0 引言

    隨著智能電網不斷向縱深方向發展，電網運行狀態信息監控要求越來越高。其中，變電站作為智能電網的重要一環，其安全和穩定運行尤為關鍵。

    變電站監控信息點表作為反映變電站狀態信息全時空下的晴雨表，對變電站自身乃至整個電網至關重要^[1]。開展對變電站監控信息點表的研究工作，在工作效率層面上，將有益于電網調度的各項工作高效和穩定開展；在經濟價值層面上，將有益于保障國民經濟在電力領域的穩健運行；在社會屬性層面上，將有益于社會朝著健康和綠色的方向發展。

1 相關分析

    目前，電網運行對人工智能屬性要求日趨迫切，相關科研工作不斷加大；同時，針對目前電網巨規模、大負荷的用電現狀，過去的人工處理模式將逐步面臨瓶頸限制和淘汰的現狀，電力行業在智能電網上的技術整合和創新工作正在占領主航道。

    變電站監控信息的質量直接影響整個電網的高效且精準運行。變電站監控信息點表主要涵蓋了一和二次設備及其他附屬設備的設備出廠信息、在運行下的電氣邏輯信息，具有信息量大、關聯性強、冗余性高的數據特點。

1.1 變電站監控信息點表本身存在的若干問題

    針對變電站監控信息點表自身日益暴露的綜合狀況，設計部門-用戶單位-設備廠商的信息點表縱向互聯方面存在脫節現象，原因在于電力研究院、電力調度部門、設備供應商彼此之間扮演角色及分工的限制；設計部門之間、用戶單位之間、設備廠商之間的橫向協同方面存在松耦合現象，原因在于區域特點、歷史特點、行業特點的約束^[2]。

    以上現象無法在短時間內行之有效地得到根本性解決；但是，將人工智能算法植入監控信息點表自身的研究工作符合目前智能電網發展的必然趨勢。可以利用以上軟實力提升的方式，開展面向信息點表提質增效方面的科研工作。

1.2 神經網絡及其改進措施的引入工作

    面向變電站監控信息點表實際應用，將人工智能算法引入監控信息點表改良工作具有解決措施靈活、投入硬成本低、可復用性較強的優點。

    神經網絡作為人工智能算法的一種，其優越性在于自發組織學習、主動迭代規則、有較強的非線性擬合能力，借助其自身優點可以將監控信息點表本身賦予自感知特性，提升信息追本溯源的實戰能力；其劣勢在于自適應能力有限，存在迭代周期較長和非全局最優解的問題，鑒于其自身劣勢需要集成其他方法加以優化，以提升神經網絡在解決具體應用對象上的普適性^[3]。

2 構建變電站監控信息點表數據分析機理

    以電網調度需求為牽引，具體構建變電站監控信息點表數據源分析機理如下，其邏輯如圖1所示^[4]。

    (1)建立設備臺賬數據庫和電氣邏輯屬性數據庫

    設備臺賬數據庫主要包含了一二次設備物理和電氣屬性信息、一二次設備間的關聯屬性信息。同時，將設備ID和監控信息點號作為雙重索引標識，構建一二次設備物理和電氣屬性映射和關聯關系。

    (2)支持遙測、遙信、遙控模板信息訂閱服務

    遙測信息模板將變電站歷史上運行參數作為參照系，快速定位當下實時狀態電信號測量信息和數據；遙信信息模板以遙測信息為預判依據，實現繼電保護、斷路器、隔離開關及相關告警狀態的信息全時空的判讀工作；遙控信息模板主要以斷路器、隔離開關、接地刀閘分合動作為主要操作對象，并將信號復歸及功能投推的信息反饋作為核驗輸入^[5]。

    (3)制定變電站類型-電壓等級-間隔-設備的級聯層級關系

    將變電站監控信息按照“變電站類型→電壓等級→間隔→設備”層級關系，逐級映射，并封裝成特定級聯關系的模型庫，實現自動更新和調用功能。

    (4)二次優化變電站監控信息點表承載的數據內容

    通過以上再次梳理變電站監控信息數據關系的基礎，下面引入“神經網絡+矩陣分析”智能算法聯合的方式，量化分析以上規范和約束的內在關聯關系，優化變電站監控信息點表分析工作^[6-7]。

3 構建基于矩陣分析改進BP神經網絡的監控信息優化融合模型

    BP神經網絡(Back Propagation Neural Network，BPNN)通過構建神經網絡“輸入層-隱含層-輸出層”的層級架構，建立輸入和輸出權值關系，達到應用對象被抽象化的自組織學習非線性擬合的目的^[8]。總體而言，BPNN整個算法主體上分為兩步：(1)建立和執行正向傳導關聯模式；(2)逆向反饋關聯關系擬合偏差。通過有限次的迭代工作，獲取輸出與輸入之間長期穩定的關聯關系。

    在變電站監控信息優化解析方面，以監控信息點表為研究對象，BPNN優勢：降低人工干預，發揮計算機自身計算優勢，具有較優的非線性擬合能力；其劣勢：受限于歷史樣本數據的豐富程度，易陷于局部最優解，學習過程相對緩慢。

    以下從改進BPNN算法的路線設計、基于監控信息點表數據的BPNN自主學習數學建模、基于BPNN傳遞函數誤差最小化的兩層權重分配矩陣分析優化三方面開展相關工作。

3.1 改進BPNN算法的路線設計

    改進算法的路線設計過程如圖2所示。

    (1)對接變電站監控信息數據庫平臺，讀取監控信息點表歷史樣本；

    (2)構建三層式（輸入層-隱含層-輸出層）BPNN學習模型；

    (3)將設備信息臺賬庫和電氣邏輯屬性庫數據合成，作為輸入層向量x；

    (4)將設備ID和信息點表點號與“變電站類型-電壓-間隔-設備”進行映射關聯，作為隱含層向量y；

    (5)將“變電站類型-電壓-間隔-設備”與遙信、遙測、遙控訂閱信息進行映射關聯，作為輸出層向量z； 

    (6)其中，ω_i為隱含層與輸入層之間的權重矩陣，e_i為隱含層與輸入層之間的誤差向量，ω_o為隱含層與輸出層之間的權重矩陣，e_o為隱含層與輸出層之間的誤差向量；

    (7)為使e_i和e_o向量誤差期望值最小，設立迭代次數N；

    (8)開展權重矩陣方程特征值優化計算工作；

    (9)若(for k=0；k++；k<N），跳轉至步驟(3)；

    (10)直至滿足數學模型迭代次數，最終獲得監控信息點表信息融合之后的優化解。

3.2 基于監控信息點表數據的BPNN自主學習數學建模

    基于監控信息點表數據的BPNN自主學習數學建模聲明如下：

    (1)為了增強非線性擬合能力并最終最大限度地呈現數據本身信息的客觀真實性，引入BPNN信息數據關聯轉移函數其中t表示本層網絡輸出數據變量，d表示上一層網絡數據輸入變量^[9]。

    (2)隱含層與輸入層之間的函數關系：y=f(x)=ω_ix+e_i，ω_i=t(x)，e_i=y_r-y；其中，ω_i權值分配服從關聯轉移函數，y_r表示隱含層的實際值。

    (3)輸出層與隱含層之間的函數關系：z=f(y)=ω_oy+e_o，ω_o=t(y)，e_o=z_r-z；其中，ω_o權值分配服從關聯轉移函數，z_r表示隱含層的實際值。

    (4)期望方差計算。為了獲取BPNN信息傳遞最優輸出期望值，具體的隱含層輸出期望方差和輸出層輸出期望方差的數學計算公式如式(1)、式(2)所示：

3.3 基于BPNN傳遞函數誤差最小化的兩層權重分配矩陣分析優化

    利用構建權重分配矩陣的思想，加速BPNN自主學習過程^[10-11]。

    (1)將ω_i、ω_o抽象合成為BPNN整體輸入到輸出的權重矩陣模型，具體公式詳見式(3)，表示輸入層節點的個數。

    (2)對式(3)開展權重矩陣特征值最優解計算，壓縮數據處理量，計算所得公式如式(4)所示。

    (3)對式(4)的輸入層變量求偏導計算，分析BPNN學習走勢并整合，獲取后續的側重學習策略，計算如式(5)所示。

4 仿真實驗

4.1 仿真聲明

    學習樣本1 500個，測試樣本200個，權重取值ω∈(0.25，0.70)，迭代次數100次，誤差率控制比例范圍e∈(0，10%)。

4.2 仿真分析

4.2.1 測試樣本誤差率與迭代時間的效能對比

    針對200個變電站監控信息點表的測試樣本，分別采用BPNN和“BPNN+矩陣分析”的人工智能手段，其測試樣本誤差率與迭代時間效能對比如圖3所示。

    從圖3分析可知，在t≈4.4 s以后,采用“BPNN+矩陣分析”的測試樣本誤差率穩定在1.15%；在t≈6.5 s以后，采用BPNN的測試樣本誤差率穩定在1.57%。通過以上比較可知，采用“BPNN+矩陣分析”的人工智能算法模型不僅時間響應方面有優勢，而且還將測試樣本誤差率進一步降低。

4.2.2 測試樣本信息融合程度對比

    針對200個變電站監控信息點表的測試樣本，分別采用BPNN和“BPNN+矩陣分析”的智能分析手段，其測試樣本融合程度對比如圖4所示。

    從圖4分析可知，在t≈6.5 s以后，采用“BPNN+矩陣分析”的人工算法聯合創新方式將測試樣本信息融合穩定維持在95.6%；在t≈8.6 s以后，采用BPNN的測試樣本將測試樣本信息融合穩定維持在82.9%。通過以上比較可知，采用“BPNN+矩陣分析”的人工智能算法模型在短時間內可以實現信息融合工作，并在信息融合程度方面占絕對優勢。

5 結論

    通過基于矩陣分析的BPNN智能算法，開展了變電站監控信息點表信息融合模型構建及其解析工作。仿真試驗結果表明，在面向海量監控信息的處理工作中，“BPNN+矩陣分析”實現了人工智能方式的解析工作，不僅壓縮了監控信息數據量，而且提升了監控信息點表的判讀效率。

參考文獻

[1] 李元鋒，莫加杰，馮超.新一代智能變電站信息融合和一體化建模技術研究[J].自動化應用，2016(9)：107-108.

[2] 冉冉，張巖，胡楠，等.基于電力數據中心應用標準化設計的研究[J].電子技術應用，2014(z1)：278-280.

[3] 字云飛，李業麗，孫華艷.基于深度神經網絡的個性化推薦系統研究[J].電子技術應用，2019，45(1)：20-24.

[4] 王洪哲，路明，秦領，等.基于電力設備的監控業務一體化管理方法[J].東北電力技術，2017(8)：24-28.

[5] 徐丹丹，米為民，鄧勇，等.智能變電站與調度主站間模型/圖形協調共享及無縫通信一體化建模方案[J].電網技術，2012，36(11)：235-239.

[6] 莫紅枝.基于馬爾可夫鏈的自適應性神經網絡訓練算法[J].電子技術應用，2014，40(10)：142-145.

[7] 張賢達.矩陣分析與應用(第2版)[M].北京：清華大學出版社，2013.

[8] CHENG H L，PARK S C.Combination of modified BPNN algorithms and an efficient feature selection method for text categorization[J].Information Processing & Management，2009，45(3)：329-340.

[9] 宋宇鯤，高曉航，張多利，等.Sigmoid函數的分段非線性擬合法及其FPGA實現[J].電子技術應用，2017，43(8)：49-51.

[10] MAHLER R P S，EBRARY I.Statistical multisource-multitarget information fusion[M].Statistical Multisource-Multitarget Information Fusion，2007.

[11] BARZILAY R，MCKEOWN K R，ELHADAD M.Information fusion in the context of multi-document summarization[C].Proceedings of 38th ACL，1999.

作者信息:

張  宇，張  昊，李  勝，王國鵬，崔慧軍

(國網冀北電力有限公司，北京100053)