趙剛, 周明哲, 武一夫

(1.國(guó)網(wǎng)內(nèi)蒙古東部電力有限公司，內(nèi)蒙古 呼和浩特 010010 ； 2.國(guó)網(wǎng)通遼供電公司，內(nèi)蒙古 通遼 028000)

0 引 言

隨著電力技術(shù)的飛速發(fā)展，電網(wǎng)不穩(wěn)定性的增加和電力負(fù)荷的大規(guī)模接入，使信息網(wǎng)絡(luò)故障出現(xiàn)得越來越多。在數(shù)據(jù)信息交互過程中，信息物理耦合能力也越來越差，這使信息網(wǎng)和物理網(wǎng)之間的數(shù)據(jù)交換變得困難無比，信息網(wǎng)絡(luò)面臨崩塌的局面，使電力系統(tǒng)的運(yùn)行面臨著嚴(yán)重威脅。

文獻(xiàn)[1]提出了一種基于信息物理融合和差分序列方差的新型智能變電站過程層網(wǎng)絡(luò)異常流量檢測(cè)方法。該方法通過差分序列方差的異常檢測(cè)方法構(gòu)建出變電站過程層流量異常隸屬函數(shù)，通過設(shè)置信息物理融合參數(shù)的方法實(shí)現(xiàn)智能變電站各種數(shù)據(jù)信息的融合計(jì)算，雖然具有一定的技術(shù)進(jìn)步性，但智能變電站信息狀態(tài)評(píng)估能力滯后。為此，文獻(xiàn)[2]圍繞信息物理融合系統(tǒng)(cyber-physical system, CPS)可靠性評(píng)估過程進(jìn)行詳細(xì)描述，該文獻(xiàn)從元件建模、交互分析、評(píng)估指標(biāo)和評(píng)估算法等多個(gè)方面實(shí)現(xiàn)信息物理融合與分析，雖然提高了數(shù)據(jù)評(píng)估的精確，但是當(dāng)面臨大量數(shù)據(jù)信息時(shí)，仍舊無法實(shí)現(xiàn)數(shù)據(jù)融合和計(jì)算。

1 信息物理融合精細(xì)化建模

本文設(shè)計(jì)一種新型的CPS，該系統(tǒng)能夠在智能變電站運(yùn)行過程中，通過通信網(wǎng)絡(luò)和計(jì)算網(wǎng)絡(luò)監(jiān)控，實(shí)現(xiàn)智能變電站工作過程的實(shí)時(shí)感知、動(dòng)態(tài)控制和信息服務(wù)[3]。智能變電站信息物理融合精細(xì)化建模系統(tǒng)如圖1所示。

本文智能變電站信息物理融合精細(xì)化建模系統(tǒng)包括數(shù)據(jù)融合層、數(shù)據(jù)通信層、數(shù)據(jù)計(jì)算層和數(shù)據(jù)控制層。在數(shù)據(jù)融合層中，設(shè)置了大量傳感器(比如傾斜傳感器、拉力傳感器、振動(dòng)傳感器、角度傳感器、溫度傳感器和位移傳感器等)。這些傳感器能夠?qū)崿F(xiàn)智能變電站運(yùn)行環(huán)境和數(shù)據(jù)信息的采集，同時(shí)實(shí)現(xiàn)智能變電站周圍環(huán)境的感知。這些數(shù)據(jù)信息通過數(shù)據(jù)融合，經(jīng)由數(shù)據(jù)傳遞層傳遞到數(shù)據(jù)計(jì)算層，通過無線通信網(wǎng)絡(luò)4G 、5G、WLAN、LTE、GPRS或者云端數(shù)據(jù)通信實(shí)現(xiàn)所感知數(shù)據(jù)信息的傳遞，實(shí)現(xiàn)了智能變電站外部環(huán)境數(shù)據(jù)信息與傳感器數(shù)據(jù)網(wǎng)絡(luò)架構(gòu)的交互[4-5]。實(shí)現(xiàn)智能變電站信息物理資源配置和運(yùn)行高效性。在數(shù)據(jù)計(jì)算層中，通過智能變電站運(yùn)行的評(píng)估算法模型實(shí)現(xiàn)其運(yùn)行狀態(tài)評(píng)估，最終實(shí)現(xiàn)變電站數(shù)據(jù)信息物理融合精細(xì)化分析。數(shù)據(jù)評(píng)估模型的架構(gòu)示意圖如圖2所示。

圖1 智能變電站信息物理融合精細(xì)化建模系統(tǒng)

2 智能變電站信息狀態(tài)評(píng)估方法

本文的評(píng)估方法為基于DBN模型結(jié)構(gòu)的改進(jìn)型狀態(tài)評(píng)估模型，下面分步驟進(jìn)行說明。

(1)

(2)

圖2 數(shù)據(jù)評(píng)估模型的架構(gòu)示意圖

X=[x1,…,xn]

(3)

a=[μ1,…,μn]

(4)

(5)

智能變電站數(shù)據(jù)信息函數(shù)以[ρ1,…,ρn]為規(guī)律，然后進(jìn)行線性組合，則有：

(6)

(7)

智能變電站數(shù)據(jù)信息的標(biāo)準(zhǔn)方差為：

(8)

步驟三：構(gòu)建DBN深度學(xué)習(xí)算法模型，接收到的智能變電站運(yùn)行數(shù)據(jù)信息通過DBN受限玻爾茲曼機(jī)(restricted boltzmann machines,RBM)深度學(xué)習(xí)算法模型訓(xùn)練[9-10]，以提高數(shù)據(jù)精確度。本文通過構(gòu)建雙層RBM結(jié)構(gòu)，利用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行信息反饋，假設(shè):x為DBN深度學(xué)習(xí)算法的智能變電站信息輸入向量；hc為隱層信息的輸入與輸出向量；c為DBN深度學(xué)習(xí)算法模型中隱層的數(shù)量[11-12]。DBN深度學(xué)習(xí)算法模型構(gòu)建方法如圖3所示。

圖3 DBN網(wǎng)絡(luò)訓(xùn)練示意圖

采用CD-1算法通過逐層計(jì)算累加的方式實(shí)現(xiàn)數(shù)據(jù)計(jì)算，第一層可視層為X，則第一個(gè)隱層h1的參數(shù)為{W1;α1}。將第N個(gè)RBM疊加在第N-1層上方。在最下方的RBM層中，DBN深度學(xué)習(xí)算法模型的最后一層計(jì)算函數(shù)可以為：

sign(hlj)=

(9)

在DBN深度學(xué)習(xí)算法模型不同層的神經(jīng)計(jì)算中，將不同層數(shù)據(jù)信息構(gòu)成新的數(shù)據(jù)向量，則有：

tl={tl1,tl2,tl3,…,tlj}T

(10)

然后將DBN深度學(xué)習(xí)算法模型向量作為上一層hl+1的輸入向量，則l∈{1,2,…,c-1}。

通過反復(fù)將RBM 輸出特征向量輸入DBN深度學(xué)習(xí)算法模型的輸入端，再通過BP神經(jīng)網(wǎng)絡(luò)模型的反向傳播網(wǎng)絡(luò)從上至下傳播至每一層 RBM模塊中，再微調(diào)整個(gè) DBN 網(wǎng)絡(luò)。最終輸出hl+1層的參數(shù)為{Wl+1;αl+1}，通過DBN深度學(xué)習(xí)算法模型輸出的智能變電站數(shù)據(jù)信息可以為：

hl+1=αl+(Wl)Ttl

(11)

最終DBN深度學(xué)習(xí)算法模型獲得DBN網(wǎng)絡(luò)的參數(shù)集可以記作：

{W1,W2,…,Wc;α1,α2,…，αc}

這就大大減少了DBN深度學(xué)習(xí)算法模型的訓(xùn)練時(shí)間。

步驟四；然后將DBN深度學(xué)習(xí)算法模型輸出的函數(shù)信息作為評(píng)估模型的輸入信息進(jìn)行評(píng)估，通過數(shù)字化處理。本文采用多參數(shù)多模型評(píng)價(jià)方法對(duì)智能變電站運(yùn)行數(shù)據(jù)信息運(yùn)行狀態(tài)進(jìn)行評(píng)價(jià)。

評(píng)估的初始化數(shù)據(jù)信息為{x1,x2，…，xn}，則歸一化后的參數(shù)信息轉(zhuǎn)換為：

(12)

評(píng)估模型的輸出結(jié)果如式(13)所示。

(13)

其中0≤xr≤xn，介于上述區(qū)間的不同，求出不同數(shù)據(jù)函數(shù)期望值公式Ex，則有：

(14)

然后熵En可以通過式(15)表示。

(15)

式中：n為智能變電站運(yùn)行數(shù)據(jù)信息不同的參數(shù)信息。再求超熵He公式：

(16)

式中：He=k，k為處于1～10之間的數(shù)值，該數(shù)值可以反映智能變電站信息準(zhǔn)確度程度。

其中：

(17)

最終的評(píng)估結(jié)果通過關(guān)系式輸出：

Ex=(cmin+cmax)/2

(18)

En=(cmax-cmin)/6

(19)

式中:cmin為評(píng)價(jià)指標(biāo)的下界值;cmax為評(píng)價(jià)指標(biāo)的上界值。評(píng)估算法模型的評(píng)價(jià)等級(jí)如表1所示。

表1 評(píng)價(jià)等級(jí)參數(shù)

然后將評(píng)估算法模型的數(shù)據(jù)信息進(jìn)行輸出，輸入時(shí)的數(shù)據(jù)集合為(x1,x2,…,xm)，隸屬度假設(shè)為μi，i≥1。則計(jì)算出的公式可以為：

(20)

(21)

通過多次迭代計(jì)算求解，輸出Ey，最終輸出智能變電站運(yùn)行數(shù)據(jù)信息所處的狀態(tài)情況。

3 試驗(yàn)結(jié)果與分析

試驗(yàn)時(shí)的計(jì)算機(jī)操作系統(tǒng)命名為Windows10，64位，開發(fā)工具為Visual Studio 2019，OpenCV 3.0。硬件環(huán)境為CPU：Inter(R)Core(TM)i7；主頻為2.59 GHz；內(nèi)存16 G。通過MATLAB 2019仿真構(gòu)建試驗(yàn)?zāi)Ｐ?。BP神經(jīng)網(wǎng)絡(luò)算法模型如表2所示。

表2 DBN深度學(xué)習(xí)算法模型參數(shù)設(shè)置

通過8 h的運(yùn)行，輸出如表3所示的智能變電站運(yùn)行數(shù)據(jù)信息。

其中運(yùn)行中的智能變電站運(yùn)行數(shù)據(jù)信息指標(biāo)等級(jí)信息如表4所示。

表3 智能變電站運(yùn)行數(shù)據(jù)信息表

表4 智能變電站運(yùn)行數(shù)據(jù)信息指標(biāo)等級(jí)信息表

表5 智能變電站運(yùn)行數(shù)據(jù)信息計(jì)算示意表

通過上述計(jì)算，智能變電站信息分析結(jié)果如表6所示。

表6 智能變電站信息分析結(jié)果

通過文獻(xiàn)[1]方法和文獻(xiàn)[2]方法分別與本文研究的技術(shù)方案進(jìn)行對(duì)比，經(jīng)過6 h的試驗(yàn)，比較本文方法的準(zhǔn)確度。對(duì)比曲線示意圖如圖4所示。

圖4 準(zhǔn)確率對(duì)比曲線示意圖

通過圖4對(duì)比可以看到，本文方法的準(zhǔn)確率高達(dá)93%。因此，本文方法在對(duì)比準(zhǔn)確率上，具有突出的技術(shù)效果。

4 結(jié)束語

針對(duì)智能變電站運(yùn)行數(shù)據(jù)信息評(píng)估準(zhǔn)確率差的問題，本文構(gòu)建了包括數(shù)據(jù)融合層、數(shù)據(jù)通信層、數(shù)據(jù)計(jì)算層和數(shù)據(jù)控制層的智能變電站信息物理融合精細(xì)化建模系統(tǒng)，實(shí)現(xiàn)了智能變電站數(shù)據(jù)信息的采集、融合、集成與控制。構(gòu)建基于神經(jīng)網(wǎng)絡(luò)模型的DBN算法模型，提高了多種變電站數(shù)據(jù)信息的訓(xùn)練與計(jì)算的效率。構(gòu)建出新型狀態(tài)評(píng)估模型，實(shí)現(xiàn)智能變電站信息狀態(tài)的智能輸出，提高了智能變電站數(shù)據(jù)信息評(píng)估能力。