0 引言

随着智能电网不断向纵深方向发展，电网运行状态信息监控要求越来越高。其中，变电站作为智能电网的重要一环，其安全和稳定运行尤为关键。

变电站监控信息点表作为反映变电站状态信息全时空下的晴雨表，对变电站自身乃至整个电网至关重要^[1]。开展对变电站监控信息点表的研究工作，在工作效率层面上，将有益于电网调度的各项工作高效和稳定开展；在经济价值层面上，将有益于保障国民经济在电力领域的稳健运行；在社会属性层面上，将有益于社会朝着健康和绿色的方向发展。

1 相关分析

目前，电网运行对人工智能属性要求日趋迫切，相关科研工作不断加大；同时，针对目前电网巨规模、大负荷的用电现状，过去的人工处理模式将逐步面临瓶颈限制和淘汰的现状，电力行业在智能电网上的技术整合和创新工作正在占领主航道。

变电站监控信息的质量直接影响整个电网的高效且精准运行。变电站监控信息点表主要涵盖了一和二次设备及其他附属设备的设备出厂信息、在运行下的电气逻辑信息，具有信息量大、关联性强、冗余性高的数据特点。

1.1 变电站监控信息点表本身存在的若干问题

针对变电站监控信息点表自身日益暴露的综合状况，设计部门-用户单位-设备厂商的信息点表纵向互联方面存在脱节现象，原因在于电力研究院、电力调度部门、设备供应商彼此之间扮演角色及分工的限制；设计部门之间、用户单位之间、设备厂商之间的横向协同方面存在松耦合现象，原因在于区域特点、历史特点、行业特点的约束^[2]。

以上现象无法在短时间内行之有效地得到根本性解决；但是，将人工智能算法植入监控信息点表自身的研究工作符合目前智能电网发展的必然趋势。可以利用以上软实力提升的方式，开展面向信息点表提质增效方面的科研工作。

1.2 神经网络及其改进措施的引入工作

面向变电站监控信息点表实际应用，将人工智能算法引入监控信息点表改良工作具有解决措施灵活、投入硬成本低、可复用性较强的优点。

神经网络作为人工智能算法的一种，其优越性在于自发组织学习、主动迭代规则、有较强的非线性拟合能力，借助其自身优点可以将监控信息点表本身赋予自感知特性，提升信息追本溯源的实战能力；其劣势在于自适应能力有限，存在迭代周期较长和非全局最优解的问题，鉴于其自身劣势需要集成其他方法加以优化，以提升神经网络在解决具体应用对象上的普适性^[3]。

2 构建变电站监控信息点表数据分析机理

以电网调度需求为牵引，具体构建变电站监控信息点表数据源分析机理如下，其逻辑如图1所示^[4]。

(1)建立设备台账数据库和电气逻辑属性数据库

设备台账数据库主要包含了一二次设备物理和电气属性信息、一二次设备间的关联属性信息。同时，将设备ID和监控信息点号作为双重索引标识，构建一二次设备物理和电气属性映射和关联关系。

(2)支持遥测、遥信、遥控模板信息订阅服务

遥测信息模板将变电站历史上运行参数作为参照系，快速定位当下实时状态电信号测量信息和数据；遥信信息模板以遥测信息为预判依据，实现继电保护、断路器、隔离开关及相关告警状态的信息全时空的判读工作；遥控信息模板主要以断路器、隔离开关、接地刀闸分合动作为主要操作对象，并将信号复归及功能投推的信息反馈作为核验输入^[5]。

(3)制定变电站类型-电压等级-间隔-设备的级联层级关系

将变电站监控信息按照“变电站类型→电压等级→间隔→设备”层级关系，逐级映射，并封装成特定级联关系的模型库，实现自动更新和调用功能。

(4)二次优化变电站监控信息点表承载的数据内容

通过以上再次梳理变电站监控信息数据关系的基础，下面引入“神经网络+矩阵分析”智能算法联合的方式，量化分析以上规范和约束的内在关联关系，优化变电站监控信息点表分析工作^[6-7]。

3 构建基于矩阵分析改进BP神经网络的监控信息优化融合模型

BP神经网络(Back Propagation Neural Network，BPNN)通过构建神经网络“输入层-隐含层-输出层”的层级架构，建立输入和输出权值关系，达到应用对象被抽象化的自组织学习非线性拟合的目的^[8]。总体而言，BPNN整个算法主体上分为两步：(1)建立和执行正向传导关联模式；(2)逆向反馈关联关系拟合偏差。通过有限次的迭代工作，获取输出与输入之间长期稳定的关联关系。

在变电站监控信息优化解析方面，以监控信息点表为研究对象，BPNN优势：降低人工干预，发挥计算机自身计算优势，具有较优的非线性拟合能力；其劣势：受限于历史样本数据的丰富程度，易陷于局部最优解，学习过程相对缓慢。

以下从改进BPNN算法的路线设计、基于监控信息点表数据的BPNN自主学习数学建模、基于BPNN传递函数误差最小化的两层权重分配矩阵分析优化三方面开展相关工作。

3.1 改进BPNN算法的路线设计

改进算法的路线设计过程如图2所示。

(1)对接变电站监控信息数据库平台，读取监控信息点表历史样本；

(2)构建三层式（输入层-隐含层-输出层）BPNN学习模型；

(3)将设备信息台账库和电气逻辑属性库数据合成，作为输入层向量x；

(4)将设备ID和信息点表点号与“变电站类型-电压-间隔-设备”进行映射关联，作为隐含层向量y；

(5)将“变电站类型-电压-间隔-设备”与遥信、遥测、遥控订阅信息进行映射关联，作为输出层向量z；

(6)其中，ω_i为隐含层与输入层之间的权重矩阵，e_i为隐含层与输入层之间的误差向量，ω_o为隐含层与输出层之间的权重矩阵，e_o为隐含层与输出层之间的误差向量；

(7)为使e_i和e_o向量误差期望值最小，设立迭代次数N；

(8)开展权重矩阵方程特征值优化计算工作；

(9)若(for k=0；k++；k

(10)直至满足数学模型迭代次数，最终获得监控信息点表信息融合之后的优化解。

3.2 基于监控信息点表数据的BPNN自主学习数学建模

基于监控信息点表数据的BPNN自主学习数学建模声明如下：

(1)为了增强非线性拟合能力并最终最大限度地呈现数据本身信息的客观真实性，引入BPNN信息数据关联转移函数其中t表示本层网络输出数据变量，d表示上一层网络数据输入变量^[9]。

(2)隐含层与输入层之间的函数关系：y=f(x)=ω_ix+e_i，ω_i=t(x)，e_i=y_r-y；其中，ω_i权值分配服从关联转移函数，y_r表示隐含层的实际值。

(3)输出层与隐含层之间的函数关系：z=f(y)=ω_oy+e_o，ω_o=t(y)，e_o=z_r-z；其中，ω_o权值分配服从关联转移函数，z_r表示隐含层的实际值。

(4)期望方差计算。为了获取BPNN信息传递最优输出期望值，具体的隐含层输出期望方差和输出层输出期望方差的数学计算公式如式(1)、式(2)所示：

3.3 基于BPNN传递函数误差最小化的两层权重分配矩阵分析优化

利用构建权重分配矩阵的思想，加速BPNN自主学习过程^[10-11]。

(1)将ω_i、ω_o抽象合成为BPNN整体输入到输出的权重矩阵模型，具体公式详见式(3)，表示输入层节点的个数。

(2)对式(3)开展权重矩阵特征值最优解计算，压缩数据处理量，计算所得公式如式(4)所示。

(3)对式(4)的输入层变量求偏导计算，分析BPNN学习走势并整合，获取后续的侧重学习策略，计算如式(5)所示。

4 仿真实验

4.1 仿真声明

学习样本1 500个，测试样本200个，权重取值ω∈(0.25，0.70)，迭代次数100次，误差率控制比例范围e∈(0，10%)。

4.2 仿真分析

4.2.1 测试样本误差率与迭代时间的效能对比

针对200个变电站监控信息点表的测试样本，分别采用BPNN和“BPNN+矩阵分析”的人工智能手段，其测试样本误差率与迭代时间效能对比如图3所示。

从图3分析可知，在t≈4.4 s以后,采用“BPNN+矩阵分析”的测试样本误差率稳定在1.15%；在t≈6.5 s以后，采用BPNN的测试样本误差率稳定在1.57%。通过以上比较可知，采用“BPNN+矩阵分析”的人工智能算法模型不仅时间响应方面有优势，而且还将测试样本误差率进一步降低。

4.2.2 测试样本信息融合程度对比

针对200个变电站监控信息点表的测试样本，分别采用BPNN和“BPNN+矩阵分析”的智能分析手段，其测试样本融合程度对比如图4所示。

从图4分析可知，在t≈6.5 s以后，采用“BPNN+矩阵分析”的人工算法联合创新方式将测试样本信息融合稳定维持在95.6%；在t≈8.6 s以后，采用BPNN的测试样本将测试样本信息融合稳定维持在82.9%。通过以上比较可知，采用“BPNN+矩阵分析”的人工智能算法模型在短时间内可以实现信息融合工作，并在信息融合程度方面占绝对优势。

5 结论

通过基于矩阵分析的BPNN智能算法，开展了变电站监控信息点表信息融合模型构建及其解析工作。仿真试验结果表明，在面向海量监控信息的处理工作中，“BPNN+矩阵分析”实现了人工智能方式的解析工作，不仅压缩了监控信息数据量，而且提升了监控信息点表的判读效率。

参考文献

[1] 李元锋，莫加杰，冯超.新一代智能变电站信息融合和一体化建模技术研究[J].自动化应用，2016(9)：107-108.

[2] 冉冉，张岩，胡楠，等.基于电力数据中心应用标准化设计的研究[J].电子技术应用，2014(z1)：278-280.

[3] 字云飞，李业丽，孙华艳.基于深度神经网络的个性化推荐系统研究[J].电子技术应用，2019，45(1)：20-24.

[4] 王洪哲，路明，秦领，等.基于电力设备的监控业务一体化管理方法[J].东北电力技术，2017(8)：24-28.

[5] 徐丹丹，米为民，邓勇，等.智能变电站与调度主站间模型/图形协调共享及无缝通信一体化建模方案[J].电网技术，2012，36(11)：235-239.

[6] 莫红枝.基于马尔可夫链的自适应性神经网络训练算法[J].电子技术应用，2014，40(10)：142-145.

[7] 张贤达.矩阵分析与应用(第2版)[M].北京：清华大学出版社，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] 宋宇鲲，高晓航，张多利，等.Sigmoid函数的分段非线性拟合法及其FPGA实现[J].电子技术应用，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:

张 宇，张 昊，李 胜，王国鹏，崔慧军

(国网冀北电力有限公司，北京100053)