基于GRNN的二次設(shè)備在線監(jiān)測信息預(yù)測

李金，苗帥，陶文偉，張喜銘，丁堅勇，朱海龍

(1.中國南方電網(wǎng)有限責任公司，廣東 廣州510623；2.武漢大學 電氣工程學院，湖北 武漢430072)

?

基于GRNN的二次設(shè)備在線監(jiān)測信息預(yù)測

李金1，苗帥2，陶文偉1，張喜銘1，丁堅勇2，朱海龍1

(1.中國南方電網(wǎng)有限責任公司，廣東 廣州510623；2.武漢大學 電氣工程學院，湖北 武漢430072)

針對電網(wǎng)二次設(shè)備在線監(jiān)測信息中連續(xù)變化的信息，如電源電壓、裝置溫度、CPU使用率等，應(yīng)用廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network，GRNN)對這些信息在線監(jiān)測值進行預(yù)測，通過對比預(yù)測值和實際值，得出相對誤差曲線；再與反向傳播算法(back propagation，BP)神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)進行對比，驗證了GRNN在預(yù)測中具有更高的準確性。同時，探討了將二次設(shè)備在線監(jiān)測信息的關(guān)聯(lián)性考慮進預(yù)測中，將溫度和CPU使用率關(guān)聯(lián)并進行預(yù)測，與之前的預(yù)測結(jié)果進行對比，證明將信息之間的關(guān)聯(lián)性考慮到預(yù)測中去有助于提高狀態(tài)預(yù)測的準確性。

二次設(shè)備；在線監(jiān)測信息；廣義回歸神經(jīng)網(wǎng)絡(luò)；關(guān)聯(lián)性；徑向基神經(jīng)網(wǎng)絡(luò)；預(yù)測

隨著電力系統(tǒng)的不斷發(fā)展和智能電網(wǎng)的逐漸普及，二次設(shè)備在電力系統(tǒng)中的投入運行量急劇增加，二次設(shè)備在長期工作時，硬件和軟件不可避免的會逐漸老化和劣化，導致其運行可靠性降低，也因此加大了一次設(shè)備及電網(wǎng)整體的運行風險。利用傳感器、電子技術(shù)、計算機技術(shù)實施對二次設(shè)備的在線監(jiān)測，能更加全面的了解二次設(shè)備的實時運行狀態(tài)，減小二次設(shè)備突然故障造成的損失。目前，對電氣二次設(shè)備的在線監(jiān)測與分析已經(jīng)成為智能電網(wǎng)建設(shè)的重要內(nèi)容之一[1-3]。

人工神經(jīng)網(wǎng)絡(luò)已廣泛的應(yīng)用于電力系統(tǒng)相關(guān)方面，如電力系統(tǒng)辨識、電力規(guī)劃、電網(wǎng)狀態(tài)估計和設(shè)備故障診斷等[4-5]，常用的神經(jīng)網(wǎng)絡(luò)為：反向傳播算法(back propagation，BP)神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)、廣義回歸神經(jīng)網(wǎng)絡(luò)(generalized regression neural network，GRNN)等。

人工神經(jīng)網(wǎng)絡(luò)在電力預(yù)測應(yīng)用也受到廣泛重視。文獻[6]運用GRNN對變壓器繞組熱點溫度進行預(yù)測。文獻[7]首先建立各時刻光伏出力的灰色模型，然后利用灰色模型的輸出和溫度值與實測出力值建立神經(jīng)網(wǎng)絡(luò)模型，對光伏短期出力進行預(yù)測。文獻[8]提出局部反饋時延神經(jīng)網(wǎng)絡(luò)和全局反饋時延神經(jīng)網(wǎng)絡(luò)對風電場輸出功率進行預(yù)測。文獻[9]將電力系統(tǒng)負荷與溫度與天氣的關(guān)系關(guān)聯(lián)在一起，進行短期負荷預(yù)測，體現(xiàn)天氣因素對電力負荷的影響。文獻[10-11]建立了電力系統(tǒng)的月度負荷預(yù)測的RBF神經(jīng)網(wǎng)絡(luò)模型，使預(yù)測模型具有更好的泛化性。

經(jīng)過對不同神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及適應(yīng)性分析，本文重點探討應(yīng)用GRNN實現(xiàn)對二次設(shè)備在線監(jiān)測信息量的預(yù)測，并與BP和RBF神經(jīng)網(wǎng)絡(luò)進行對比，驗證GRNN的優(yōu)越性。同時，根據(jù)以往人工神經(jīng)網(wǎng)路應(yīng)用于預(yù)測的研究，例如：在電力系統(tǒng)負荷預(yù)測中不僅考慮到歷史的負荷值，還將溫度值、天氣等關(guān)聯(lián)因素考慮在內(nèi)，用以提供預(yù)測的準確性和適應(yīng)性。本文對二次設(shè)備在線監(jiān)測信息之間的關(guān)聯(lián)性進行初步探索，將溫度和CPU使用率結(jié)合在一起，對溫度和CPU使用率進行預(yù)測。

1　二次設(shè)備在線監(jiān)測信息

在對二次設(shè)備進行狀態(tài)評價時實時的在線監(jiān)測信息是十分重要的評價依據(jù)。傳統(tǒng)的二次設(shè)備在線狀態(tài)監(jiān)測主要集中在二次回路，監(jiān)測其連接情況，監(jiān)測手段比較單一且局限性較強，并且缺乏將錯誤信息上報的有效措施。隨著微機監(jiān)控保護設(shè)備以及二次設(shè)備的網(wǎng)絡(luò)化通信的發(fā)展，二次設(shè)備在線監(jiān)測信息覆蓋的范圍越來越廣，主要包括：交流測量系統(tǒng)、直流控制及信號系統(tǒng)、邏輯判斷系統(tǒng)、通信管理系統(tǒng)等。

李金，等：基于GRNN的二次設(shè)備在線監(jiān)測信息預(yù)測二次設(shè)備在線監(jiān)測信息根據(jù)采集法式的不同可分成兩類：開關(guān)量信息，主要是二次設(shè)備在線監(jiān)測信息中非連續(xù)變化的跳變信息量，這些信息只能反映設(shè)備此狀態(tài)的好壞，例如：斷線、開入自檢錯誤、SV采樣失步等。模擬量信息的特點是以數(shù)字的形式顯示并連續(xù)變化且能連續(xù)反映二次設(shè)備狀態(tài)，例如：內(nèi)部溫度、CPU負荷率、電源電壓等。

在實際的在線模擬量信息監(jiān)測中，發(fā)現(xiàn)大多數(shù)模擬量信息的變化呈現(xiàn)出一定的規(guī)律性和周期性。根據(jù)模擬量信息的這一特點，應(yīng)用先進的預(yù)測方法對其一段時間內(nèi)的趨勢預(yù)測是可行的。表1為測控裝置的在線監(jiān)測信息。

表1測控裝置在線監(jiān)測信息

序號信息量信息類型1電源電壓模擬量2裝置溫度模擬量3時鐘偏差模擬量4CPU負荷率模擬量5內(nèi)存占用率模擬量6光口接收功率模擬量7光口發(fā)送功率模擬量8GOOSE鏈路中斷開關(guān)量9GOOSE數(shù)據(jù)異常開關(guān)量10SV同源雙網(wǎng)一致性對比開關(guān)量…………

表1中可在線監(jiān)測的模擬量信息有7項，在一定的監(jiān)測樣本數(shù)據(jù)基礎(chǔ)上，可以通過合適的計算模型對其后續(xù)演變趨勢進行預(yù)測。

2　人工神經(jīng)網(wǎng)絡(luò)預(yù)測法

2.13種典型神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點

人工神經(jīng)網(wǎng)絡(luò)是一種人工智能技術(shù)，以神經(jīng)元為結(jié)構(gòu)單元，構(gòu)成網(wǎng)絡(luò)模型，是對人腦的抽象、簡化和模擬，反映人腦的基本特性。人工神經(jīng)網(wǎng)絡(luò)具有大規(guī)模分布式并行處理、自組織、自學習、聯(lián)想記憶、較好的容錯性、優(yōu)良的非線性逼近能力等特性。同時，人工神經(jīng)網(wǎng)絡(luò)可以同多種算法相結(jié)合，對其不斷優(yōu)化，在應(yīng)用中取得了很好的效果。人工神經(jīng)網(wǎng)絡(luò)作為一種預(yù)測的先進手段，已經(jīng)廣泛應(yīng)用到經(jīng)濟預(yù)測和電力預(yù)測等領(lǐng)域中。

BP神經(jīng)網(wǎng)絡(luò)在實際應(yīng)用中存在網(wǎng)絡(luò)訓練時間較長，不易收斂，誤差易陷入局部最小等缺點。RBF神經(jīng)網(wǎng)絡(luò)則在逼近能力、分類能力和學習速度等方面均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，但網(wǎng)絡(luò)預(yù)測結(jié)果受其結(jié)構(gòu)的影響較大。而GRNN繼承了RBF的優(yōu)點，在容錯性和魯棒性上更強于RBF神經(jīng)網(wǎng)絡(luò)，在樣本數(shù)據(jù)較少時，也有較好的預(yù)測效果。

2.2GRNN結(jié)構(gòu)和原理

GRNN是一種基于非線性回歸理論的前饋式神經(jīng)網(wǎng)絡(luò)模型，它由輸入層、模式層、求和層和輸出層組成，其結(jié)構(gòu)如圖1所示。

X=[X1,X2,…,Xn]為輸入變量；Y=[Y1,Y2,…,Yn]為輸出樣本。圖1　GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

GRNN各部分功能如下：

a) 輸入層。輸入神經(jīng)元數(shù)目等于學習樣本中輸入向量維數(shù)，各神經(jīng)元是簡單的分布單元，直接將輸入變量傳遞給模式層。

b) 模式層。模式層神經(jīng)元數(shù)目等于學習樣本數(shù)目n，各神經(jīng)元對應(yīng)不同樣本，模式層神經(jīng)元傳遞函數(shù)為

式中：Xi為第i個神經(jīng)元對應(yīng)的學習樣本；σ為光滑因子。

c) 求和層。求和層中使用2類神經(jīng)元進行求和。一類計算公式為

對所有模式層神經(jīng)元的輸出進行算數(shù)求和，模式層與各神經(jīng)元的連接權(quán)值為1，傳遞函數(shù)為

另一類計算公式為

對所有模式層神經(jīng)元的輸出進行加權(quán)求和，模式層中第i個神經(jīng)元與求和層中第i個分子求和神經(jīng)元之間的連接權(quán)值為第i個輸出樣本Yi中的第j個元素，傳遞函數(shù)為

式中m為第i個輸出樣本Yi中的元素個數(shù)。

d) 輸出層。輸出層中的神經(jīng)元數(shù)目等于學習樣本中輸出向量的維數(shù)n，各神經(jīng)元將求和層的輸出相除，神經(jīng)元j的輸出對應(yīng)估計結(jié)果Y(X)的第j個元素，即

3　在線監(jiān)測信息預(yù)測的GRNN模型

3.1GRNN預(yù)測流程

在預(yù)測的實現(xiàn)過程中，首先建立一個完整的網(wǎng)絡(luò)模型，接著確定輸入輸出所代表的特征量來構(gòu)造訓練樣本。若樣本中有畸形數(shù)據(jù)，應(yīng)先將其剔除。將訓練樣本放入模型中，對其進行訓練。訓練好的模型，其誤差必須在允許范圍內(nèi)，否則訓練不收斂。最后，將訓練好的模型，應(yīng)用到實際的二次設(shè)備在線監(jiān)測信息預(yù)測中，并對其準確性進行驗證。其預(yù)測流程如圖2所示。

圖2GRNN預(yù)測流程

3.2輸入輸出量的選取

人工神經(jīng)網(wǎng)絡(luò)預(yù)測的基本原理為根據(jù)輸入輸出數(shù)據(jù)的映射，找出兩者之間深層次的因果關(guān)系。在針對二次設(shè)備在線監(jiān)測信息的預(yù)測中，設(shè)定2種預(yù)測模式。

a) 單一性預(yù)測。利用單一監(jiān)測數(shù)據(jù)自身的歷史變化，找出其隨時間變化的特點，進而進行預(yù)測。如利用前一天的設(shè)備溫度變化趨勢對第二天的設(shè)備溫度變化趨勢進行預(yù)測。

b) 關(guān)聯(lián)性預(yù)測。在線監(jiān)測模擬量信息共同反映著二次設(shè)備的運行狀態(tài)，其之間的變化趨勢往往是相互聯(lián)系的，例如當CPU使用率高的時候，設(shè)備溫度也較高。利用這種類似的關(guān)系并結(jié)合時間這個因素，加強輸入和輸出之間的因果關(guān)系，再建立神經(jīng)網(wǎng)絡(luò)模型，得到的預(yù)測結(jié)果往往會更加精確。

3.3輸入輸出量時間間隔選擇

選取在線監(jiān)測模擬量信息，用前N個時段的在線監(jiān)測信息模擬量數(shù)據(jù)，去預(yù)測后面M個時段的在線監(jiān)測模擬量信息數(shù)據(jù)，因此，GRNN輸入層節(jié)點數(shù)為N個，輸出層節(jié)點數(shù)為M個。

時段的選取遵循以下2個原則：

a) 在線監(jiān)測模擬量信息變化的快慢。當信息數(shù)值變化的越快時，時段選取的間隔越??；當信息數(shù)值變化越平緩時，時段選取的間隔越大。

b) 在線監(jiān)測模擬量信息的變化區(qū)間。當模擬量信息在安全的區(qū)間內(nèi)變化時，時段選取的間隔較大；當模擬量信息在危險的區(qū)間內(nèi)(接近閥值)變化時，時段選取的間隔較小。

3.4偽數(shù)據(jù)的處理

GRNN具有較強的容錯性和魯棒性，但是大量的、準確的監(jiān)測數(shù)據(jù)作為訓練樣本更能增強網(wǎng)絡(luò)預(yù)測的準確性。二次設(shè)備在線監(jiān)測模擬量信息在采集過程和上傳過程中，由于電磁干擾、設(shè)備故障、通信中斷等原因，會導致監(jiān)測數(shù)據(jù)中包含一些非真實的數(shù)據(jù)，或者有少量數(shù)據(jù)丟失。這些情況會影響歷史數(shù)據(jù)的準確性，進而干擾神經(jīng)網(wǎng)絡(luò)的預(yù)測。因此，將歷史數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓練樣本之前，必須對監(jiān)測數(shù)據(jù)進行去偽或補足處理。

4　實例分析

4.1仿真對比

選取某220 kV變電站測控裝置的內(nèi)部溫度在線監(jiān)測數(shù)據(jù)作為實例來分析。將一個月內(nèi)收集的溫度數(shù)據(jù)作為樣本對網(wǎng)絡(luò)模型進行訓練，利用預(yù)測日前一天每小時的設(shè)備平均溫度實測值，對預(yù)測日一天內(nèi)每小時的設(shè)備平均溫度數(shù)據(jù)進行預(yù)測。將BP神經(jīng)網(wǎng)絡(luò)、GRNN和RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測值同實際值進行對比，如圖3所示；圖4為3種網(wǎng)絡(luò)模型相對誤差曲線。

圖3　神經(jīng)網(wǎng)絡(luò)模型預(yù)測值和實際值對比

圖4神經(jīng)網(wǎng)絡(luò)模型預(yù)測值和實際值相對誤差

由圖3可知這3種神經(jīng)網(wǎng)絡(luò)模型對設(shè)備溫度進行預(yù)測時，實際值和預(yù)測值的變化趨勢相近，表明人工神經(jīng)網(wǎng)絡(luò)在二次設(shè)備在線監(jiān)測信息預(yù)測的可行性。由圖4可知 BP神經(jīng)網(wǎng)絡(luò)預(yù)測的最大誤差為11.79%，平均誤差為6.44%；GRNN的最大誤差為4.83%，平均誤差為2.93%；RBF神經(jīng)網(wǎng)絡(luò)的最大誤差為7.54%，平均誤差為4.48%。相比較其他2種神經(jīng)網(wǎng)絡(luò)，GRNN在二次設(shè)備在線監(jiān)測信息預(yù)測上，其穩(wěn)定性和準確性更優(yōu)。

4.2關(guān)聯(lián)性預(yù)測

設(shè)備的在線監(jiān)測信息共同反映著設(shè)備的實時運行狀態(tài)，不同信息之間存在一定的關(guān)聯(lián)性。如CPU使用率升高時，會導致CPU板件溫度升高，進而升高設(shè)備的溫度。利用這種關(guān)聯(lián)性，將CPU使用率和設(shè)備溫度2種在線監(jiān)測信息的數(shù)據(jù)作為GRNN的輸入，輸出為設(shè)備溫度和CPU使用率。選取這2種在線監(jiān)測模擬量信息一個月的歷史數(shù)據(jù)作為GRNN神的訓練樣本。溫度、CPU使用率的實際值和預(yù)測值的對比曲線以及相對誤差曲線如圖5和圖6所示。

圖5　設(shè)備狀態(tài)信息實際值和預(yù)測值對比

圖6　設(shè)備狀態(tài)信息實際值和預(yù)測值相對誤差

把CPU使用率和設(shè)備溫度的關(guān)聯(lián)性考慮在內(nèi)時，輸出為溫度和CPU使用率。以溫度為例，分析考慮關(guān)聯(lián)性前后，溫度預(yù)測值的準確性變化。根據(jù)圖6的相對誤差曲線發(fā)現(xiàn)，預(yù)測值誤差最大為3.13%，平均誤差在1.75%，相比較溫度預(yù)測溫度的單一預(yù)測的最大誤差4.83%，平均誤差2.93%，采取關(guān)聯(lián)性預(yù)測使預(yù)測的結(jié)果更加穩(wěn)定，且在平均誤差上提高了40.27%。

實例分析表明，GRNN相比BP和RBF神經(jīng)網(wǎng)絡(luò)，對二次設(shè)備在線監(jiān)測模擬量信息的預(yù)測有更好的準確性和可靠性，驗證了本文應(yīng)用GRNN實現(xiàn)在線監(jiān)測模擬量信息預(yù)測的可行性。同時發(fā)現(xiàn)，可以利用不同在線監(jiān)測模擬量信息之間的聯(lián)系，加強輸入輸出的因果關(guān)系，來提高預(yù)測的準確性。

5　結(jié)束語

二次設(shè)備的在線監(jiān)測信息在對設(shè)備狀態(tài)評價上，是十分重要的依據(jù)。對二次設(shè)備監(jiān)測信息的預(yù)測，能夠應(yīng)用到對二次設(shè)備的狀態(tài)評價中去，達到對二次設(shè)備狀態(tài)預(yù)測的目的。本文根據(jù)在線監(jiān)測信息的變化特點，以及比較BP神經(jīng)網(wǎng)絡(luò)、GRNN和RBF神經(jīng)網(wǎng)絡(luò)3種預(yù)測方法的優(yōu)缺點，經(jīng)過實例仿真分析后，確定GRNN在預(yù)測上具有更高的穩(wěn)定性和精確性。同時，本文根據(jù)神經(jīng)網(wǎng)絡(luò)預(yù)測模型的特點，初步探索了將不同監(jiān)測信息的關(guān)聯(lián)性，應(yīng)用到預(yù)測當中去，這點與在電力負荷中將節(jié)假日、天氣等因素考慮在內(nèi)相似，其結(jié)果是加強了輸入和輸出的關(guān)聯(lián)性，從而使預(yù)測精確性提高。

隨著對二次設(shè)備的自檢功能的增強，對二次設(shè)備的在線監(jiān)測將會越來越全面，精確性更高的預(yù)測模型以及對不同在線監(jiān)測信息關(guān)聯(lián)性的深入分析，將會鞏固和發(fā)展二次設(shè)備在線監(jiān)測信息的預(yù)測，為二次設(shè)備狀態(tài)預(yù)測開辟思路，進而為狀態(tài)檢修提供更好的支撐。

[1] 袁浩，屈剛，莊衛(wèi)金，等. 電網(wǎng)二次設(shè)備狀態(tài)監(jiān)測內(nèi)容探討[J]. 電力系統(tǒng)自動化，2014，38(12)：100-106.

YUAN Hao，QU Gang，ZHUANG Weijin， et al. Discussion Grid Secondary Equipment Condition Monitoring Content [J]. Automation of Electric Power Systems, 2014，38(12)：100-106.

[2] 張曉華，劉躍新，劉永欣，等. 智能變電站二次設(shè)備的狀態(tài)監(jiān)測技術(shù)研究[J]. 電氣技術(shù)，2011(4)：41-44.

ZHANG Xiaohua，LIU Yuexin，LIU Yongxin，et al. The Technical Research of Secondary Equipments’Condition-monitoring in Smart Substation [J]. Electrical Engineering，2011(4)：41-44.

[3] 王俏文，丁堅勇，陶文偉，等. 基于層次分析模型的二次設(shè)備狀態(tài)檢修方法[J]. 南方電網(wǎng)技術(shù)，2014，7(4)：97-102.

WANG Qiaowen，DING Jianyong，TAO Wenwei，et al. A Condition-based Maintenance Method of Secondary Electrical Equipments Based on Hierarchy Model[J]. Southern Power System Technology，2014，7(4)：97-102.

[4] 畢天姝，倪以信，吳復(fù)立，等. 基于新型神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法[J]. 中國電機工程學報，2002，22(2)：73-78.

BI Tianshu，NI Yixin，WU Fuli，et al. A Novel Neural Network Approach for Fault Section Estimation[J]. Proceedings of the CSEE，2002，22(2)：73-78.

[5] 高煒欣，羅先覺，朱穎. 貪心算法結(jié)合Hopfield神經(jīng)網(wǎng)絡(luò)優(yōu)化配電變電站規(guī)劃[J]. 電網(wǎng)技術(shù)，2004，22(2)：73-76.GAO Weixin，LUO Xianjue，ZHU Ying. A New Distribution Substation Planning Algorithm Based on Greedy Algorithm and Hopfield Neural Network[J]. Power System Technology，2004，22(2)：73-76.

[6] 陳偉根，奚紅娟，蘇小平，等. 廣義回歸神經(jīng)網(wǎng)絡(luò)在變壓器繞組熱點溫度預(yù)測中的應(yīng)用[J]. 高電壓技術(shù)，2012，38(1)：16-21.CHEN Weigen，XI Hongjuan，SU Xiaoping，et al. Application of Generalized Regression Neural Network to Transformer Winding Hot Spot Temperature Forecasting[J]. High Voltage Engineering，2012，38(1)：16-21.

[7] 王守相，張娜. 基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的光伏短期出力預(yù)測[J].電力系統(tǒng)自動化，2012，36 (12)：37-41.

WANG Shouxiang，ZHANG Na. Short-term Output Power Prediction of Photovoltaic Generation Based on Grey Neural Network model[J]. Automation of Electric Power Systems，2012，36 (12)：37-41.

[8] 劉瑞葉，黃磊. 基于動態(tài)神經(jīng)網(wǎng)絡(luò)的風電場輸出功率預(yù)測[J]. 電力系統(tǒng)自動化，2012，36(11)：19-22.

LIU Ruiye，HUANG Lei. Forecasting of Wind Farm Generation Output Based on Dynamic Neural Network[J]. Automation of Electric Power Systems，2012，36(11)：19-22.

[9] 周英，尹邦德，任鈴，等. 基于BP 神經(jīng)網(wǎng)絡(luò)的電網(wǎng)短期負荷預(yù)測模型研究[J]. 電測與儀表，201，48(542)：68-71.

ZHOU Ying，YIN Bangde，REN Ling，et al. Study of Electricity Short -term Load Forecast Based on BP Neural Network[J]. Electrical Measurement & Instrumentation，2011，48(542)：68-71.

[10] 彭顯剛，胡松峰，呂大勇. 基于 RBF神經(jīng)網(wǎng)絡(luò)的短期負荷預(yù)測方法綜述[J]. 電力系統(tǒng)保護與控制，2011，39(17)：144-148.PENG Xiangang， HU Songfeng， Lü Dayong. Review on Grid Short-term Load Forecasting Methods Based on RBF Neural Network [J]. Power System Protection and Control，2011，39(17)：144-148.

[11] 余健明，李萌，舒菲. GRNN算法在電力系統(tǒng)負荷建模中的應(yīng)用[J].電力系統(tǒng)及其自動化學報，2009，21(1)：104-107.YU Jianming，LI Meng，SHU Fei. Application of GRNN-algorithm on Load Modeling of Power System[J]. Proceedings of the Chinese Society of Universities for Electric Power System and its Automation，2009，21(1)：104-107.

(編輯王朋)

Online Monitoring Information Forecast for Secondary Equipment Based on GRNN

LI Jin1, MIAO Shuai2, TAO Wenwei1, ZHANG Ximing1, DING Jianyong2, ZHU Hailong1

(1.China Southern Power Grid Co., Ltd., Guangzhou, Guangdong 510623, China; 2. School of Electrical Engineering, Wuhan University, Wuhan, Hubei 430072, China)

In allusion to continuous information in online monitoring information of grid secondary equipment such as power source voltage, device temperature, CPU usage rate and so on, generalized regression neural network (GRNN) is used for forecasting changes of the information. By comparing predicted value and actual value, relative error curve is obtained. It is verified higher veracity of GRNN in forecast by comparing with back propagation (BP) neural network and radial basis function (RBF) neural network. Meanwhile, this paper discusses to take relevance of online monitoring information of secondary equipment into consideration as well as relate temperature to CPU usage rate for prediction. According to comparison results, it is proved that it is useful to improve veracity of state prediction by taking relevance of information into consideration.Key words： secondary equipment; online monitoring information; generalized regression neural network (GRNN); relevance; radial basis function(RBF)neural network; forecast

2015-12-18

2016-06-05

中國南方電網(wǎng)有限責任公司科技項目(K-ZD2014-011)

10.3969/j.issn.1007-290X.2016.09.018

TM73

A

1007-290X(2016)09-0089-05

李金(1979)，男，甘肅金昌人。高級工程師，工學碩士，主要從事電力系統(tǒng)自動化技術(shù)研究與管理。

苗帥(1992)，男，湖北武漢人。在讀碩士研究生，主要從事電力二次設(shè)備狀態(tài)檢修和電力諧波方面的研究。

陶文偉(1973)，男，浙江臨海人。教授級高級工程師，工學博士，主要從事電力自動化研究與技術(shù)管理。