［摘 要］為科學量化評價變電站通信設備的運行狀態(tài)，提出了一種基于DE–BP 神經(jīng)網(wǎng)絡的電力通信設備運行狀態(tài)評估模型。針對BP 神經(jīng)網(wǎng)絡收斂速度慢和泛化能力弱等問題，引入差分進化算法優(yōu)化神經(jīng)網(wǎng)絡的網(wǎng)絡參數(shù)。試驗數(shù)據(jù)表明，改進后的BP神經(jīng)網(wǎng)絡評估誤差較小，能有效應用于電力通信設備運行狀態(tài)評估分析。

［關鍵詞］電力通信設備；運行狀態(tài)評估；BP 神經(jīng)網(wǎng)絡；差分進化算法

［中圖分類號］TM63 ［文獻標志碼］A ［文章編號］2095–6487（2024）09–0170–03

電力通信設備運行狀態(tài)評估，已經(jīng)成為了電網(wǎng)狀態(tài)檢修工作的重點之一。然而，目前對通信設備的狀態(tài)監(jiān)測仍停留在基礎數(shù)據(jù)分析階段，評估人工成本投入大、耗時久且誤差大。近年來，經(jīng)過大量的研究分析，研究者們在主觀模型和經(jīng)驗的基礎上建立了一些傳統(tǒng)的預測評估模型。如賦權法、層次分析法、模糊數(shù)學相關理論等[1–2]。但評價結果的精確性不夠，且缺乏自學習和自適應的能力。

隨著人工智能（Artificial Intelligence，AI）領域研究的不斷發(fā)展，引入BP（Back Propagation）神經(jīng)網(wǎng)絡對設備評估分析，取得了較為理想的效果。神經(jīng)網(wǎng)絡是一種高度復雜的非線性系統(tǒng)，具有自組織、自調(diào)節(jié)和并行處理能力，適合處理多因素、非線性動態(tài)等不確定性問題。但也存在一些局限性，如收斂速度慢和易陷入局部最優(yōu)值等，限制了其在評估工作中的應用。

為了使BP 神經(jīng)網(wǎng)絡能夠更好地應用于電力通信設備運行狀態(tài)評估，文章引入差分進化算法（Differential Evolution，DE）對其進行改進。該算法主要對BP 神經(jīng)網(wǎng)絡的初始權值和閾值進行優(yōu)化，將局部尋優(yōu)擴展到全局尋優(yōu)，從而提高整個網(wǎng)絡的收斂速度和精確度。

1 BP神經(jīng)網(wǎng)絡

BP 神經(jīng)網(wǎng)絡，指應用BP 算法即誤差反向傳播算法的人工神經(jīng)網(wǎng)絡，一般包括1 個輸入層，多個隱含層以及1 個輸出層。BP 神經(jīng)網(wǎng)絡依靠BP 算法調(diào)節(jié)權值和閾值，輸入信息從輸入層正向傳播至輸出層，再與目標值做比較，得到的誤差再反向傳播調(diào)節(jié)各個權值和閾值，直到誤差達到設定范圍停止。圖1 為一個3 層的BP 神經(jīng)網(wǎng)絡模型。

假設圖1 中有輸入節(jié)點n 個，隱含層節(jié)點m 個，輸出層節(jié)點d 個，BP 算法具體步驟如下。

（1）初始化神經(jīng)網(wǎng)絡。隨機產(chǎn)生輸入層和隱含層間的權重vij、隱含層和輸出層間的權重wjk 及隱含層和輸出層節(jié)點的閾值θi 和θk。xi、yi 分別為輸入層i 節(jié)點的輸入和輸出層j 節(jié)點的輸出。f（x）=1/（1+ex）為各層之間的激活函數(shù)。

（2）樣本數(shù)據(jù)經(jīng)過權重矩陣vij 輸送至隱含層，得到隱含層的輸出yi 為：

式中，η為學習率，一般在0～1取值。

（6）繼續(xù)訓練，直至誤差或訓練次數(shù)達到設定值。

2 差分進化算法改進BP神經(jīng)網(wǎng)絡

DE 是一種基于群體智能的隨機并行優(yōu)化算法，通過變異、交叉、選擇步驟留取環(huán)境適應度大的個體。該算法具有較強的全局收斂性和魯棒性。文章將DE算法引入神經(jīng)網(wǎng)絡中，對其初始參數(shù)進行優(yōu)化，進而達到全局搜索目的。具體步驟如下。

（1）確定實數(shù)編碼的變量個數(shù)，即神經(jīng)網(wǎng)絡所要優(yōu)化的權值和閾值總數(shù)。確定DE 控制參數(shù)，初始化種群。

（2）確定DE 算法的目標優(yōu)化函數(shù)。即BP 神經(jīng)網(wǎng)絡的誤差函數(shù)的倒數(shù)。

（3）通過變異、交叉步驟產(chǎn)生新的試驗個體。

（4）比較原始和試驗個體，選擇適應度函數(shù)大的個體進化到下一代。

（5）重復以上兩步，并判斷如果達到了最大進化代數(shù)或種群中的最優(yōu)個體連續(xù)多代都不發(fā)生變化，則算法終止。

（6）對適應度最大的值進行解碼，得到神經(jīng)網(wǎng)絡的初始權值和閾值。

3 基于DE–BP的電力通信設備運行狀態(tài)的評價模型搭建

文章通過以下步驟搭建電力通信設備運行狀態(tài)評價模型。

（1）確定指標體系。通過對榆林供電公司電力通信設備的基本性能、檢修歷史記錄等方面進行分析，總結出5 個典型因素作為評價指標，分別為A 設備運行年限、B 設備運行環(huán)境、C 設備檢修次數(shù)、D 設備故障記錄、E 設備品牌，具體指標體系見表1。針對通信設備的運行及評判特點，設備運行年限的影響最為重大，設備品牌因素的影響較小。依據(jù)電網(wǎng)專家經(jīng)驗和相關文獻，確定5 項指標的權重分別為：A，0.4；B，0.1 ；C，0.25 ；D，0.15 ；E，0.1。通過對被評估對象各項指標進行打分，然后根據(jù)權重進行線性加權，即可得到通信設備運行狀態(tài)專家評估值。

（2）構建基于DE–BP 神經(jīng)網(wǎng)絡的評價模型，將BP 神經(jīng)網(wǎng)絡的輸入空間設置為歸一化后的指標體系中各指標值，輸出空間設置為通信設備運行狀態(tài)綜合評價值。將專家評價樣本作為學習樣本對網(wǎng)絡進行訓練和測試，使得網(wǎng)絡具有專家思維。

4 電力通信設備運行狀態(tài)評估分析

4.1 仿真條件

文章采用3 層BP 網(wǎng)絡構建力通信設備運行狀態(tài)評價模型，為說明改進效果，分別用BP 模型和DE–BP 模型進行了對比試驗。

DE–BP 網(wǎng)絡參數(shù)設置為，BP 網(wǎng)絡的輸入層節(jié)點數(shù)為5 個，輸出層節(jié)點數(shù)為1 個。用“試湊法”得出網(wǎng)絡收斂速度最快的隱含層節(jié)點數(shù)。訓練誤差設置為10e-3，通過仿真擬合確定隱含層節(jié)點數(shù)為6。具體不同隱含層節(jié)點數(shù)下BP 神經(jīng)網(wǎng)絡迭代步數(shù)如圖2 所示。初始權值為（0，1）的隨機數(shù)，學習速率為0.1，期望誤差為10e-3。DE 算法參數(shù)設置為，種群數(shù)量10 N、變異算子0.5、交叉算子0.5、終止條件目標函數(shù)閾值0.001。

4.2 仿真結果分析

文章選擇榆林供電公司20 座330 kV 變電站400臺通信設備為試驗對象。由10 位專家組成的團隊對每個通信設備的5 個指標作出評價，依據(jù)權重對數(shù)據(jù)進行線性加權得出總體評價目標數(shù)據(jù)。有效樣本400個，其中包括350 個訓練樣本和50 個測試樣本。為了消除各指標量綱影響，采用Matlab 中的 premnmx 函數(shù)對數(shù)據(jù)進行預處理，使標準化后的數(shù)據(jù)在[-1，1]均勻分布。

利用Matlab7.0 軟件平臺開發(fā)程序，輸入預定網(wǎng)絡參數(shù)，用訓練樣本對DE–BP 神經(jīng)網(wǎng)絡進行訓練，經(jīng)過44 次訓練后，網(wǎng)絡誤差達到預定最小值，具體如圖3 所示。

選取50 個測試樣本分別用BP 和DE–BP 神經(jīng)網(wǎng)絡進行測試，具體結果如圖4 所示，兩種算法的運行過程見表2。由此可知，DE 算法改進后的BP 神經(jīng)網(wǎng)絡在準確性和收斂速度方面均有明顯提升。

5 結束語

電力通信網(wǎng)設備的周期性狀態(tài)評估工作多年來主要依靠電網(wǎng)專家經(jīng)驗判斷，耗費人力和時間，且人工誤差大。將人工智能算法BP 神經(jīng)網(wǎng)絡引入后，極大地提升了評估工作效率。因其收斂速度慢和泛化能力弱的問題，利用DE 算法優(yōu)化BP 神經(jīng)網(wǎng)絡的初始權值和閾值。試驗結果表明，DE–BP 神經(jīng)網(wǎng)絡在收斂速度和精確度方面均有明顯提升，可在電力通信設備運行狀態(tài)評估中得到進一步的應用。

參考文獻

[1] 計蓉，侯慧娟，盛戈皞，等. 基于組合賦權法和模糊綜合評價的電力設備狀態(tài)數(shù)據(jù)質(zhì)量評估[J]. 高電壓技術，2024，50（1）：274-281.

[2] 王玉嬌. 基于D-S 證據(jù)理論的單體建筑突發(fā)災害風險評估研究[D]. 唐山：華北理工大學，2023.