智能变电站通信网络状态评价方法

熊 楠 王 军 宋 尧

（贵州电网有限责任公司贵安供电局，贵州 550003）

0 引言

智能变电站在智能电网中不仅是保护、测控等功能的实现，也是构建网络集成平台的基础[1]。通信网络是实现变电站自动化的关键，作为主站和变电站的传输通道，实现了整站的信息共享，其可靠运行对电网的正常运行至关重要[2]。通过查阅资料发现，在智能变电站网络的研究中，国内外学者主要对通信的实时性和可靠性进行研究，对网络状态评价方法的研究很少[3]。本文在智能变电站体系结构的基础上，结合模糊C-均值聚类（fuzzy C-means algorithm, FCM）与T-S 模糊神经网络（T-S fuzzy neural network, TSFNN），建立基于9 个评估指标的智能变电站网络状态评估模型，并通过实例验证模型的有效性和可靠性。

1 系统概述

在变电站过程级网络通信中使用面向对象的通用变电站事件（generic object oriented substation event, GOOSE）和采样测量值（sampled measured value, SMV）传输技术时，可靠的通信网络对于确保继电保护的及时性和可靠性至关重要[4]。智能变电站网络包括站控层、间隔层、过程层、位于站控层与间隔层之间的站控层网络和位于过程层与间隔层之间的过程层网络。图1 所示为智能变电站三层两网结构。

1）过程层由智能设备、智能终端和智能组件组成[5]，完成变电站配电、变电、输电、测量和保护等基本功能。

2）间隔层由辅助设备组成，如继电保护装置、测控装置及其他智能电子设备（intelligent electronic device, IED）等。一般包括继电保护设备、测控设备、故障记录设备、计量设备等。

3）站控层主要由自动化系统、控制系统和通信系统等组成，实现整个变电站或电力设备的测控功能，包括采集监视数据、采集电能、管理保护信息、同步相位采集等。

图1 智能变电站三层两网结构

站控层网络通信过程基于制造报文规范（manufacturing message specification, MMS）和TCP/IP 协议，它抽象了通信服务接口，主要保护传输数据。过程层网络包括采样值SMV 和GOOSE 子网。前者传输采样信息，后者传输开关信息。

2 网络状态评价模型

本文采用有、无监督相结合的方法对通信网络状态进行评价，将层次分析法（analytic hierarchy process, AHP）得到的权值通过标准欧几里得进行降维，结合模糊C-均值聚类与T-S 模糊神经网络，建立基于9 个评估指标的智能变电站网络状态评估模型[5]。图2 为状态评价流程。

图2 状态评价流程

2.1 数据指标体系

本文基于9 个指标建立评估模型：可用性、响应时间、丢包率、准确率、吞吐量、利用率、冲突率、广播率和组播率。运行有两种状态，正常和异常。异常状况分为五类：注意（Ⅰ级）、较为严重（Ⅱ级）、严重（Ⅲ级）、非常严重（Ⅳ级）和无法运行（Ⅴ级）。数据统一为100，表1 列出了异常的分类标准。

表1 异常分类标准

2.2 评价模型

选择9 个指标创建评价指标集，通过层次分析法得到各元素的权向量。代入欧几里得距离公式，即[6]

式中：a1k和b2k分别为n维向量a和b的第k个分量；sk为第k个分量的标准差；ωz为各评价指标的权重。

考虑每个指标对评估结果影响的差异，表2 为通过层次分析法得到指标权重。

表2 指标权重

将FCM 算法应用于数据集的模糊聚类，通过使各样本和其聚类中心的加权二次方和最小化，得到最优聚类结果[7]。

引入隶属度的概念，采用模糊划分来表示每个样本属于各个聚类中心的程度。标准化隶属矩阵U的元素μik取值为[0, 1]之间，并满足式（2）的要求[8]。

式中：ikμ为第i个聚类中心包含样本k的隶属度；c为聚类数；n为样本总数。

FCM 算法的目标函数为

式中：dik为第i类聚类中心到样本k的距离；m为加权指数；V为聚类中心矩阵。

使用拉格朗日乘数法，得到隶属度ikμ和聚类中心iv，即

式中：xk为第k个样本；drk为第r类聚类中心到样本k的距离。

T-S 模糊神经网络模型由前、后件两部分组成，前件是模糊变量，后件是输入/输出的线性函数。T-S模糊系统的输入/输出模型通常由以下规则描述。

规则：ifx1isA1iand ifx2isA2i··· and ifxnisAnithen

模糊系统的总输出是各个子规则输入的加权平均值，即

本文使用具有多输入单输出的T-S 模糊神经网络，前件网络和后件网络分别为四层和三层[9]。

前件输入层，一个输入变量对应一个神经元，并将输入变量传送到下一层，输出为[10]

前件模糊化层，每一个神经元对应一个语言术语，即Aij。由高斯隶属函数定义，输出为

式中，c ij和σij分别为高斯隶属度函数的中心和宽度（第i个规则下）。

前件规则层，每个神经元对应一条规则，该规则连接到第二层中语言项的神经元，输出为[11]

式中，γi为补偿度（第i个规则下）。

前件输出层，归一化输出，即

后件输出层，T-S 模糊神经网络的输出为[12]

式中：y为后件网络中各个规则的加权和；为权重系数，作为后件网络输出层的连接权值。

T-S 模糊神经网络评价过程如图3 所示。

使用经过训练的模型来评价智能变电站网络，根据评价值对应划分网络级别。预测值小于1.5 时为Ⅰ级，大于4.5 时为Ⅴ级。参数初始化xite= 0.001，alfa= 0.05，网络输入节点数为9、隐含节点数为18、输出节点数为1。

3 实验结果与分析

以某变电站的通信系统为例，以实际测量结果为依据，使用AHP 计算每个元素的权重[13]。具体计算结果见表3。

图3 T -S 模糊神经网络评价过程

表3 计算结果

判定网络状态参数是否在正常范围内。如不在，将权重值代入欧几里得公式，然后进行模糊聚类。聚类参数设置如下：最大迭代次数为200，目标函数的最终公差为1×10-6，幂指数为3，将数据聚合为五类，从小到大分别标记为1、2、3、4、5。

使用T-S 模糊神经网络模型，选择80 个样本数据，其中50 个为训练数据，20 个为测试数据，10个为评价数据。图4 为训练结果。从图4 可以看出，两条输出曲线的趋势基本相同，模型输出的大多数点基本上与实际输出相吻合。

图4 训练结果

为了分析模型输出的可靠性，做训练误差分布曲线如图5 所示，由图5 可知，样本点90%误差在±0.5 以内，最大误差为-0.95。这表明TSFNN 预测模型的结果与实际输出较为吻合。

图5 训练误差

进一步对模型进行测试验证其合理性。将20 组测试数据导入模型，测试结果如图6 所示。从该图可以看出，有几个点模型输出值与实际值偏差较大，但是大多数点在实际值上下波动。

图6 测试结果

为了更直观地进行比较分析，做测试误差曲线如图7 所示。从图7 可以看出，误差在±1 之间，表明该预测模型是合理有效的。

图8 为评价结果对比。从图8 可以看出，本文方法评估结果与实际情况的相似度达到90%。利用该方法可以获得较高的准确率，可以实现网络状态的在线评价。现场数据和实际分析结果表明，该方法能有效地评价智能变电站的通信网络。

图7 测试误差

图8 评价结果对比

4 结论

针对现有的智能变电站通信网络状态评价中存在过多人为因素的问题，提出一种基于T-S 模糊神经网络和模糊C-均值聚类的智能变电站通信网络状态评价模型。通过实例验证了模型的有效性和可靠性。结果表明，该方法能有效地评价智能变电站的通信网络。根据实验室现有的设备和数据规模，对智能变电站通信网络评估方法的研究尚处于初级阶段。基于此，逐步改进和完善将是下一步工作的重点。