基于改進(jìn)RBF的變壓器油色譜在線監(jiān)測裝置配置策略研究

李文震 羅漢武 許曉路 谷凱凱 吳啟瑞

1(國網(wǎng)內(nèi)蒙古東部電力有限公司 內(nèi)蒙古 呼和浩特 010020)2(國網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司 湖北 武漢 430074)

0 引 言

近十年來，我國在變電運檢領(lǐng)域取得了長足的進(jìn)步，電網(wǎng)規(guī)模不斷增長，變電站數(shù)量由21 556座增加到39 247座，由于輸變電設(shè)備數(shù)量與變電站數(shù)量正相關(guān)，可以認(rèn)為設(shè)備規(guī)模增長82%，但運維人員僅增長9.8%，結(jié)構(gòu)性缺員問題突出。而傳統(tǒng)的人工巡檢和帶電檢測方式也暴露出人力成本和運維成效之間的矛盾。而此類運維模式多針對缺陷后期，無法對故障前期狀態(tài)進(jìn)行發(fā)掘，嚴(yán)重影響電網(wǎng)安全穩(wěn)定運行。

變壓器作為電力系統(tǒng)最關(guān)鍵的設(shè)備，其運行狀態(tài)關(guān)乎整個區(qū)域電網(wǎng)安全，對變壓器故障及時診斷分析具有重要意義。變壓器油色譜在線監(jiān)測已成為了變壓器狀態(tài)監(jiān)測的重要發(fā)展方向和組成部分。

變壓器油色譜在線監(jiān)測旨在不停電情況下，對變壓器進(jìn)行連續(xù)性的自動檢測，掌握變壓器內(nèi)部運行狀況。特別針對偏遠(yuǎn)地區(qū)、無人值守電站等特殊區(qū)域安裝實時監(jiān)測設(shè)備，有利于實現(xiàn)變壓器監(jiān)測自動化和智能化。

國網(wǎng)公司對變壓器在線監(jiān)測系統(tǒng)配置做出了規(guī)定，強制安裝220 kV及以上變壓器，110 kV(66 kV)及以下電壓等級變壓器為選配，實際操作普遍采用基層單位需求上報、網(wǎng)省公司審批的模式，配置方式粗放。為此，研究110 kV(66 kV)及以下變壓器油色譜在線監(jiān)測裝置配置策略，對降低變壓器故障率，是當(dāng)前電網(wǎng)系統(tǒng)中急需要解決的一項重要研究課題。

油色譜在線監(jiān)測裝置配置問題是一個經(jīng)典的組合優(yōu)化問題，其配置受到很多因素的制約，目前在該領(lǐng)域，國內(nèi)外已經(jīng)有大量的研究工作。文獻(xiàn)[1]針對觀測站選址問題，從地質(zhì)、工程設(shè)計和建設(shè)角度出發(fā)，設(shè)計了一種基于經(jīng)驗和專家決策的選址原則和方法。文獻(xiàn)[2]針對變壓器油色譜的在線監(jiān)測問題，提出了一種基于改良三比值法的變壓器故障在線監(jiān)測系統(tǒng)，對在線檢測裝置從安裝、運維、診斷等方面進(jìn)行了系統(tǒng)研究。文獻(xiàn)[3]對輸電線路污穢在線監(jiān)測裝置選址問題進(jìn)行研究，提出了利用層次分析法進(jìn)行選址。這些相關(guān)文獻(xiàn)大部分停留在經(jīng)驗?zāi)Ｊ?，專家決策等模式中，其科學(xué)性不足，并缺乏全局性、系統(tǒng)性地規(guī)劃和考量。因此有效地利用歷史數(shù)據(jù)，并使用科學(xué)的理論方法對在線裝置配置問題進(jìn)行系統(tǒng)建模，并指導(dǎo)實踐顯得更為重要。

為了提高在線裝置的運行效率和監(jiān)測準(zhǔn)確率，本文以蒙東電網(wǎng)公司為研究對象，分析近年來變壓器故障狀況，根據(jù)易發(fā)故障所在區(qū)域的相關(guān)數(shù)據(jù)，分析并篩選了影響在線監(jiān)測裝置配置問題的重要影響因子。利用改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)模型對在線監(jiān)測裝置配置問題進(jìn)行了系統(tǒng)建模，提出了一種基于K-means聚類和遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)配置模型，為在線監(jiān)測裝置配置提供了理論依據(jù)，提高變壓器實時監(jiān)測準(zhǔn)確率，進(jìn)一步保障了電網(wǎng)的安全穩(wěn)定供電，對我國變電檢修工作具有重要的意義[4-6]。

1 影響因子分析及RBF適用性分析

1.1 影響因子分析

變壓器油色譜在線監(jiān)測裝置在實際應(yīng)用過程中受到很多因素制約，影響因素眾多，主要分為內(nèi)部的變壓器本體運維和外部的變壓器所處環(huán)境兩大類，如圖1所示。

(1) 變壓器本體運維狀態(tài)類包括電壓等級、 歷史故障次數(shù)、運行年限、負(fù)載類型和歷史缺陷次數(shù)。其中：電壓等級是表征變壓器在電網(wǎng)中重要度最核心指標(biāo)，電壓等級越高，所處位置和安全級別就越高；歷史故障次數(shù)和歷史缺陷次數(shù)主要說明變壓器故障發(fā)生率和缺陷發(fā)生率，因維修更換過程中會對變壓器進(jìn)行大面積拆解和試驗，后續(xù)局部放電和過熱可能性提高；運行年限與設(shè)備運行工況體現(xiàn)出“浴缸效益”，是重要影響因子；變壓器負(fù)荷類型直接影響了變壓器內(nèi)部故障風(fēng)險率，突發(fā)急救負(fù)載不斷挑戰(zhàn)安全閾值，需要通過在線監(jiān)測裝置實時監(jiān)測變壓器各項指標(biāo)。

(2) 變壓器所處環(huán)境類包括變壓器運行位置的重要度、是否存在家族性缺陷、場站環(huán)境等。由于變壓器運行位置表征所屬場站重要度，其對監(jiān)測裝置配置的影響不容忽視。家族性缺陷是同廠家、同批次、同型號等多個維度對比分析，共性明顯，需要對有家族缺陷設(shè)備進(jìn)行重點監(jiān)控；場站環(huán)境是表征變電站的所處區(qū)位的多雷、大風(fēng)、極寒、地質(zhì)災(zāi)害等地理環(huán)境和貼近工礦企業(yè)、居民社區(qū)等運行環(huán)境，也是造成故障風(fēng)險的一大因素。

1.2 RBF神經(jīng)網(wǎng)絡(luò)適用性分析

變壓器油色譜在線監(jiān)測裝置配置是內(nèi)因和外因等多種因素共同決定的，而其中大部分影響因素具有很多的不確定性和復(fù)雜性，它們之間的關(guān)系并不是簡單的線性關(guān)系或者指數(shù)關(guān)系等，無法用精確的表達(dá)式進(jìn)行描述。而人工神經(jīng)網(wǎng)絡(luò)模型通過模擬人的腦神經(jīng)功能，具有很好的自我學(xué)習(xí)能力、很強的自適應(yīng)性、自組織性和泛化能力，能適應(yīng)復(fù)雜不確定的系統(tǒng)和環(huán)境，能夠更好地描述自變量和因變量之間之中非線性、復(fù)雜度高的關(guān)系[7-10]。因此，我們考慮使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)測裝置配置問題的決策。其中，當(dāng)樣本數(shù)據(jù)較多，輸入輸出之間關(guān)系較為復(fù)雜時，BP神經(jīng)網(wǎng)絡(luò)容易進(jìn)入局部收斂且收斂速度較慢。因此本文中，我們選取徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)[1]來進(jìn)行建模，它是由Powell于1985年提出的一種高效前饋式神經(jīng)網(wǎng)絡(luò)。它結(jié)構(gòu)簡單，易于操作，學(xué)習(xí)收斂速度快，幾乎可以逼近任意的非線性函數(shù)，具有強大的泛化能力。使用RBF模型解決變壓器在線裝置配置問題的適用性主要體現(xiàn)在以下幾個方面：

(1) 對于復(fù)雜非線性的關(guān)系來說，RBF模型可以通過以往數(shù)據(jù)快速為電網(wǎng)決策人員提供一個配置方案。

(2) RBF模型可以充分利用歷史數(shù)據(jù)，有效地評估不同配置方案的優(yōu)劣，為電網(wǎng)決策人員提供可靠的技術(shù)支撐。

(3) RBF模型可以與其他一些優(yōu)化方法進(jìn)行結(jié)合，不斷地更新和改進(jìn)自身算法，最終形成一種配置方案評估的工具，提高電網(wǎng)檢修能力。

2 基于RBF的裝置配置模型

2.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。其中從輸入空間到隱層空間的變換是非線性的，而從隱層空間到輸出空間的變換是線性的。其基本思想是用RBF作為隱單元的“基”來構(gòu)成隱含空間，隱含層對輸入空間中的矢量進(jìn)行變換，將向量從線性不可分的低維度映射到線性可分的高維度。RBF神經(jīng)網(wǎng)絡(luò)可以處理一些系統(tǒng)內(nèi)難以解析的規(guī)律，具有良好的泛化能力，且結(jié)構(gòu)簡單、易于操作，學(xué)習(xí)收斂速度快，因此被廣泛地應(yīng)用于非線性函數(shù)逼近、信息處理、系統(tǒng)建模、控制和故障診斷等領(lǐng)域[16]。

假設(shè)RBF網(wǎng)絡(luò)輸入向量為X=[x1,x2,…,xp]T，則多輸入單輸出可描述為:

(1)

式中:K是隱含層神經(jīng)元個數(shù)；αk是隱含層到輸出層的權(quán)值向量；φk是輸入層到隱含層的輸出，其輸出值取決于輸入向量與徑向基函數(shù)中心的距離。在這里基函數(shù)選取高斯函數(shù)，距離采用歐式范數(shù)表示，則：

(2)

式中：ci是第i個隱含層節(jié)點高斯函數(shù)的中心向量；σi是第i個隱含層節(jié)點的標(biāo)準(zhǔn)化常數(shù)。

由此可知，RBF神經(jīng)網(wǎng)絡(luò)算法設(shè)計中需要求解的參數(shù)主要包括：隱含層節(jié)點數(shù)、隱含層節(jié)點中徑向基函數(shù)的中心和方差、隱含層到輸出層的權(quán)值。RBF神經(jīng)網(wǎng)絡(luò)有很多中學(xué)習(xí)方法，如隨機選取中心法、自組織選取中心法、最近鄰聚類法、有監(jiān)督選取中心法、K-means聚類法等。本文中選取利用K-means聚類算法和遺傳算法相結(jié)合的學(xué)習(xí)方法對RBF神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行不斷的優(yōu)化和修正，有效地保證了網(wǎng)絡(luò)預(yù)測精度，實現(xiàn)了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的自校正。

2.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立和分析

在變壓器油色譜在線監(jiān)測裝置配置問題中，RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立首先應(yīng)該確定網(wǎng)絡(luò)輸入自變量X，并輸入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，作為輸入層；其次將不同地址評分作為因變量Y，作為網(wǎng)絡(luò)模型的輸出，以此建立二者的非線性關(guān)系模型；最終建立網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示。

圖2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層節(jié)點數(shù)與在線監(jiān)測裝置配置影響因子有關(guān)，本文結(jié)合歷史記錄中的變壓器相關(guān)監(jiān)測數(shù)據(jù)、變壓器故障數(shù)據(jù)、所處環(huán)境等數(shù)據(jù)，對變壓器油色譜在線監(jiān)測裝置配置影響因素進(jìn)行了分析，確定了主要影響因子有：電壓等級(x1)、歷史故障次數(shù)(x2)、運行年限(x3)、變壓器運行狀態(tài)(x4)、變壓器最大負(fù)載(x5)、歷史缺陷次數(shù)(x6)、所在運行位置重要度(x7)、是否有家族性缺陷(x8)、場站環(huán)境(x9)。選取以上9個影響因子作為神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元節(jié)點。由于這幾類影響因子量綱不同，在網(wǎng)絡(luò)進(jìn)行訓(xùn)練前，需要對樣本數(shù)據(jù)進(jìn)行無量綱歸一化的預(yù)處理過程。

(3)

(2) 文字類影響因子。油色譜在線裝置配置影響因子中還有一些因子只能用文字進(jìn)行描述，但是這些因子在變壓器故障風(fēng)險中影響頗大，對監(jiān)測裝置配置影響亦不容忽視，例如電壓等級、負(fù)載類型、變壓器運行位置重要性等，對于這一類文字類影響因子采用如表1所示的賦值方法，并進(jìn)行歸一化。

表1 油色譜在線監(jiān)測裝置配置影響因子賦值

將監(jiān)測裝置不同的配置評分作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸出Y，為了便于比較將評分進(jìn)行歸一化處理，使得不同樣本的輸出值均在0～1之間。經(jīng)過數(shù)據(jù)預(yù)處理，確定網(wǎng)絡(luò)輸入和輸出，建立基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)在線監(jiān)測裝置優(yōu)化配置模型，通過參數(shù)優(yōu)化學(xué)習(xí)，找出最終的最優(yōu)配置策略，并進(jìn)行結(jié)果輸出。

2.3 基于RBF模型的建立和分析

變壓器油色譜在線監(jiān)測裝置配置問題屬于復(fù)雜的非線性系統(tǒng)問題，因此我們采用基于K-means聚類和遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行裝置配置，其優(yōu)化選址配置流程如圖3所示。

圖3 基于K-means聚類和遺傳算法的RBF裝置配置流程

步驟1確定RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在訓(xùn)練開始時，進(jìn)行樣本數(shù)據(jù)輸入，并根據(jù)2.2節(jié)介紹的數(shù)據(jù)預(yù)處理方法進(jìn)行處理得到RBF神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層。

步驟2優(yōu)化RBF網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。遺傳算法(Genetic algorithm，GA)是模擬生物進(jìn)化論中的自然選擇和遺傳學(xué)中的生物進(jìn)化過程所形成的一種搜索最優(yōu)解的計算模型，它具有良好的全局優(yōu)化性能，搜索效率較高。因此我們利用遺傳算法對網(wǎng)絡(luò)結(jié)構(gòu)中隱含層節(jié)點數(shù)K、中心向量ci和寬度σi進(jìn)行參數(shù)優(yōu)化。其優(yōu)化過程包括：

1) 染色體編碼。模型采用實數(shù)編碼，將由隱含層節(jié)點數(shù)K、中心向量ci和寬度σi組成的集合編碼成一個個體，個體基因值用實數(shù)來表示。

2) 生成初始種群。目前，比較常用的RBF學(xué)習(xí)算法有K-means聚類算法，其基本思想是從輸入樣本數(shù)據(jù)中選取k個數(shù)據(jù)作為初始的聚類中心；然后計算所有樣本與聚類中心的范式距離，對樣本進(jìn)行分類，重新計算得到新的聚類中心，反復(fù)執(zhí)行上述步驟，直到聚類中心不再變化，得到中心向量ci；接著根據(jù)聚類中心之間距離確定寬度σi。該算法簡單易實現(xiàn)，因此我們選用隨機選取不同的廚師聚類中心并多次利用K-means算法優(yōu)化得到初始種群個體。

3) 計算種群內(nèi)個體適應(yīng)度。適應(yīng)度函數(shù)用來評價種群中每個個體的優(yōu)劣，個體適應(yīng)度越大，性能越好。參數(shù)優(yōu)化的最終目的是找到一組最優(yōu)參數(shù)，使得樣本的均方誤差最小。因此適應(yīng)度函數(shù)如下：

(4)

4) 判斷染色體適應(yīng)度是否滿足設(shè)定要求。若滿足輸出最優(yōu)染色體，即最優(yōu)RBF網(wǎng)絡(luò)參數(shù)；若不滿足，則利用遺傳算子對染色體進(jìn)行選擇、交叉和變異。交叉概率Pc和變異概率Pm計算方式如下：

(5)

(6)

式中：fmax是種群中最大適應(yīng)度；favg是該平均適應(yīng)度；f′為將要進(jìn)行交叉的兩個個體中較大的適應(yīng)度；f為將要進(jìn)行變異的個體適應(yīng)度；Pc1、Pc2、Pm1、Pm2為固定值。以此產(chǎn)生新種群重復(fù)如上遺傳步驟，直到滿足設(shè)定條件，選出最優(yōu)染色體。

5) 輸出最優(yōu)配置結(jié)果。利用最優(yōu)的網(wǎng)絡(luò)參數(shù)，得到最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)模型，輸出全局最優(yōu)解。

3 案例分析

為了驗證提出的選址模型有效性，本文選取蒙東電網(wǎng)公司近年來12組變壓器油色譜在線監(jiān)測裝置配置及其相關(guān)數(shù)據(jù)作為樣本數(shù)據(jù)。其中：由歷史記錄數(shù)據(jù)中得到每種配置方案影響因子數(shù)據(jù)并進(jìn)行歸一化處理后作為模型輸入數(shù)據(jù)；由專家對每種不同的方案按照相同指標(biāo)進(jìn)行了評價打分，輸出各個方案的總評作為模型的輸出數(shù)據(jù)。最終樣本數(shù)據(jù)如表2所示。

表2 12組歷史監(jiān)測裝置配置的樣本數(shù)據(jù)

續(xù)表2

模型訓(xùn)練利用的是MATLAB[19]關(guān)于神經(jīng)網(wǎng)絡(luò)的仿真實驗環(huán)境，樣本數(shù)據(jù)中前10組用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，后2組作為測試數(shù)據(jù)。為了對比算法的效果，本文將傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)與本文所建立的K-means+遺傳算法+RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比研究，實驗中所用到的參數(shù)有：BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練目標(biāo)參數(shù)為0.000 1，訓(xùn)練次數(shù)為5 000； K-means+遺傳算法+RBF神經(jīng)網(wǎng)絡(luò)模型中參數(shù)設(shè)置為種群個數(shù)為10，遺傳算法迭代次數(shù)為100，交叉變異概率為Pc1=0.9、Pc2=0.5、Pm1=0.1、Pm1=0.002。

10組數(shù)據(jù)訓(xùn)練誤差結(jié)果如圖4所示，可以看出，采用BP神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)模型對油色譜在線監(jiān)測裝置配置問題進(jìn)行評分，對同樣的樣本數(shù)據(jù)來說，BP神經(jīng)網(wǎng)絡(luò)收斂速度較慢，改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)收斂速度較快，效率更高。

(a) BP訓(xùn)練結(jié)果

(b) RBF訓(xùn)練結(jié)果圖4 不同模型下訓(xùn)練誤差變化曲線圖

為了進(jìn)一步說明RBF神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)更加適用于小樣本數(shù)據(jù)的訓(xùn)練，我們對10組數(shù)據(jù)輸出真實值和預(yù)測值進(jìn)行了對比分析，結(jié)果如圖5所示?？梢钥闯?，RBF網(wǎng)絡(luò)更加適合于處理小樣本數(shù)據(jù)，其訓(xùn)練結(jié)果要比BP神經(jīng)網(wǎng)絡(luò)好。因此當(dāng)訓(xùn)練樣本數(shù)據(jù)少時，使用本文提出的改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)更加有效。

圖5 不同模型下真實值與擬合值對比圖

除此之外，我們用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對剩下的2組測試數(shù)據(jù)進(jìn)行總評分預(yù)測，將輸入數(shù)據(jù)帶入到神經(jīng)網(wǎng)絡(luò)輸入結(jié)構(gòu)中，最終得到方案11和12的總評分分別為0.431 2和0.759 6。

4 結(jié) 語

本文結(jié)合蒙東電網(wǎng)特征，包括地區(qū)、變壓器故障、地理信息等，找出變壓器油色譜在線監(jiān)測配置主要影響因子，研究并提出了一種基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的在線監(jiān)測裝置配置模型。該模型有效地結(jié)合K-means聚類和遺傳算法對神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行了優(yōu)化，并找到最優(yōu)參數(shù)，來對不同的配置策略進(jìn)行評分，最終得到最優(yōu)配置。該模型可以快速并有效地找到變壓器油色譜在線監(jiān)測裝置配置方案，提高了故障監(jiān)測效率，對蒙東電網(wǎng)輸電線路的安全穩(wěn)定運行提供了強有力的支撐和保障。