胡 揚(yáng)

0 引言

隨著電網(wǎng)的不斷發(fā)展，調(diào)度自動(dòng)化系統(tǒng)的智能水平不斷上升，各專(zhuān)業(yè)對(duì)于調(diào)度自動(dòng)化系統(tǒng)的安全穩(wěn)定運(yùn)行要求也越來(lái)越高。巡視、定檢、檢修是維持調(diào)度自動(dòng)化系統(tǒng)必要手段，當(dāng)系統(tǒng)處于不同的運(yùn)行狀態(tài)下的情況下需要相應(yīng)地調(diào)整周期，例如處于系統(tǒng)發(fā)生缺陷、特殊保供電時(shí)期需要縮短周期，而目前對(duì)于調(diào)度自動(dòng)化系統(tǒng)的狀態(tài)評(píng)估研究不足，大多依賴(lài)于感性評(píng)估，缺乏準(zhǔn)確的狀態(tài)評(píng)估，難以針對(duì)性地調(diào)整運(yùn)維策略及檢修計(jì)劃。

1 現(xiàn)狀研究

評(píng)估是指對(duì)被評(píng)估對(duì)象的優(yōu)劣程度或價(jià)值的評(píng)判，常常用于做出進(jìn)一步判斷或決策的支持。目前狀態(tài)評(píng)估方法應(yīng)用于電力系統(tǒng)主要集中在變壓器、電纜等一次設(shè)備上[1-3]。

狀態(tài)評(píng)估方法用于調(diào)度自動(dòng)化系統(tǒng)時(shí)，一方面可以根據(jù)評(píng)估結(jié)果給出決策支持，另一方面可以根據(jù)評(píng)估結(jié)果預(yù)測(cè)故障情況及調(diào)整運(yùn)維策略[4-5]?！赌戏诫娋W(wǎng)自動(dòng)化系統(tǒng)運(yùn)行風(fēng)險(xiǎn)量化評(píng)估方法》采用了層次分析法評(píng)估調(diào)度自動(dòng)化主站系統(tǒng)和廠站自動(dòng)化系統(tǒng)，通過(guò)掌握自動(dòng)化系統(tǒng)狀態(tài)信息，對(duì)系統(tǒng)各狀態(tài)參量的綜合評(píng)估確定系統(tǒng)所處的運(yùn)行狀態(tài)，最后通過(guò)歷史故障情況統(tǒng)計(jì)確定該狀態(tài)下的系統(tǒng)平均故障率[6]。本文以主站系統(tǒng)為例開(kāi)展研究。

上述方法的狀態(tài)評(píng)估主要考慮系統(tǒng)的狀態(tài)量，由狀態(tài)量權(quán)重和狀態(tài)量劣化程度兩個(gè)維度組成。所有狀態(tài)量權(quán)重之和為1，狀態(tài)量劣化程度按具體狀態(tài)的反映情況，以量化計(jì)分的方式進(jìn)行評(píng)估。在評(píng)分過(guò)程中采用定性和定量評(píng)估相結(jié)合的方式。

自動(dòng)化系統(tǒng)的狀態(tài)參量從投運(yùn)前狀況、歷史運(yùn)行狀況、實(shí)時(shí)運(yùn)行狀況、檢修狀況和其他影響系統(tǒng)安全穩(wěn)定運(yùn)行的因素等方面選取，采用分級(jí)分類(lèi)評(píng)估方法。狀態(tài)評(píng)估計(jì)算模型見(jiàn)公式（1），狀態(tài)參量的分類(lèi)見(jiàn)圖1。

其中，n為準(zhǔn)則層的準(zhǔn)則數(shù)量，ai為該項(xiàng)準(zhǔn)則相對(duì)于目標(biāo)的權(quán)重；m為在準(zhǔn)則i中的子準(zhǔn)則數(shù)量，aj為該項(xiàng)子準(zhǔn)則相對(duì)于其對(duì)應(yīng)準(zhǔn)則的權(quán)重；l為子準(zhǔn)則j中的狀態(tài)參量數(shù)量，ak為該項(xiàng)狀態(tài)量相對(duì)于其對(duì)應(yīng)子準(zhǔn)則的權(quán)重，Pk為該項(xiàng)狀態(tài)量的評(píng)分。S為評(píng)估對(duì)象的狀態(tài)評(píng)估結(jié)果。

圖1 自動(dòng)化系統(tǒng)狀態(tài)參量分類(lèi)

根據(jù)狀態(tài)評(píng)估計(jì)算結(jié)果，將自動(dòng)化系統(tǒng)的狀態(tài)分為：正常狀態(tài)、注意狀態(tài)、異常狀態(tài)和嚴(yán)重狀態(tài)，按照自動(dòng)化設(shè)備平均故障率計(jì)算模型可計(jì)算出不同系統(tǒng)狀態(tài)下的簡(jiǎn)化后平均故障率，如表1所示。

表1 自動(dòng)化系統(tǒng)狀態(tài)的評(píng)分與平均故障率對(duì)應(yīng)表

正常狀態(tài)：表示系統(tǒng)狀態(tài)量化值處于穩(wěn)定且在規(guī)程規(guī)定的警示值、注意值（以下簡(jiǎn)稱(chēng)標(biāo)準(zhǔn)限值）以內(nèi)，可以正常運(yùn)行。

注意狀態(tài)：表示系統(tǒng)狀態(tài)量化值變化趨勢(shì)朝接近標(biāo)準(zhǔn)限值方向發(fā)展，但未超過(guò)標(biāo)準(zhǔn)限值，仍可以繼續(xù)運(yùn)行，應(yīng)加強(qiáng)運(yùn)行中的監(jiān)視。

異常狀態(tài)：表示系統(tǒng)狀態(tài)量化值變化較大，已接近或略微超過(guò)標(biāo)準(zhǔn)限值，應(yīng)監(jiān)視運(yùn)行，并適時(shí)安排停電檢修。

嚴(yán)重狀態(tài)：表示系統(tǒng)狀態(tài)量化值嚴(yán)重超過(guò)標(biāo)準(zhǔn)限值，需要立即安排停電檢修。

2 調(diào)度自動(dòng)化系統(tǒng)狀態(tài)評(píng)估

上述方法中的評(píng)分與狀態(tài)評(píng)估采用階梯式評(píng)估，在兩個(gè)階梯之間的數(shù)值由于微小的變化會(huì)導(dǎo)致平均故障率的較大變化。評(píng)分為70分時(shí)，系統(tǒng)狀態(tài)評(píng)估為異常狀態(tài)，平均故障率為12.17%，而評(píng)分為71分時(shí)，系統(tǒng)狀態(tài)評(píng)估為嚴(yán)重狀態(tài)，平均故障率升為60.01%，不符合實(shí)際情況。

本文沿用上述方法中的狀態(tài)參量分類(lèi)及狀態(tài)結(jié)果分類(lèi)，采用模糊聚類(lèi)及人工神經(jīng)網(wǎng)絡(luò)算法改進(jìn)評(píng)估方法。仍然將調(diào)度自動(dòng)化系統(tǒng)的狀態(tài)分為正常狀態(tài)、注意狀態(tài)、異常狀態(tài)、嚴(yán)重狀態(tài)，狀態(tài)識(shí)別的結(jié)果應(yīng)該符合大部分時(shí)間處于正常狀態(tài)、少部分時(shí)間處于注意狀態(tài)，極少情況下處于異常狀態(tài)或者嚴(yán)重狀態(tài)。

選取BRP故障率、OCS故障率、OMS故障率、POC/SOC故障率、MTT故障率、機(jī)房及輔助設(shè)施故障率作為特征因素，故障率計(jì)算公式為指定時(shí)間內(nèi)該模塊故障設(shè)備數(shù)量/該模塊總設(shè)備數(shù)量。

選取模糊聚類(lèi)分析進(jìn)行調(diào)度自動(dòng)化系統(tǒng)狀態(tài)識(shí)別分析。聚類(lèi)就是把具有相似性質(zhì)的事物區(qū)分開(kāi)加以分類(lèi)，聚類(lèi)可以分為兩種，應(yīng)用普通數(shù)學(xué)方法進(jìn)行分類(lèi)稱(chēng)為普通聚類(lèi)分析，而模糊聚類(lèi)分析則是利用模糊數(shù)學(xué)方法進(jìn)行分析。1965年L.A.Zadeh創(chuàng)立了模糊集合論，人們開(kāi)始用模糊的方法來(lái)處理聚類(lèi)問(wèn)題，E.H.Ruspinid于1969年引入了模糊劃分的概念進(jìn)行聚類(lèi)分析，并稱(chēng)之為模糊聚類(lèi)分析[7]。

模糊聚類(lèi)分析流程如下。

（1）確定分類(lèi)對(duì)象，選取因素?cái)?shù)據(jù)

設(shè)分類(lèi)對(duì)象為論域D=[d1，d2，d3，…，dn] ，每個(gè)對(duì)象由上述6個(gè)特征因素表征di=[di1，di2，di3，…，din] 。

由此可得原始數(shù)據(jù)矩陣：

（2）建立模糊相似關(guān)系

使用平均絕對(duì)距離法根據(jù)得到的標(biāo)準(zhǔn)化數(shù)據(jù)矩陣構(gòu)造相似關(guān)系矩陣：

其中i=1，2，…，n，j=1，2，…，n，n為樣本個(gè)數(shù)。m為特征因素個(gè)數(shù)，在本文中m=6。

由此可得模糊相似矩陣

（3）建立模糊等價(jià)關(guān)系

利用平方傳遞閉包法將模糊相似關(guān)系R改造成模糊等價(jià)關(guān)系，將R進(jìn)行若干次的平方，直至R2n=Rn，得到模糊等價(jià)矩陣t(R)=Rn×Rn。

（4）模糊聚類(lèi)

對(duì)模糊等價(jià)關(guān)系進(jìn)行聚類(lèi)處理，給定不同的置信水平的a，可得不同置信水平下的分類(lèi)情況。選取合適的置信水平使得將調(diào)度自動(dòng)化系統(tǒng)狀態(tài)分為正常狀態(tài)、注意狀態(tài)、異常狀態(tài)、嚴(yán)重狀態(tài)，狀態(tài)識(shí)別的結(jié)果應(yīng)該符合大部分時(shí)間處于正常狀態(tài)、少部分時(shí)間處于注意狀態(tài)，極少情況下處于異常狀態(tài)或者嚴(yán)重狀態(tài)。

（5）模糊識(shí)別

在模糊聚類(lèi)的基礎(chǔ)上，選取調(diào)度自動(dòng)化系統(tǒng)一定周期內(nèi)的狀態(tài)作為待識(shí)別對(duì)象，采用模糊優(yōu)先比相似選擇法進(jìn)行分析比較以確定一定周期內(nèi)調(diào)度自動(dòng)化系統(tǒng)的狀態(tài)。

3 調(diào)度自動(dòng)化系統(tǒng)狀態(tài)預(yù)測(cè)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANNs)，又被稱(chēng)為神經(jīng)網(wǎng)絡(luò)(NNs)，本質(zhì)是對(duì)人的大腦或者自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬。以對(duì)大腦的生理研究成果為基礎(chǔ)，以模擬大腦的某些機(jī)理與機(jī)制為目標(biāo)，實(shí)現(xiàn)某種特定的功能。最早可追溯到1943年法國(guó)心理學(xué)家麥克卜洛克(McCulloch.W.S)和數(shù)學(xué)家匹茨(Pitts,W.H)合作提出的神經(jīng)元數(shù)學(xué)模型(即M-P模型)。目前在研究方法上已形成多個(gè)流派，目前應(yīng)用最為廣泛的包括：多層網(wǎng)絡(luò)BP算法，Hopfield網(wǎng)絡(luò)模型，自適應(yīng)共振理論，自組織特征映射理論等[8]。

人工神經(jīng)網(wǎng)絡(luò)擁有諸多優(yōu)點(diǎn)：它可以充分逼近任意復(fù)雜的非線性關(guān)系；有很強(qiáng)的魯棒性和容錯(cuò)性；可以使用并行分布處理方法，以快速地進(jìn)行大量運(yùn)算；可以自主學(xué)習(xí)并自適應(yīng)未知的或不確定的系統(tǒng)；可以同時(shí)處理定量和定性信息。由于有著諸多優(yōu)點(diǎn)，人工神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于預(yù)測(cè)、優(yōu)化、評(píng)估領(lǐng)域[8]。目前，反向傳播神經(jīng)網(wǎng)絡(luò)（BP網(wǎng)絡(luò))是最為常用的人工神經(jīng)網(wǎng)絡(luò)之一，它屬于前饋型網(wǎng)絡(luò)，一般分為三層，即輸入層、隱含層和輸出層，隱含層的數(shù)量可根據(jù)實(shí)際需要增減，如圖2所示。

本文采用三層BP網(wǎng)絡(luò)來(lái)進(jìn)行調(diào)度自動(dòng)化系統(tǒng)的狀態(tài)預(yù)測(cè)研究。本文沿用《南方電網(wǎng)調(diào)度自動(dòng)化風(fēng)險(xiǎn)評(píng)估辦法》中的狀態(tài)參量作為輸入指標(biāo)，將狀態(tài)等級(jí)作為輸出指標(biāo)，并且按正常狀態(tài)、注意狀態(tài)、異常狀態(tài)和嚴(yán)重狀態(tài)分別賦值為0.1、0.5、0.7、0.9。

圖2 三層BP神經(jīng)網(wǎng)絡(luò)示意圖

BP神經(jīng)網(wǎng)絡(luò)采用的是迭代學(xué)習(xí)算法，輸入數(shù)據(jù)的正向傳播和誤差的反向傳播組成了一次完整的學(xué)習(xí)過(guò)程。在正向傳播過(guò)程中，從輸入層的n個(gè)節(jié)點(diǎn)輸入第i組的狀態(tài)數(shù)據(jù)Xi=[x1，x2，x3，…，xn]，經(jīng)過(guò)隱含層處理，由輸出層的輸出端得到狀態(tài)值。然后對(duì)輸出的狀態(tài)與原始狀態(tài)值進(jìn)行比較，計(jì)算輸出達(dá)到期望的結(jié)果，則學(xué)習(xí)過(guò)程結(jié)束；否則，將進(jìn)入誤差的反向傳播過(guò)程，把狀態(tài)值的誤差由網(wǎng)絡(luò)輸出層向輸入層反向傳播。在反向傳播過(guò)程中，根據(jù)誤差修改各層神經(jīng)元的節(jié)點(diǎn)權(quán)值。不斷循環(huán)，直到誤差小于給定的值。

人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程如下。

（1）選取原始數(shù)據(jù)中80%的數(shù)據(jù)作為學(xué)習(xí)樣本，賦以權(quán)值Wij，Wi'j和節(jié)點(diǎn)閾值 θj， θ'j為一個(gè)小隨機(jī)數(shù)。

（2）把一組訓(xùn)練數(shù)據(jù)x1，x2，x3，…，xn以及相應(yīng)的期望輸出Z輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

（3）將信息通過(guò)網(wǎng)絡(luò)前向傳播

（4）計(jì)算出各層各結(jié)點(diǎn)的誤差大小

輸出層：

隱含層：

（5）修正初始權(quán)值

N為迭代次數(shù)，設(shè)為1000，η為學(xué)習(xí)率，設(shè)為0.1。

（6）回到第二步重復(fù)上述過(guò)程，直至實(shí)際的輸出與期望的輸出之間的誤差小于預(yù)設(shè)誤差0.001。

（7）選取剩余20%的數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)，將檢驗(yàn)數(shù)據(jù)輸入已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中校驗(yàn)，檢驗(yàn)其預(yù)測(cè)的狀態(tài)值是否正確。

4 結(jié)論

本文在《南方電網(wǎng)自動(dòng)化系統(tǒng)風(fēng)險(xiǎn)量化評(píng)估辦法》的基礎(chǔ)上使用模糊聚類(lèi)分析和人工神經(jīng)網(wǎng)絡(luò)方法建立了調(diào)度自動(dòng)化主站系統(tǒng)的狀態(tài)評(píng)估以及預(yù)測(cè)模型，為建立調(diào)度自動(dòng)化系統(tǒng)狀態(tài)評(píng)估工作做出了有益的嘗試，可以更好地指導(dǎo)調(diào)度自動(dòng)化系統(tǒng)的檢修運(yùn)行工作。

參考文獻(xiàn)：

［1］熊浩，孫才新，張昀，等.電力變壓器運(yùn)行狀態(tài)的灰色層次評(píng)估模型［J］.電力系統(tǒng)自動(dòng)化，2007，31（7）：55-60.

［2］劉鐵，魯鐵成，李建勝，等.高壓電氣設(shè)備絕緣狀態(tài)管理與評(píng)估系統(tǒng) ［J］.電力系統(tǒng)自動(dòng)化，2007，31（12）：100-104.

［3］顧煜炯，董玉亮，楊昆.基于模糊評(píng)判和RCM分析的發(fā)電設(shè)備狀態(tài)綜合評(píng)價(jià)［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2004，24（6）：189-194.

［4］李海峰.基于狀態(tài)檢修的電力系統(tǒng)安全風(fēng)險(xiǎn)評(píng)估［D］.北京：華北電力大學(xué)，2012.

［5］張大元.基于狀態(tài)監(jiān)測(cè)與系統(tǒng)風(fēng)險(xiǎn)評(píng)估的電力設(shè)備維修及更新策略研究［D］.重慶：重慶大學(xué)，2012.

［6］中國(guó)南方電網(wǎng)有限責(zé)任公司.南方電網(wǎng)自動(dòng)化系統(tǒng)風(fēng)險(xiǎn)量化評(píng)估辦法（試行）［Z］.2015.

［7］孫吉貴，劉杰，趙連宇.聚類(lèi)算法研究［J］.軟件學(xué)報(bào)，2008，13（1）：48-61.

［8］蘇為華.多指標(biāo)綜合評(píng)估理論與方法問(wèn)題研究［D］.廈門(mén)：廈門(mén)大學(xué)，2000.

［9］王孟蓮.船舶電力推進(jìn)系統(tǒng)狀態(tài)評(píng)估研究［D］.武漢：武漢理工大學(xué)，2013.

［10］葉偉靈.OS2構(gòu)架的主配網(wǎng)協(xié)同調(diào)度的實(shí)現(xiàn)［J］.機(jī)電工程技術(shù)，2016，45（12）：81-84.