

龙胡线位于吕梁地区，电压等级为110kV，全线长为16．1665km，有杆塔80根，其中铁塔为2根，混凝土杆塔为78根，其中有22杆塔有拉线装置，绝缘子有2183个，其中瓷质的绝缘子有2175个，合成的绝缘子有8个，金具共有2194个，导地线共有79档，其中导线的总数为237，地线的总数为158，导线的连接器为54，地线的连接器数为15，基础与接地装置数都为80．

表1为部分事件处理前的部分数据，表2为对应于表1处理之后的数据．

5．3 训练网络

将归一化后的评价标准作为学习样本，通过对网络的训练．我们得知当训练的次数为8392次时，此时网络收敛，训练样本的结果如下表3:

表1 处理前的部分数据

表2 对应于表1的处理后的数据

表3 训练样本结果

测试样本如表4所示:

按以上设置，BP网络训练的误差曲线如图3所示．

遗传神经网络训练的误差曲线如图4所示．从图中可知BP网络训练12306次时网络收敛，而遗传神经网络训练8392次时网络收敛，可知遗传神经网络加快了网络的收敛速度以及易陷入局部最小值点的问题．

表4 为测试样本的结果

6 结束语

本着既能高效运行又能客观准确的评估对象，使评价结果更合理、可信，文中首次将遗传神经网络用于对输电线路的可靠性进行评估．BP网络的权重与阈值用遗传算法来进行优化，使得优化后的网络具有收敛速度快的能力，全局寻优的能力与评价结果准确、客观的能力等等．通过对大量测试数据的验证分析，结果表明文中提出的网络模型非常适用于输电线路的可靠性评价，为当今各输电线路的可靠性评估提供了新思路，具有一定的理论和现实意义．

[1] 董邦洲．基于贝叶斯网络的架空输电线路运行状态评估及隐形故障诊断[D]．山西，太原理工大学，2007．

[2] Nicolas Garia － Pedrajas，Domingo Ortiz － Boyer，Csear Hervas－Martinez．An Alternative Approach for Neural Network Evolution with a Genetic Algorithm:Crossover by Combinato－ rial Optimization[J]．Neural Network，2006，19(4):514 － 528．

[3] 栾庆林，卢辉斌．改进遗传算法在神经网络权值优化中的应用研究[J]．遥测遥控，2008(1):51－54．

[4] 崔伟．基于遗传神经网络的个人信用评估模型的研究．计算机工程与设计2009，30(18)．

[5] E．Chiodo，GMazzanti，Bayesian Reliability Estimation Based on a Weibull Stress－Strength Model for Aged Power System Components Subjected to Voltage Surges，IEEE Transactions on Dielectrics and Electrical Insulation，2006，13(1)，146 －159．

[6] 高贤维，刘三民，王杰文．基于遗传算法和神经网络的特征提取[J]．计算机与现代化，2008(4):23．26．

[7] Yang Yu － mei，Ma Zhi－ qiang，Fang Ruo－ sen．Design and Realization of Genetic － neural Network Based on MATLAB[J]．Information Technology，2008(06):73 －80．

[8] 应伟国．架空送电线路状态检修实用技术[M]．北京:中国电力出版社，2004．

[9] 2006电力可靠性指标发布及影响因素分析[J]．电力市场，2006，7(6)．

[10] 杨秋生．架空输电线路运行可靠性分析与探讨[J]．山西电力，2004，(6):30 －32．