熊 楠 王 軍 宋 堯

（貴州電網(wǎng)有限責任公司貴安供電局，貴州 550003）

0 引言

智能變電站在智能電網(wǎng)中不僅是保護、測控等功能的實現(xiàn)，也是構(gòu)建網(wǎng)絡(luò)集成平臺的基礎(chǔ)[1]。通信網(wǎng)絡(luò)是實現(xiàn)變電站自動化的關(guān)鍵，作為主站和變電站的傳輸通道，實現(xiàn)了整站的信息共享，其可靠運行對電網(wǎng)的正常運行至關(guān)重要[2]。通過查閱資料發(fā)現(xiàn)，在智能變電站網(wǎng)絡(luò)的研究中，國內(nèi)外學者主要對通信的實時性和可靠性進行研究，對網(wǎng)絡(luò)狀態(tài)評價方法的研究很少[3]。本文在智能變電站體系結(jié)構(gòu)的基礎(chǔ)上，結(jié)合模糊C-均值聚類（fuzzy C-means algorithm, FCM）與T-S 模糊神經(jīng)網(wǎng)絡(luò)（T-S fuzzy neural network, TSFNN），建立基于9 個評估指標的智能變電站網(wǎng)絡(luò)狀態(tài)評估模型，并通過實例驗證模型的有效性和可靠性。

1 系統(tǒng)概述

在變電站過程級網(wǎng)絡(luò)通信中使用面向?qū)ο蟮耐ㄓ米冸娬臼录╣eneric object oriented substation event, GOOSE）和采樣測量值（sampled measured value, SMV）傳輸技術(shù)時，可靠的通信網(wǎng)絡(luò)對于確保繼電保護的及時性和可靠性至關(guān)重要[4]。智能變電站網(wǎng)絡(luò)包括站控層、間隔層、過程層、位于站控層與間隔層之間的站控層網(wǎng)絡(luò)和位于過程層與間隔層之間的過程層網(wǎng)絡(luò)。圖1 所示為智能變電站三層兩網(wǎng)結(jié)構(gòu)。

1）過程層由智能設(shè)備、智能終端和智能組件組成[5]，完成變電站配電、變電、輸電、測量和保護等基本功能。

2）間隔層由輔助設(shè)備組成，如繼電保護裝置、測控裝置及其他智能電子設(shè)備（intelligent electronic device, IED）等。一般包括繼電保護設(shè)備、測控設(shè)備、故障記錄設(shè)備、計量設(shè)備等。

3）站控層主要由自動化系統(tǒng)、控制系統(tǒng)和通信系統(tǒng)等組成，實現(xiàn)整個變電站或電力設(shè)備的測控功能，包括采集監(jiān)視數(shù)據(jù)、采集電能、管理保護信息、同步相位采集等。

圖1 智能變電站三層兩網(wǎng)結(jié)構(gòu)

站控層網(wǎng)絡(luò)通信過程基于制造報文規(guī)范（manufacturing message specification, MMS）和TCP/IP 協(xié)議，它抽象了通信服務(wù)接口，主要保護傳輸數(shù)據(jù)。過程層網(wǎng)絡(luò)包括采樣值SMV 和GOOSE 子網(wǎng)。前者傳輸采樣信息，后者傳輸開關(guān)信息。

2 網(wǎng)絡(luò)狀態(tài)評價模型

本文采用有、無監(jiān)督相結(jié)合的方法對通信網(wǎng)絡(luò)狀態(tài)進行評價，將層次分析法（analytic hierarchy process, AHP）得到的權(quán)值通過標準歐幾里得進行降維，結(jié)合模糊C-均值聚類與T-S 模糊神經(jīng)網(wǎng)絡(luò)，建立基于9 個評估指標的智能變電站網(wǎng)絡(luò)狀態(tài)評估模型[5]。圖2 為狀態(tài)評價流程。

圖2 狀態(tài)評價流程

2.1 數(shù)據(jù)指標體系

本文基于9 個指標建立評估模型：可用性、響應(yīng)時間、丟包率、準確率、吞吐量、利用率、沖突率、廣播率和組播率。運行有兩種狀態(tài)，正常和異常。異常狀況分為五類：注意（Ⅰ級）、較為嚴重（Ⅱ級）、嚴重（Ⅲ級）、非常嚴重（Ⅳ級）和無法運行（Ⅴ級）。數(shù)據(jù)統(tǒng)一為100，表1 列出了異常的分類標準。

表1 異常分類標準

2.2 評價模型

選擇9 個指標創(chuàng)建評價指標集，通過層次分析法得到各元素的權(quán)向量。代入歐幾里得距離公式，即[6]

式中：a1k和b2k分別為n維向量a和b的第k個分量；sk為第k個分量的標準差；ωz為各評價指標的權(quán)重。

考慮每個指標對評估結(jié)果影響的差異，表2 為通過層次分析法得到指標權(quán)重。

表2 指標權(quán)重

將FCM 算法應(yīng)用于數(shù)據(jù)集的模糊聚類，通過使各樣本和其聚類中心的加權(quán)二次方和最小化，得到最優(yōu)聚類結(jié)果[7]。

引入隸屬度的概念，采用模糊劃分來表示每個樣本屬于各個聚類中心的程度。標準化隸屬矩陣U的元素μik取值為[0, 1]之間，并滿足式（2）的要求[8]。

式中：ikμ為第i個聚類中心包含樣本k的隸屬度；c為聚類數(shù)；n為樣本總數(shù)。

FCM 算法的目標函數(shù)為

式中：dik為第i類聚類中心到樣本k的距離；m為加權(quán)指數(shù)；V為聚類中心矩陣。

使用拉格朗日乘數(shù)法，得到隸屬度ikμ和聚類中心iv，即

式中：xk為第k個樣本；drk為第r類聚類中心到樣本k的距離。

T-S 模糊神經(jīng)網(wǎng)絡(luò)模型由前、后件兩部分組成，前件是模糊變量，后件是輸入/輸出的線性函數(shù)。T-S模糊系統(tǒng)的輸入/輸出模型通常由以下規(guī)則描述。

規(guī)則：ifx1isA1iand ifx2isA2i··· and ifxnisAnithen

模糊系統(tǒng)的總輸出是各個子規(guī)則輸入的加權(quán)平均值，即

本文使用具有多輸入單輸出的T-S 模糊神經(jīng)網(wǎng)絡(luò)，前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)分別為四層和三層[9]。

前件輸入層，一個輸入變量對應(yīng)一個神經(jīng)元，并將輸入變量傳送到下一層，輸出為[10]

前件模糊化層，每一個神經(jīng)元對應(yīng)一個語言術(shù)語，即Aij。由高斯隸屬函數(shù)定義，輸出為

式中，c ij和σij分別為高斯隸屬度函數(shù)的中心和寬度（第i個規(guī)則下）。

前件規(guī)則層，每個神經(jīng)元對應(yīng)一條規(guī)則，該規(guī)則連接到第二層中語言項的神經(jīng)元，輸出為[11]

式中，γi為補償度（第i個規(guī)則下）。

前件輸出層，歸一化輸出，即

后件輸出層，T-S 模糊神經(jīng)網(wǎng)絡(luò)的輸出為[12]

式中：y為后件網(wǎng)絡(luò)中各個規(guī)則的加權(quán)和；為權(quán)重系數(shù)，作為后件網(wǎng)絡(luò)輸出層的連接權(quán)值。

T-S 模糊神經(jīng)網(wǎng)絡(luò)評價過程如圖3 所示。

使用經(jīng)過訓練的模型來評價智能變電站網(wǎng)絡(luò)，根據(jù)評價值對應(yīng)劃分網(wǎng)絡(luò)級別。預(yù)測值小于1.5 時為Ⅰ級，大于4.5 時為Ⅴ級。參數(shù)初始化xite= 0.001，alfa= 0.05，網(wǎng)絡(luò)輸入節(jié)點數(shù)為9、隱含節(jié)點數(shù)為18、輸出節(jié)點數(shù)為1。

3 實驗結(jié)果與分析

以某變電站的通信系統(tǒng)為例，以實際測量結(jié)果為依據(jù)，使用AHP 計算每個元素的權(quán)重[13]。具體計算結(jié)果見表3。

圖3 T -S 模糊神經(jīng)網(wǎng)絡(luò)評價過程

表3 計算結(jié)果

判定網(wǎng)絡(luò)狀態(tài)參數(shù)是否在正常范圍內(nèi)。如不在，將權(quán)重值代入歐幾里得公式，然后進行模糊聚類。聚類參數(shù)設(shè)置如下：最大迭代次數(shù)為200，目標函數(shù)的最終公差為1×10-6，冪指數(shù)為3，將數(shù)據(jù)聚合為五類，從小到大分別標記為1、2、3、4、5。

使用T-S 模糊神經(jīng)網(wǎng)絡(luò)模型，選擇80 個樣本數(shù)據(jù)，其中50 個為訓練數(shù)據(jù)，20 個為測試數(shù)據(jù)，10個為評價數(shù)據(jù)。圖4 為訓練結(jié)果。從圖4 可以看出，兩條輸出曲線的趨勢基本相同，模型輸出的大多數(shù)點基本上與實際輸出相吻合。

圖4 訓練結(jié)果

為了分析模型輸出的可靠性，做訓練誤差分布曲線如圖5 所示，由圖5 可知，樣本點90%誤差在±0.5 以內(nèi)，最大誤差為-0.95。這表明TSFNN 預(yù)測模型的結(jié)果與實際輸出較為吻合。

圖5 訓練誤差

進一步對模型進行測試驗證其合理性。將20 組測試數(shù)據(jù)導入模型，測試結(jié)果如圖6 所示。從該圖可以看出，有幾個點模型輸出值與實際值偏差較大，但是大多數(shù)點在實際值上下波動。

圖6 測試結(jié)果

為了更直觀地進行比較分析，做測試誤差曲線如圖7 所示。從圖7 可以看出，誤差在±1 之間，表明該預(yù)測模型是合理有效的。

圖8 為評價結(jié)果對比。從圖8 可以看出，本文方法評估結(jié)果與實際情況的相似度達到90%。利用該方法可以獲得較高的準確率，可以實現(xiàn)網(wǎng)絡(luò)狀態(tài)的在線評價?，F(xiàn)場數(shù)據(jù)和實際分析結(jié)果表明，該方法能有效地評價智能變電站的通信網(wǎng)絡(luò)。

圖7 測試誤差

圖8 評價結(jié)果對比

4 結(jié)論

針對現(xiàn)有的智能變電站通信網(wǎng)絡(luò)狀態(tài)評價中存在過多人為因素的問題，提出一種基于T-S 模糊神經(jīng)網(wǎng)絡(luò)和模糊C-均值聚類的智能變電站通信網(wǎng)絡(luò)狀態(tài)評價模型。通過實例驗證了模型的有效性和可靠性。結(jié)果表明，該方法能有效地評價智能變電站的通信網(wǎng)絡(luò)。根據(jù)實驗室現(xiàn)有的設(shè)備和數(shù)據(jù)規(guī)模，對智能變電站通信網(wǎng)絡(luò)評估方法的研究尚處于初級階段?；诖耍鸩礁倪M和完善將是下一步工作的重點。