基于DFNN的继电保护状态评估方法的研究

宋人杰　谢春杰

摘要：继电保护状态评估体系采用分值式对设备进行状态评估，在模糊层次分析法中，影响因素的权重系数确定，参杂太多的人为因素，所以我们需要科学的计算出各个因素的权重。因此，引入动态模糊神经网络的综合评判算法（DFNN），该算法避免了模糊层次分析法的缺陷，并使得结果更加的精确。通过实例分析，动态模糊神经网络综合评判算法对设备状态的评估比模糊层次分析法更准确。

关键词：状态评估；权重；模糊层次分析法；动态模糊神经网络

中图分类号：TB文献标识码：A文章编号：16723198（2014）08018702

1引言

随着电力工业的发展，电气设备检修系统从计划性检修向状态检修转变。其核心任务是对设备状态的评估。设备状态性能优劣的描述语言是定性的，但实际运行设备状态信息是定量的，利用这些信息对设备进行状态评估。首先是分析状态评估建模中参量的选择；其次确定参量与设备状态变化的关系，即应用动态模糊神经网络对设备中各因素隶属函数的确定。

本文中，寻求每个参数信息和描述语言之间的相关关系，提出了一种基于动态模糊神经网络综合评判算法，结合专家经验来确定因素的权重关系，使得动态模糊神经网络综合评估模型可以真实反应设备的状态。

2动态模糊神经网络的结构与准则

2.1动态模糊神经网络的结构

所建立的网络模型为二级综合评判的模型，由n个一级评判子网和一个二级评判主网构成，主网是评判对象在不同时刻的综合评判值，采用RBF网络训练。子网是模糊系统与神经网络的结合，动态模糊神经网络的子网络的网络模型结构如图1所示，包括输入层、模糊化层、规则层、归一化层和输出层。

图1动态模糊神经网络结构图在图1中，x1，x2，…，x3是输入变量，y是输出变量，MFru是第r个输入变量的第u个隶属函数，Ru表示第u条模糊规则，Nu是第u个模糊神经元。

（1）第一层为输入层：设xi，i=1，2，…，r是评判因素。各个节点直接与输入向量各分量xi相连接，并将各输入值传到下一层；

（2）第二层是一个隶属函数层（模糊化层）：每个节点表示一个隶属函数。训练样本中，样品必须先模糊，获得网络的输入集R。从输入层输入的特征向量经过隶属函数层处理转化为各特征对评判集中各因素的隶属度，从而完成了输入的模糊化过程。计算模糊变量的隶属度，把输入变量映射到模糊变量，整个输入空间由一系列的高斯函数所划分的。本文选用的隶属函数是如下的高斯函数：

μijxi=exp-xi-cij21σ2j j=1，2，…，u（1）

其中，μij是xi的第j个隶属函数，Cij是xi的第j个高斯隶属函数的中心，σj是xi的第j个高斯隶属函数的宽度，u是隶属函数的数量，也就是评判集元素的个数；

（3）第三层是规则层：每个节点都代表一个可能的模糊规则IF部分。因此，该层节点数反映了系统的分类数，该层的每一个节点代表了一个RBF单元，基函数采用的是非线性的高斯函数。其中，Cj是第j个RBF单元的中心，σj是第j个RBF单元的宽度，则第j个规则Rj的输出为：

φj = exp-∑r1i = 1xi-cij21σ2j = exp-‖X-Cj‖21σ2jj=1，2，…，u（2）

由式看到，该网络的模糊规则数等同于一个RBF网络的网络节点数；

（4）第四层是归一化的层：与第三层有相同的节点，实现归一化计算。第j个节点Mj的输出为：

ψj=φj1∑u1l=1φlj=1，2，…，u（3）

（5）第五层为输出层：实现清晰化计算。wj是THEN-部分或第j个规则的连接权。在该层中，每个节点代表一个输出变量，输出为所有输入信号的叠加，采用线性加权综合法。其输出为：

y=∑u1l=1wl·ψl（4）

其中

wl=al0+al1x1+…+alrxr l=1，2，…，uali是第i个评判因素的权重，y是变量的输出。

2.2规则产生准则

对于一个系统，如果太少的规则，系统不能包含所有的输入-输出的状态空间，会有很差的性能；相反，如果规则的数量太多，会增加系统的复杂性。因此，一个新的规则，确定是否添加到系统中是非常重要的，输出误差和高斯函数的覆盖范围对于确定新规则的加入是重要考量。

（1）输出误差。

训练数据的第i个Xi，tii>1，Xi是输入向量，ti是期望输出，计算输出y，输出误差是：

ei=‖ti-yi‖（5）

如果ei>ke，则增加一条新规则，其中ke是设定的误差指数。

（2）可容纳边界。

使用高斯函数描述输入变量是从属关系函数，当高斯函数被调用时，以适应覆盖范围的边界。如果一个新的样本位于可容纳边界内，则存在一个新的样本可以用高斯函数代表，不需要添加规则，否则添加新规则。

训练数据的第i个，根据式（6），输入值Xi和现有神经元的中心Cj之间的距离：

dij=‖Xi-Cj‖j=1，2，…，u（6）

其中，u是现有的模糊规则数，同时根据下式求出dmin：

dmin=argmindij（7）

如果dmin>kd再加入一个新的规则，这里可以动态地调整容纳边界的有效半径kd和误差指数ke，根据下列公式计算：

ke=maxemax×βi·emin

kd=maxdmax×αi·dmin（8）

其中，emax预先设定的最大误差，emin期望的精度，β0<β<1收敛常数，dmax在预先设定输入空间最大长度，dmin是预先设定最小长度，α0<α<1衰减常数。在此，仅当ei>ke，dmin>kd同时成立时，才增加一条新的规则。不满足该条件的3种情况作如下处理：

（1）ei

（2）ei≤ke，dmin>kd时，只要归一化层到输出层的权值的调整即可。

（3）ei≤ke，dmin≤kd时，需调整最近Xi宽度σik的第k个神经元和归一化层到输出层的权重。根据公式（12）对σik进行调整，如下：

σik=ku×σik-1（9）

其中，kuku>1是设定的常数。

3实例分析

根据以上原则，现在以输电网中的220千伏电压等级，投运时间较长的一个变电站为评估对象，评估目标分数是通过模糊层次分析法计算及专家综合得到的期望分数。在动态模糊神经网络综合评判算法中，输入层的物理意义就是每周一次的巡检为指标，子网的输入层的物理意义为继电保护状态评估有关的各项指标，所以共有10个神经元。输入层集合各元素经过归一化处理后的xij作为输入矩阵P。输出层是对评估设备状态的一种表述，本文采用输出为数值形式的定量表述方式即综合评价值Y，在将其装换为语言文字的描述，因此使用1个神经元，Y构成输出向量T。训练网络前对初始数据进行预处理，去掉一个最高分和一个最低分，剩下的数据根据神经网络的特点把样本数据归一化为[0，1]之间的数据，采用规格化变换方法。观测变量为xi，观测变量的最小值为xmin，最大值xmax，则变换公式如下：

Ζi=xi-xmin1xmax-xmin

规格变换后的指标都在0和1之间，得到的数据如下表1所示：

4结论

为了提高继保装置状态评估的合理性、准确性，本文引入了动态模糊神经网络综合评判算法，该算法与模糊层次分析法相比，动态模糊神经网络可以获取更准确、更精确的权值，并且屏蔽更多评估价值较低的信息，提高评判结果的可信度，很好地合并了各类原始数据、检修、运行工况和运行经验等状态特征信息的基础上，使得状态参量信息和设备性能形成了较为符合运行人员的主观意识，克服了两者之间的复杂性和模糊性，得到了与设备实际运行情况基本符合的综合评判结果。

参考文献

[1]吴姜，蔡泽祥，胡春潮，等.基于模糊正态分布隶属函数的继电保护装置状态评价[J].电力系统保护与控制，2012，（05）：4852.

[2]王京慧，李宏光.动态模糊神经网络研究[J].北京化工大学学报（自然科学版），2003，（02）：7881.

[3]荣莉莉，王众托.基于知识和模糊神经网络的学习型评价系统[J].管理科学学报，2003，（03）：17.

[4]卢兴旺，于志民，田杰.基于模糊BP神经网络的水资源合理配置综合评价研究[J].中国农村水利水电，2009，（04）：46.

[5]张德丰，卢清华，周燕.一种新型的动态模糊神经网络算法[J].控制工程，2009，（04）：464467+471.

[6]梅蓉蓉，吴小俊，冯振华.改进的动态模糊神经网络及其在人脸识别中的应用[J].计算机应用与软件，2012，（01）：5659.

作者简介：王猛（1984-），男，工程师，主要从事工程地质勘察工作。

（1）ei

（2）ei≤ke，dmin>kd时，只要归一化层到输出层的权值的调整即可。

（3）ei≤ke，dmin≤kd时，需调整最近Xi宽度σik的第k个神经元和归一化层到输出层的权重。根据公式（12）对σik进行调整，如下：

σik=ku×σik-1（9）

其中，kuku>1是设定的常数。

3实例分析

根据以上原则，现在以输电网中的220千伏电压等级，投运时间较长的一个变电站为评估对象，评估目标分数是通过模糊层次分析法计算及专家综合得到的期望分数。在动态模糊神经网络综合评判算法中，输入层的物理意义就是每周一次的巡检为指标，子网的输入层的物理意义为继电保护状态评估有关的各项指标，所以共有10个神经元。输入层集合各元素经过归一化处理后的xij作为输入矩阵P。输出层是对评估设备状态的一种表述，本文采用输出为数值形式的定量表述方式即综合评价值Y，在将其装换为语言文字的描述，因此使用1个神经元，Y构成输出向量T。训练网络前对初始数据进行预处理，去掉一个最高分和一个最低分，剩下的数据根据神经网络的特点把样本数据归一化为[0，1]之间的数据，采用规格化变换方法。观测变量为xi，观测变量的最小值为xmin，最大值xmax，则变换公式如下：

Ζi=xi-xmin1xmax-xmin

规格变换后的指标都在0和1之间，得到的数据如下表1所示：

4结论

为了提高继保装置状态评估的合理性、准确性，本文引入了动态模糊神经网络综合评判算法，该算法与模糊层次分析法相比，动态模糊神经网络可以获取更准确、更精确的权值，并且屏蔽更多评估价值较低的信息，提高评判结果的可信度，很好地合并了各类原始数据、检修、运行工况和运行经验等状态特征信息的基础上，使得状态参量信息和设备性能形成了较为符合运行人员的主观意识，克服了两者之间的复杂性和模糊性，得到了与设备实际运行情况基本符合的综合评判结果。

参考文献

[1]吴姜，蔡泽祥，胡春潮，等.基于模糊正态分布隶属函数的继电保护装置状态评价[J].电力系统保护与控制，2012，（05）：4852.

[2]王京慧，李宏光.动态模糊神经网络研究[J].北京化工大学学报（自然科学版），2003，（02）：7881.

[3]荣莉莉，王众托.基于知识和模糊神经网络的学习型评价系统[J].管理科学学报，2003，（03）：17.

[4]卢兴旺，于志民，田杰.基于模糊BP神经网络的水资源合理配置综合评价研究[J].中国农村水利水电，2009，（04）：46.

[5]张德丰，卢清华，周燕.一种新型的动态模糊神经网络算法[J].控制工程，2009，（04）：464467+471.

[6]梅蓉蓉，吴小俊，冯振华.改进的动态模糊神经网络及其在人脸识别中的应用[J].计算机应用与软件，2012，（01）：5659.

作者简介：王猛（1984-），男，工程师，主要从事工程地质勘察工作。

（1）ei

（2）ei≤ke，dmin>kd时，只要归一化层到输出层的权值的调整即可。

（3）ei≤ke，dmin≤kd时，需调整最近Xi宽度σik的第k个神经元和归一化层到输出层的权重。根据公式（12）对σik进行调整，如下：

σik=ku×σik-1（9）

其中，kuku>1是设定的常数。

3实例分析

根据以上原则，现在以输电网中的220千伏电压等级，投运时间较长的一个变电站为评估对象，评估目标分数是通过模糊层次分析法计算及专家综合得到的期望分数。在动态模糊神经网络综合评判算法中，输入层的物理意义就是每周一次的巡检为指标，子网的输入层的物理意义为继电保护状态评估有关的各项指标，所以共有10个神经元。输入层集合各元素经过归一化处理后的xij作为输入矩阵P。输出层是对评估设备状态的一种表述，本文采用输出为数值形式的定量表述方式即综合评价值Y，在将其装换为语言文字的描述，因此使用1个神经元，Y构成输出向量T。训练网络前对初始数据进行预处理，去掉一个最高分和一个最低分，剩下的数据根据神经网络的特点把样本数据归一化为[0，1]之间的数据，采用规格化变换方法。观测变量为xi，观测变量的最小值为xmin，最大值xmax，则变换公式如下：

Ζi=xi-xmin1xmax-xmin

规格变换后的指标都在0和1之间，得到的数据如下表1所示：

4结论

为了提高继保装置状态评估的合理性、准确性，本文引入了动态模糊神经网络综合评判算法，该算法与模糊层次分析法相比，动态模糊神经网络可以获取更准确、更精确的权值，并且屏蔽更多评估价值较低的信息，提高评判结果的可信度，很好地合并了各类原始数据、检修、运行工况和运行经验等状态特征信息的基础上，使得状态参量信息和设备性能形成了较为符合运行人员的主观意识，克服了两者之间的复杂性和模糊性，得到了与设备实际运行情况基本符合的综合评判结果。

参考文献

[1]吴姜，蔡泽祥，胡春潮，等.基于模糊正态分布隶属函数的继电保护装置状态评价[J].电力系统保护与控制，2012，（05）：4852.

[2]王京慧，李宏光.动态模糊神经网络研究[J].北京化工大学学报（自然科学版），2003，（02）：7881.

[3]荣莉莉，王众托.基于知识和模糊神经网络的学习型评价系统[J].管理科学学报，2003，（03）：17.

[4]卢兴旺，于志民，田杰.基于模糊BP神经网络的水资源合理配置综合评价研究[J].中国农村水利水电，2009，（04）：46.

[5]张德丰，卢清华，周燕.一种新型的动态模糊神经网络算法[J].控制工程，2009，（04）：464467+471.

[6]梅蓉蓉，吴小俊，冯振华.改进的动态模糊神经网络及其在人脸识别中的应用[J].计算机应用与软件，2012，（01）：5659.

作者简介：王猛（1984-），男，工程师，主要从事工程地质勘察工作。