广东电网有限责任公司广州供电局 黄锦增 段炼 魏艳霞 陈永淑 李茜莹

温度、环境等因素会影响到配电网线路，导致配电网计算精度降低。为保证配电网设备运行时状态良好，本文提出了一种基于神经网络算法的配电网设备状态评价方法，简化网络不确定部分，进一步提高量测数据精度，并使用配电网自身特性生成有效计算方法，实现有效电力调度管理。

传统定期检修不仅会对供电连续性造成影响，还会发生因未及时检修而突发故障停电的情况。基于此背景，本文提出一种设备状态研究方法，根据设备状态评价结果安排检修计划，提升设备检修合理性。电力系统的基础为配电网，运行过程中的安全性与人民群众息息相关。但是配电网结构比较复杂，运行中存在大量不确定性因素。配电网设备合理安排检修计划能够提高设备运行可靠性，随着在线检测技术的不断发展，也使庞大配电网络状态评估成为可能。因此，本文就分析配电网设备状态，促进配电网的发展做出研究。

1 神经网络算法分析

系统中任意点在运行过程中都关系着系统其他点的运行状态，利用配电网中的已知数据对状态变量进行估计。通过三层BP 网络，将S 函数应用到隐含层中，将线性函数应用到输出层中。以随机误差和潮流计算结果实现模拟输入，所选择的样本要充分考虑系统的实际运行状态，以基准、高峰、低谷等不同负荷状态提出解决方案，实现神经网络的创建[1]。

2 配电网设备运行状态的指标体系

通过层次分析法（AHP）创建配电网设备的运行状态指标体系，在各层次结构中分解决策目标，利用求解判断矩阵的特征向量，得出各层次、元素上个层次的元素优先权重；最后通过加权的方法递归合并方案。在配电网设备健康状态评估过程中，变压器为运维人员重点关注的设备。表征变压器状态具有大量的信息特征量，不同程度、侧面与层次反映出变压器运行状态的好坏。通过创建状态评估指标体系，反映变压器运行状态、电气试验、有色谱分析、变压器附件、油画试验和运检记录等关联因素表现情况。在评价状态时实现评价设备单元的划分，收集和整理相应设备信息，通过状态评价表评价各个部件，以设备的运行年限与是否存在家族缺陷情况确定家族缺陷系数、寿命系数，最后计算各个部件的系数。在评价过程中考虑权重系数，根据短板原理评价设备单元，编制设备单元评价报告，最终形成设备评价报告，确定设备状态级别，提出检修建议[2]。如图1所示为变压器运行状态指标体系。

图1 变压器运行状态指标体系Fig.1 Transformer operating state index system

3 配电网设备的故障因素分析

根据城市配电网的故障记录，得出配电网故障因素体系。配电网设备故障出现的原因包括大风大雨、绝缘老化、设备质量、雷击、重载过载等。在对故障率进行修正的时候，要求创建有规律故障因素模型。由于用户原因和外力破坏因素存在人为及不可控因素，所以随机性比较强。那么，就要分析配电网天气原因和公用设备，充分考虑其他类故障。对于任意配电网设备，会因为某因素出现某故障，包括外界或者自身缺陷。所以，多种因素都会影响到配电设备故障率[3]。

4 配电网设备状态评价

4.1 简化网络

配电网包括配电变压器、变电所和电力线路，具有复杂的结构和大量节点。在进行简化后对电压进行估计，检测量测数据之后利用已经训练的神经网络对状态进行计算和估计，能有效的简化系统。在简化其他部分之后，以最大符合度情况将系统分散实现集中负荷的简化，保留监视节点，以比例对电压进行估计。

4.2 配电网故障率预测模型

4.2.1 数据模糊化预处理

预处理要求重视隶属函数的选择，根据变压器经验进行判断，通过Sigmoid 函数实现处理和计算：

公式中待诊断数据实际值为x，xa指的是注意值，y指的是预处理后输出值。

4.2.2 创建人工神经网络模型

人工神经网络使用径向基函数RBF，类似BP 网络，RBF 网络属于三层前向网络，包括隐含层、输出层、输入层。隐含层第j个神经元输出值zj表示为：

公式中的wkj指的是输出层第k个神经元和隐含层j个神经元的调节权重。

4.2.3 创建参数子空间

油中溶解气体分析过程中的氢气、乙炔、总烃的体积分数和总烃相对产气率状态评价结果作为信息空间I1；根据绕组绝缘电阻、绕组直流电阻、铁芯绝缘电阻、吸收比的评价结果作为信息空间I2；将套管介质损耗、局部放电、油中溶解气体分析在线监测数据作为信息空间I3。以此创建三个RBF 子网络并联评价子系统，每个子系统输出值构成证据体，通过三个证据体实现证据融合，从而得出最终配电设备各个部位的故障概率。

4.3 设备状态修正矩阵

对于配电网设备的不同，不同气象影响程度也各有不同。分析故障设备可以得到设备修正系数和两者的关系，如表1所示。

表1 设备状态修正系数和故障因素的关系Tab.1 Relationship between equipment state correction factor and failure factors

设备状态修正系数矩阵：

公式中的p(i)i指的是第i 类设备中第j 类故障因素状态修正系数，1 ≤j ≤5。

4.4 设备状态修正模型

分析历史统计数据与配电网实时运行数据，得出设备雷击天气、大风大雨、绝缘老化程度等方面对设备故障率的影响。

5 算例分析

为了对线路参数计算，使用RBF 算法拟合线路和线路两端量测数据复杂线性关系。不同因素会影响到线路参数，但是其变化范围在初始参数值附近中。针对上述研究算法，节点电压量测值为已知的，改变线路参数值能够得出支路功率。计算变化线路参数能够得到支路功率，实现训练样本的创建。通过计算得到RBF 支路功率输入，在训练样本数最大时能够训练RBF。针对已经训练好的RBF，利用此支路功率量测值实现RBF 算法输入，以此得到线路的计算结果。

因为获得实际线路参数比较困难，所以本文选择116条三相线路进行测试，对本文提出的算法进行验证，利用Zbus 潮流计算法进行计算，根据潮流计算结果作为实际测量值对于提出RBF 参数估计算法与MRO 算法开展对比验证。如图2—图4所示为不同误差时RBF 参数估计方法和MRO 方法的结果，如表2所示为电压分布结果。通过表2可以看出来，神经网络实现配电网状态估计方法可行，在神经网络训练结束后具有较快的计算速度，使实时性需求度得到满足。

表2 电压分布结果Tab.2 Voltage distribution results

在进行评估的过程中，线路参数初始值根据DMS 存储线路计算。本文初始参数为线路参数，对不同线路参数取值范围和量测误差算法进行验证。

图2中参数取值范围为初始参数的95%～105%，充分考虑温湿度环境，无功功率与有功功率量测误差为0.5。通过图2表示，两种方法计算结果都小于实际值，但是有个别线路的参数比较大，RBF 参数计算法结果小于MPE 值，算法较优。

图2 小误差Fig.2 Small error

图3中的功率量测误差为1%，参数取值范围为初始参数的90%～110%。以此可以看出来，增加参数取值范围与量测误差时，两种算法计算结果与实际值增加较大，但是本文算法计算结果的增加较小。

图3 中等误差Fig.3 Moderate error

图4中参数取值范围是初始参数的80%～120%，功率量测误差为5%。在不断增加参数取值范围和误差时，MRO 算法结果为28%，比参数取值范围要大。利用RBF 参数估计算法取值比较大，但是范围可以缩小。那么就可以看出来，本文算法在估计参数过程中具有良好性能，使病态矩阵问题得到解决，而且具有良好稳定性。此方法还能够在两相或者三相配电线路中使用，降低接线路参数的数量，提高RBF 训练算法。

图4 大误差Fig.4 Big errors

6 结语

通过本文研究，使用神经网络算法对于配电网状态估计的优势为：

（1）能够充分对影响设备状态的变量进行测量，提高了数据精准度；

（2）神经网络通过训练之后，计算时间较短，满足了快速计算需求；

（3）因为神经网络信息被分布存储到处理单元阈值与连接权中，存在一定容错性，提升了数据精准性。