模糊神经网络在电力继电保护装置状态评价中的应用

2022-01-21兰雁宁郑陈达

黑龙江科学 2021年24期

兰雁宁，郑陈达

(1.上海电力大学，上海 200090； 2.国网福建省电力有限公司电力科学研究院，福州 350007)

继电保护是电力系统安全稳定运行的重要保障，直接关系着电力系统的运行质量。继电保护状态检修技术离不开合理、可靠的继电保护装置状态评价结果，评价结果的好坏将在很大程度上影响装置的检修效果[1]。传统的评价手段中，人为主观因素对评价结果有较大的影响，会降低评价工作效率，评价结果也缺乏准确性。目前，已有学者提出了改进方法[2]，文献[3，4]采用模糊综合评价法进行继电保护装置评价，评价结果相较于传统方法更加准确且更具说服力。但这类方法工作量较大，且算法中权重系数的选择对整体评价结果有很大的影响。马尔科夫模型是一种适合于描述继电保护装置状态变化的方法，但在工程实践中由于受模型假设的限制，准确性通常不高[5-6]。

神经网络因其自身强大的学习能力及非线性逼近能力，在电力设备评价方面应用较广。电力设备评价通常可以看做是对模糊属性的分类问题，对设备的标准评价结果是稀缺的，因而传统神经网络模型可能由于学习样本不足导致其应用范围受限[7]。模糊神经网络结合了模糊系统在模糊知识表达上的优势，同时具备了神经网络的自适应学习能力，是一种优良的分类工具[8]。介绍了一种基于T-S模糊神经网络的继电保护装置评价方法，其工作效率及评价结果较传统评价方法均有较大提升。

1 T-S模糊神经网络

用函数表示的某计算元素的隶属度被称为隶属函数。在T-S模糊模型中，系统规则的前件部分的隶属函数常选用高斯型函数，当输入变量为向量X=[x1,x2,…,xk]时，输入量的隶属函数根据模糊规则可表示为式(1)。

(1)

T-S模糊神经网络的结构对应于模糊系统，可分为前件网络和后件网络。前件网络共分为4层，用于计算各条规则的适用度，从而匹配模糊规则。变量由输入层进入模糊神经网络，传送至第二层生成隶属函数。在第三层进行隶属函数的模糊计算，通常采用如式(2)所示的模糊算子作为连乘算子。

(2)

ωi表示第i条模糊规则的适应度。第三层得到的适应度函数在第四层中采用式(3)进行归一化处理，结果传输至后件网络。

(3)

后件网络共3层，第一层为输入层，第二层引入线性化参数进行规则计算，所得到的结果在第三层中与前件网络计算结果做加权求和，得到模糊神经网络的输出结果y，如式(4)所示，式中yj表示后件网络第二层中对应第j条模糊规则的输出。

(4)

2 算法设计

继电保护装置评价是根据装置评价标准和装置样本各项指标值，借助数学模型计算得到装置的状态评价等级的过程。在绝大多数评价类问题中，用于评价的采样数据是容易得到的，而采样数据相对应的评价结果，即采样数据的标签数据难以得到。采用等比例随机分布方式内插继电保护装置评价指标标准数据，生成足够的训练样本，经网络反复训练，借助自身优良的泛化能力，完成继电保护装置状态评价。

训练适用于继电保护装置状态评价的模糊神经网络，具体流程如图1所示，具体步骤包括：

图1 模糊神经网络训练流程Fig.1 Process of fuzzy neural network training

选取待评价装置的评价指标，各评价指标均划分为优秀、良好、中等、较差、很差五个等级。每一项指标的评分标准从很差到优秀被分为0～10分，每2分间隔取一个评价等级。

根据训练样本的输入、输出维数，构建模糊神经网络，网络的输入节点个数为装置的评价指标个数；网络的输出节点数为1，用以表示装置的评价等级。

初始化网络参数。采用误差反向传播学习算法，对网络参数进行修正，主要包括隶属函数中心值、宽度值及后件网络中的连接权重参数。

采用随机分布内插生成一定数量的训练样本和测试样本，训练模糊神经网络。当网络训练误差小于设定值或迭代次数达到设定值时，停止训练；当网络在测试集上的测试误差增大时，提前终止训练。

保存网络模型，用于后续装置状态评价。

3 算例分析

3.1 实验数据

参考文献[9]提出了按模块分别统计思想，以某继电保护装置采样回路为评价对象，评价项目包括电源、光模块、采样链路。共生产50个训练样本和15个测试样本，作为训练集和测试集。设定的训练最大迭代次数为50次，训练精度为1e-5。构建3输入节点、1输入节点的模糊神经网络，训练迭代过程如图2所示，当迭代至第23次时，测试误差上升，终止训练。

图2 测试误差与训练误差Fig.2 Test and training errors

3.2 实验结果

取5个具有代表性的测试样本数据输入训练好的模糊神经网络，得到评价结果如图3，可见经训练的网络模型能够准确地对训练样本进行等级划分。提取某电力企业设备运行历史数据，随机选择5台继电保护装置采样回路评价数据作为评价集。评价集经模糊神经网络模型计算后得到的评价结果如图4所示，评价结果很好地反映出了装置的状态等级。综上可知，网络模型学习训练样本后，能够较好地将知识泛化，进而对未知的输入样本给出合理的结果。