人工智能算法在无人值守变电站中的应用

郑天齐　邬军军　赵德基　高玉宝

摘要：随着人们对电力需求的不断增加、变电设备不断增多，对变电运检技术提出了更高的要求，不仅要保证对运检数据处理的准确性，还要尽可能提高数据处理的效率。本文提出建设基于人工智能的变电站智能运检管控系统，增强变电站对运行数据的分析、处理能力，实现数据的采集、识别、处理，达到“自动采集、自动识别、智能预警、智能决策”的高效运检的目标。

关键词：变电运检;人工智能;智能预警;智能决策

中图分类号：TP18 文献标识码：A 文章编号：1007-9416（2019）08-0116-05

0 引言

当今社会，电力在人们的生产生活中有着不可或缺的作用，变电运行是电网运行管理、倒闸操作和事故处理的执行机构，是保障电网安全运行不可或缺的一环。将人工智能技术引入变电运行势在必行，当前电力调度系统的信息和数据量在不断增长，对信息和数据的处理速度的要求也在不断增加，如何快速、准确地分析故障信息并给变电运行人员提供智能辅助是当今十分重要的课题。

1 课题背景

变电作为的电网的枢纽环节，直接影响着电能的质量。变电运行处在电网的枢纽位置，承担着连接整个电网的重要职责。然而，如今的变电运行工作仍存在着诸多问题。

（1）变电设备的操作不规范。供电部门已经下发了变电运行工作的相关规范，在安全运行方面的操作规范深入较好，但是维护作业的操作规范落实并不是很好，许多以操作人员会根据工作经验进行一定的改动。也就是说，很多操作人员都有自己的操作方法，在维护时虽然也达到了维护的目的，没有完全遵守规范流程。这样的工作方式固然更加快捷也更加实用， 但是不规范的操作方式很容易给设备造成损坏，这种损坏是不明显的，但是在一定的程度上成为了事故发生的诱因。 而且不规范的操作方式也给维护人员带的人身安全造成威胁。

（2）对变电设备的监测不准确。现有的变电设备的监测水平不高，经常会出现误报和漏报的问题，不仅没有达到预期的效果，还影响了给正常的变电设备维护工作带来了负担，也造成极大的人力物力的浪费。

由于存在上述问题，促使了无人值守变电站的发展，而无人值守变电站中的信息处理系统则要依托人工智能技术的辅助。本文就人工智能技术为变电运行提供信息的收集、处理，帮助运行人员进行智能预警、辅助决策展开论述。

2 无人值守变电站

随着人工智能技术的推广和广泛运用，越来越多的供电企业选择了无人值守变电站，由于其工作效率高，现场用电安全，以及极大程度地减少了在监测过程中可能会出现的失误，减小了企业的损失。由于不同的集控中心所负责的日常工作有所差异，加之值班人员无法长期始终坚守在各变电站，无人值守变电站是未来变电站的主要发展方向。就常规意义上来说，三遥或者四遥系统均是实现调度自动化中非常重要的内容，同时也是变电站实现无人值守或者无人值班的关键条件。但缺少智能预警、辅助决策系统来实现变电站是无人值守，是非常不安全、也不完善的。这主要是由于变电站作为电力供应的主要场所，其对安全性的要求非常高，针对变电站较为密集的情况，监控设备分布非常广、数量非常多，若在各个变电站分别安装各自的模拟视频监控系统，再安排专门的人员来负责管理，是极度耗费人力物力的，也不符合变电站智能化的发展趋势。通过网络构建起以环境监控远程视频监控系统，使变电站能够通过集中式管理，实现无人值班，实现实时、自动化监控的目的，以便可以及时地对现场的具体情况做出各种反应。

3 人工智能技术

人工智能技术最早应用在计算机技术中，随着第三次科技革命的到来，人工智能技术应用的领域越来越广泛，目前已在计算机科学，金融贸易，医药，诊断，重工业，运输，远程通讯，在线和电话服务，法律，科学发现，玩具和游戏，音乐等诸多方面。在电力方面的应用仍处在起步阶段，但由于其自动化程度高、数据处理精度高、以及具有简单的学习能力的优点，与无人值守变电站的理念相契合，使人工智能技术在变电运行方面由广阔的应用前景。

目前的人工智能技术大多采用人工神经网络算法，本文所采用的BP神经网络法是一种双向的人工神经网络，具有较高的计算精度。

3.1 神经网络

存在于动物身体里的神经网络叫做生物神经网络，而用现代科技手段实现的，通过向生物上学习而创造出的，具有类似功能的神经网络被人们叫做人工神经网络。神经网络不仅能够向大脑一样进行学习，还能像大脑一样在掌握一定知识后，总结事物内部规律，从而实现对复杂问题的解答。正因为这些原因，人工神经网络现在已被广泛应用在生活的各个方面，例如组合优化、负荷预测、目标跟踪、模式识别等。神经网络有以下几个主要特点：

（1）分布式储存信息。神经网络的海量信息被其储存在不同的位置上，当被调用时，它们通过神经元之间的权重与阈值了控制，实现信息的传播。得益于这种结构，当神经网络受到小的扰动或者波动时，系统仍然有一定的能力使得输出在可以接受的范围内。

（2）并行协同处理信息。许许多多類似的神经元构成庞大的神经网络，每个独立的神经元彼此独立但又相互联系。每个神经元就像一个个小型的处理单元。这使得该网络拥有良好的并行处理能力，它们彼此协同工作，就可以完成巨大的任务。

（3）储存与处理信息合二为一。系统中的每一个神经元都具备处理信息和储存信息的能力。神经元之间权值与阈值的变化就表明了，它们既储存了相关的信息，又对其做了处理。

（4）处理信息具有自组织、自学习的特点。当外部参数环境变化时，很多算法就需要重新进行设计，但是神经网络算法却可以依靠重新学习训练来适应新的环境。当初始条件变化的时候，可以根据新的初始条件，重新对神经网络进行训练。

3.2 网络学习

神经网络需要不断的学习训练，才能够记忆相关算法。神经网络的训练过程，简单的来讲，就是不断改变内部函数关联的过程。根据人脑的学习过程，我们提出了下面三种主要方法：

（1）监督学习。监督学习是在有误差反馈的条件下下进行的，如图1所示。这种学习方法，给出了所以输入对应的输出，在学习过程中输入输出过程中对应的集合叫作训练样本集。网络按照训练出来的方法进行学习，每次学习后都会参考输出结果，算出误差，进而调整学习进程，反复的学习直至误差达到最小的范围。

（2）无监督学习。无监督学习没有所谓的指导和反馈考察，依据系统本身的相关性质进行，如图2所示。该学习方式没有所谓的反馈信息作为参考，它是根据网络特有的结构和一定的学习规则来调节的，这是一种自组织，自学习的过程。这种学习方法可能会造成大的偏差。

（3）再励学习。再励学习具有有监督学习和无监督学习两种学习方法的性能，如图3所示。外部环境并不直接给出输出明确的信号，而是提供一个对应的激励。神经网络是通过加深正面激励，弱化反面激励的行为来不断改变相关参数，提高网络的准确度的。

3.3 BP神经网络的模型

神经网络模型一般主要有三层：输入层、中间层和输出层。不同层中的神经元之间都是互相关联的。不过相同层的不同神经元之间却完全不存在连接。下图是一个简单的BP網络结构示意图，如图4所示。

因为BP神经网络里增加了隐含层，使得输入和输出之间可以映射任何函数关系，BP神经网络的训练学习，包括四个部分：

（1）模式顺序传播，输入模式由输入层经过中间层向输出层方向。

（2）误差逆序传播，网络的期望输出与实际输出之间的误差信号由输出层经过中间层到输入层逐步修正权值。

（3）以上两种传播方式不断反复的进行。

（4）使网络的误差趋向极小值，全局实现收敛的学习过程，一直到实际输出与期望输出的误差达到要求为止。BP神经网络所使用的这种算法称为误差反向传播算法，即BP算法。

3.4 BP神经网络的算法

假设神经网络模型是具有三层的网络结构，输入层个数为N个;隐含层个数一般大于输入层的2倍即L>2N;输出层个数为M个。另设EP是在模式p下的整个网络的误差函数;tpj是模式p下节点j的希望输出值;Opj模式p下节点j的实际输出值;Wij是节点i到节点j之间的权重;θj是节点j的阈值。定义误差函数EP是个节点期望输出值与实际输出值的平方和：

（3-1）

在p方式下，j节点的净输入NETpj是

（3-2）

其中对节点j的输出进行和运算。假设j节点是在输出层，那么Opj可以通过式（3-2）的权值和阈值函数确定，即

（3-3）

通常情况下，阈值取（-1，1）的任意常数。使得式（3-1）的误差最小，那就要求学习时Ep对Wij的导数为负值，根据隐函数求导法则可知：

（3-4）

把式（3-2）带入式（3-4）中可得：

（3-5）

把公式（3-4）的因子记为：

（3-6）

把公式（3-5）、（3-6）带入到（3-4）中可得：

（3-7）

要想减少Ep的值，就需权值的变化量正比于σpjOpk，即：

（3-8）

我们只需得出σpj，就可由公式（3-7）确定权值的变化量，进而对权值进行调整，公式（3-6）可以根据导数法则写为：

（3-9）

将公式（3）带入上式可以得到：

（3-10）

将公式（1）带入公式（9）可得：

（3-11）

把公式（10）、公式（11）带入公式（9）中可得

（3-12）

假设j为输出，t、O皆为已知，则由公式（3-8）、（3-12）联立，求出σ和权值变化量。假设j是隐含层，而不是输出，由于我们希望输出值未知，那么要用相关的数学知识接着算下去：

（3-13）

公式中k是与隐含层节点j连接的输出节点，而输出层节点k的σpk已得出，由公式（13）可以算出相关参数，最后，将公式（3-10）、（3-13）带入公式（3-9）中可以得到：

（3-14）

上面的推理可得，此算法计算出的输出误差，经由公式（3-14）反向回馈到隐含层，在算出隐含层的值即可。以上即为BP神经网络的一般算法，本文给出了简单的介绍，我们可能根据其算法更好的了解原理，并对其提出相应的改进。

3.5 模型的建立

对于神经网络模型的建立，可以按照以下几个步骤进行：（1）确定网络层数很多神经网络都是预先设计好使用层数的，BP神经网络可以具有不同的隐含层。虽然从理论上讲，隐含层的数量与神经网络对问题的处理能力正相关，隐含层数量越多，就越接近真实的神经网络，就越能处理复杂的问题。但是，过多的隐含层将会导致该种方法的运算时间过长。对于现在大多数的问题，单层的隐含层就能解决，且提高层数的多少对问题的解决能力的提升很有限。所以，对于一般的简单问题，一个隐含层就能够解决。本文采用一个隐含层的BP神经网络，即包含输入、输出层、一个隐含层的三层神经网络。（2）确定输入层节点数输入层是接收外部传输的数据的，其到了一定的缓冲储存作用，所以，输入层的节点数取决于输入数据的个数。（3）确定输出层节点数输出层的节点数是根据输出数据的需要决定的（4）确定隐含层节点数隐含层节点数的确定不能简单地利用输入或输出等某个条件确定，这是因为：假设节点数太少，系统算法无法充分得到样本中的信息，就像具有较少神经元的蚂蚁无法算数一样，神经网络没有办法就给出的问题做出合理的解答。假设节点数太多，这又会引起另一种问题，与生物神经网络不同，过多的神经元可能令神经网络过于“僵化”。一般没有对于的准确公式，我们可按如下经验公式：

公式中：n—隐含层节点数ni—为输入节点数n0—输出节点数a∈（1，10）

（5）确定传输函数，传递函数有很多种。但是常用的为S型函数，公式如下：

在本文我们使用S型函数作为传递函数那么神经网络的输出就会控制在较小的范围内（0～1的常数），便于误差分析和数据处理。S型函数如图5所示。

3.6 训练的方法

不同的使用目的，我们可以选择不同的方法手段。在本文中，我们采用批量学习方法。把所有的训练数据一次性输入到模型中，通过它的输出误差反向回馈调节相应神经网络连接处的权重和阈值，不断的进行训练学习，一直到网络收敛为止。这种方法的流程图如图6所示。

4 结论

BP神经网络是在数据预测上研究较多的一个课题，它的自适应功能对于非线性、非明确特征的数据具有很好的处理性。而变电运行过程中数据常常都不是呈线性分布的，而且故障数据的界限有时也是模糊的，更重要的是，现阶段人们已经研究出了接近于实际应用的成果，相信在不久的将来神经网络在变电运行的辅助决策会有突出的贡献。

参考文献

[1] 张海燕，冯天瑾.新的组合激活函数BP网络模型研究[J].青岛海洋大学学报（自然科学版），2002（04）：621-626.

[2] 黄继红.基于改进PSO的BP网络的研究及应用[D].长沙理工大学，2008.

[3] 陈允平.人工神经网络及其在控制与系统工程中的应用第二讲人工神经网络的学习方法（之一）有指导的学习[J].电网技术，2013，37（4）：58-64.

[4] 郭贝，任金霞.基于蝙蝠算法优化BP神经网络的特征点匹配[J].制造业自动化，2019（08）：68-70+80.

[5] 邹倩颖，王小芳.粒子群优化BP神经网络在步态识别中的研究[J/OL].实验技术，2019（08）：130-133+138.

[6] 王邦林，沙桐.人工智能与神经网络在电力系统中的应用研究[J].山东工业技术，2019（17）：144+185.

[7] 鲍伟强，陈娟，熊涛.基于进化神经网络的短期电力负荷预测研究[J].电工技术，2019（11）：46-49.

[8] 陈璞迪.基于深度神经网络的电力负荷分析方法的研究与实现[D].北京邮电大学，2019.

[9] 林唯贤.嵌入式设备高效卷积神經网络的电力设备检测[J].计算机系统应用，2019，28（05）：238-243.

[10] 李长海.基于支持向量机的油浸式电力变压器故障诊断方法研究[J].电气应用，2019，38（05）：67-72.

[11] 李昊宇，李建兴，马莹，等.基于小波特征的油浸式变压器电弧光故障诊断[J].福建工程学院学报，2019，17（01）：72-76.

[12] 芦君艺.油浸式变压器的故障诊断探究[J].机械管理开发，2019，34（01）：108-109.

[13] 廖伟涵，郭创新，金宇，等.基于四阶段预处理与GBDT的油浸式变压器故障诊断方法[J].电网技术，2019，43（06）：2195-2203.

[14] 黄静.基于随机向量泛函连接网络的油浸式变压器故障诊断[J].机电信息，2019（02）：29-31.

[15] 刘冰尧，庞腾，雷菊阳.基于深度信念网络的变压器故障诊断[J].化工自动化及仪表，2018，45（11）：873-878.

Application of Artificial Intelligence Algorithm in Unattended Substation

ZHENG Tian-qi， WU Jun-jun， ZHAO De-ji， GAO Yu-bao

（Shanghai Xuji Electric Co.， Ltd.， Shanghai  200120）

Abstract：With the increasing demand for electric power and the increasing number of substation equipment， higher requirements are put forward for the technology of substation operation inspection. It is not only necessary to ensure the accuracy of operation inspection data processing， but also to improve the efficiency of data processing as much as possible. In this paper， an intelligent substation operation and inspection management and controling system based on artificial intelligence is proposed， which can enhance the analysis and process ability of substation operation data， realize data acquisition，identification and processing， and achieve the goal of "automatic acquisition， automatic identification， intelligent early warning，intelligent decision-making" for efficient operation and inspection.

Key words：substation transportation inspection; artificial intelligence; intelligent early warning; intelligent decision