基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测

花广如,李文浩,郭阳阳

(华北电力大学 机械工程系，保定 071000)

试验研究

基于神经网络模型的海南变电站接地网Q235钢腐蚀率预测

花广如,李文浩,郭阳阳

(华北电力大学 机械工程系，保定 071000)

运用MATLAB软件在土壤腐蚀等级评价指标上随机生成了2 000组训练样本和200组测试样本来增强网络的鲁棒性(抗变换性)和样本识别准确性，找出了适合BP和RBF神经网络模型的结构参数，构建出了性能和稳定性都较好的BP和RBF神经网络模型。用现场采集的海南省变电站土壤腐蚀相关数据分别对已建并训练的BP和RBF神经网络模型进行检验，并用这两种模型对变电站接地网普遍使用的Q235钢的腐蚀速率进行了预测。结果表明：两种模型预测的准确率均在95%以上；BP神经网络模型在结构和运算方面比RBF神经网络模型好，但需要设定的参数多、较繁琐，而RBF神经网络模型只需设定Spread值，较简单，且RBF神经网络模型在训练精度和泛化能力方面均优于BP神经网络模型。

Q235钢；接地网腐蚀率；RBF神经网络；BP神经网络；预测

在20世纪80年代，加拿大人DAWALIBI等[3-6]提出了采用电场和磁场的方法对接地网进行试验和计算，并得到了相关的验证和证明。20世纪90年代GREEV等[7-8]对接地网进行瞬态性能分析，并验证了其有效性。近年来国内关于接地网的腐蚀诊断和预测的研究很多。张秀丽等[9]使用小孔限流电化学传感器和小波滤波软件，用指针引线便可获得地网金属的腐蚀速率和腐蚀状态信息。这种设备极大方便了接地网腐蚀状态的实时测试，但其准确率还有待验证和提高。许磊等[10]建立了基于特勒根定理的接地网故障诊断方程,借助优化方法求解该诊断方程来判断接地网的腐蚀程度,找到故障所在位置。马文婧[11]应用电网络理论建立了接地网的腐蚀诊断方程，以此确定故障支路位置。

虽然国内关于变电站接地网腐蚀故障诊断的研究不少，但是针对海岛高盐雾、高湿等特殊自然环境中接地网腐蚀问题还未见系统报道。本工作分别用BP和RBF神经网络构建了两种腐蚀速率预测模型，并在高湿、高盐条件下分别对Q235钢的腐蚀速率预测方法进行了比较研究。

1 腐蚀影响因子

据GB/T 19285-2014标准[12]，土壤腐蚀性调查应包括土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等8个参数的测试。本工作选择土壤电阻率，氧化还原电位，含盐量、含水量、pH和Cl-含量总共6个影响因子作为网络模型输入量来构建新的腐蚀等级评价指标，如表1所示。

表1 单因素的土壤等级评价指标

根据实际测量的数据，按表2所示的金属腐蚀程度评价土壤腐蚀性[13]。

表2 按金属腐蚀程度评价土壤腐蚀性的指标

采用MATLAB中的unifrnd函数在表1所示单因素土壤等级指标之间随机均匀生成440个数，总共2 200个样本，用其中2 000个作为训练样本集，200个作为测试样本集。得到的数据和之前生成的数据相对应构成一个完整的输入和输出数据，将输入及输出数据归一至0.1～0.9[14]。变换方法为

(1)

式中:x*为归一化后的数据；x为初始数据；xmax，xmin分别为初始数据的最大值和最小值。

2 神经网络模型的构建比较

2.1 BP神经网络模型的构建

事实上，在一般随机序意义下，元件在部分负载条件下的寿命大于在满载条件下的寿命，即X*≥stX。假设元件C1在t∈[0,u)时，在部分负载条件下运行，在时刻t=u时，由于元件R的失效，C1转换到满载条件下运行，此时用w(u)表示元件C1从部分负载转换到满载条件下的年龄(相对于元件在部分负载条件下的寿命u)，称之为实际年龄，并满足以下条件：① w(0)=0；② 0≤w(u)≤u,u≥0；③ w(u)随u递增。记X⊕Y为由一个工作元件(寿命为X)和一个负载冗余元件(寿命为Y)构成的负载共享系统的寿命，根据Yun和Cha[6]所推导的，由工作元件C1和负载冗余元件R构成的负载共享系统的可靠性函数为：

BP神经网络模型的构建主要是确定网络层数、输入层数、输入节点数、隐含层数、隐含层神经元节点数、输出层数和输出节点数等几个因素[15]。针对海南变电站土壤的理化性质数据，构建的BP神经元结构模型如图1所示。构建的BP神经网络模型具体参数设定[16-20]如表3所示。

图1 BP神经元结构模型Fig. 1 Structural model of BP neurons

表3 BP神经网络模型参数设置

2.2 RBF神经网络模型的构建

刘俊萍等[21-24]先对2 000个训练样本进行训练，使之形成输入向量到输出向量的空间非线性映射关系，然后将建立好的RBF神经网络模型应用于接地网腐蚀速率的预测中。

本工作中RBF神经网络模型的Spread值大小是通过数值试探法确定的。Spread值等于20时，网络的平均相对误差最小，均方差在附近的取值中也并不算最大。所以，RBF神经网络模型的Spread值设为20最为合适。

2.3 比较

除了BP神经网络和RBF神经网络预测模型都需确定网络层数外，BP神经网络模型还需要确定各层之间的传递函数、隐层神经元个数、学习率等众多因素，而RBF神经网络模型只需确定Spread值即可。由此可见，RBF神经网络的建模过程比BP神经网络的建模过程要简单很多。

3 实例研究

根据上述参数用2 000个训练样本对神经网络模型进行训练，待其收敛后，为了检验其泛化能力还要用200个测试样本对网络模型进行测试，再选择35个样本进行预测，最后保存预测良好的网络模型用于应用和检验。

3.1 神经网络模型的训练与测试

3.1.1 BP网络模型

BP神经网络模型对测试样本的测试结果见图2，测试结果的相对误差见图3。由图2和图3可见，BP神经网络模型对测试样本的测试值与实际值曲线拟合良好，200个测试样本中只有几个样本出现偏差过大的情况，测试结果的均方差为0.003 26，平均相对误差为5.35%。

图2 BP神经网络模型测试值与实际值的比较Fig. 2 Comparison between test values of BP neural network model and actual values

图3 BP神经网络模型测试值的相对误差Fig. 3 Relative error of test values of BP neural network model

3.1.2 RBF神经网络模型

Spread值设定为20时，RBF神经网络模型对测试样本的测试结果见图4，测试结果的相对误差见图5。由图4和图5可见，RBF神经网络模型的测试值曲线与实际值曲线走势基本吻合，说明拟合结果良好，其相对误差集中在10%以内，只有少数样本的误差在30%左右，测试结果的均方差为0.003 57，平均相对误差为5.20%。

图5 RBF神经网络测试值的误差率Fig. 5 Relative error of test values of RBF neural network model

3.1.3 比较

相比两者的训练过程，BP神经网络模型耗时多，而且训练结果有一定的波动；而RBF神经网络模型训练和学习的收敛速率快，且输出的测试结果较稳定。BP神经网络模型训练样本的实际值与测试值之间的均方差为0.002 06，RBF网络模型的均方差为0.001 07，由此可见，在训练样本过程中这两种网络模型的测试结果精度相差不大。

3.2 神经网络模型的预测结果

本工作采用的数据是埋在变电站内试片的腐蚀数据。通过计算得到上述数据后，还需要用归一化方法进行数据的预处理，得到海南部分变电站内土壤腐蚀速率。

3.2.1 BP神经网络模型

BP神经网络模型对Q235钢接地网腐蚀率预测结果如图6所示，其相对误差见图7。由图6和图7可见，预测数据曲线和实际数据曲线基本重合，所有样本的预测值和实际值的平均相对误差为2.72%。图8为BP神经网络模型训练过程中误差变化曲线。有图8可见：当迭代进行至近800步时，网络收敛，误差保持不变；且在该迭代过程中，前10步迭代时，BP神经网络模型的均方差下降很快，然后缓慢下降。线性回归分析可知，BP神经网络模型对Q235钢接地网腐蚀速率预测值与实际值的相关系数为0.978 95，这说明该模型是成功的，可以为以后工程上的应用提供参考。

图6 BP神经网络模型对Q235钢接地网腐蚀速率预测值与实际值的比较Fig. 6 Comparison between values of corrosion rate of Q235 steel ground grid predicted by BP neural network model and actual values

图7 BP神经网络模型对Q235钢接地网腐蚀速率预测值的相对误差Fig. 7 Relative error of values of Q235 steel ground grid predicted by BP neural network model

图8 BP神经网络模型训练过程中的均方差曲线Fig. 8 Standard error curves of BP nerual network model in training process

3.2.2 RBF神经网络模型

RBF神经网络模型对Q235钢接地网腐蚀速率预测结果如图9所示，其相对误差见图10。由图9和图10可见：多数样本的预测值都很准确，与实际值非常接近，其平均相对误差为1.58%；有一两个样本点的相对误差较大，在12%左右。由于该算法本身会导致某几个样本点处出现局部最小值现象，但是可以用后期的实际数据进行训练来避免这种现象的发生。

图9 RBF神经网络模型对Q235钢接地网腐蚀速率预测值与实际值的比较Fig. 9 Comparison between values of corrosion rate of Q235 steel ground grid predicted by RBF neural network model and actual values

图10 RBF神经网络模型对Q235钢接地网腐蚀速率预测值的相对误差Fig. 10 Relative error of values of Q235 steel ground grid predicted by RBF neural network model

3.2.3 比较

对这两个模型的预测结果分析发现：BP神经网络模型的预测结果的均方差为0.232 9，平均绝对误差为0.268 2，平均相对误差为2.72%；RBF神经网络模型预测结果的均方差为0.084 9，平均绝对误差为0.156 2，平均相对误差为1.58%。两者的误差都很小，RBF神经网络模型的精度整体高于BP神经网络模型的，相对泛化能力更好一些。

4 结论

通过对海南省变电站现场的土壤采样及试验结果分析，利用MATLAB软件中unifrnd函数在土壤腐蚀等级评价指标区间随机生成2 200组样本，解决了网络鲁棒性问题。对比BP和RBF两种神经网络模型的预测结果发现：BP神经网络模型预测结果的均方差为0.232 9，平均绝对误差为0.268 2，平均相对误差为2.72%；RBF神经网络输出预测结果的均方差为0.084 9，平均绝对误差为0.156 2，平均相对误差为1.58%。两种神经网络模型预测的准确率均在95%以上，都能符合实际工作的需要，而RBF神经网络模型测量精度整体高于BP神经网络模型的；在建模过程中BP神经网络模型要设定的参数多，较繁琐，而且训练结果有一定的波动，而RBF神经网络模型只需设定Spread值，较简单，训练和学习的收敛速率快，且输出的预测结果较稳定；在同时满足精度需求的前提下,RBF神经网络模型在训练精度和泛化能力方面要优于BP神经网络模型的。

[1] 卢刚,耿风慧,丁锐,等. 变电站接地网的“阴极保护”防腐技术[J]. 供用电力,2001,18(5):34-36.

[2] 廖怀东,李建平,关健. 变电站接地网腐蚀机理及材料选择[J]. 电力建设，2005,26(8):35-36.

[3] DAWALIBI F P,SELBI A. Electromagnetic fields of energized conductors[J]. IEEE Transactions on Power Delivery,1993,8(3):1275-1284.

[4] DAWALIBI F P,XIONG W,MA J. Transient performance of substation structures and associated grounding systems[J]. IEEE Transactions on Industry Applications,1995,31(3):520-527.

[5] DAWALIBI F P. Electromagnetic fields generated by overhead and buried short conductors part 2-ground networks[J]. IEEE Transactions on Power Delivery,1986,10(1):112-119.

[6] XIONG W,DAWALIBI F P. Transient performance of substation grounding systems subjected to lightning and similar surge currents[J]. IEEE Transactions on Power Delivery,1994,9(3):1412-1417.

[7] GREEV L D,DAWALIBI F P. An eletromagnetic model for transients in grounding systems[J]. IEEE Transactions on Power Delivery,1990,5(4):1773-1781.

[8] GREEV L D. Computer analysis of transient voltages in large grounding systems[J]. IEEE Transactions on Power Delivery,1996,11(2):815-823.

[9] 张秀丽,骆平,莫逆,等. 接地网腐蚀状态电化学检测系统的开发与应用[J]. 中国电机工程学报,2008,28(19):152-156.

[10] 许磊,李琳. 基于电网络理论的变电站接地网腐蚀及断点诊断方法[J]. 电工技术学报,2012,27(10):270-276.

[11] 马文婧. 接地网腐蚀的诊断方法研究[D]. 吉林：东北电力大学,2013.

[12] 中华人民共和国国家质量监督检验检疫总局. 埋地钢质管道腐蚀防护工程检验：GB/T 19285-2014[S]. 北京：中国标准出版社.

[13] 电力工程地下金属构筑物防腐技术导则：DL/T 5394-2007[S]. 北京:中国电力标准出版社，2007.

[14] 姜绍飞. 人工神经网络用于建筑工程领域的数据处理方法[J]. 哈尔滨建筑大学学报,1999(5):24-32.

[15] 耿小庆,和金生,于宝琴. 几种改进BP算法及其在应用中的比较分析[J]. 计算机工程与应用,2007,43(33):243-245.

[16] 喻胜华,邓娟. 基于主成分分析和贝叶斯正则化BP神经网路的GDP预测[J]. 湖南大学学报,2011,25(6):42-45.

[17] 师洪涛,杨静玲,丁茂生,等. 基于小波-BP神经网络的短期风电功率预测方法[J]. 电力系统自动化,2011,35(16):44-48.

[18] 付英,曾敏,李兴源. 隐含层对人工神经元网络电压安全评估的影响[J]. 电力系统自动化,1996,20(11):13-16.

[19] 高大启. 有教师的线性基本函数前向三层神经网络结构研究[J]. 计算机学报,1998,21(1):80-86.

[20] 周红晓,蔡俊,任德官. 一种优化多层前馈神经网络中隐节点数的算法[J]. 浙江师范大学(自然科学),2002,25(3):268-271.

[21] 刘俊萍,畅明琦. RBF神经网络模型在山西省需水预测中的应用[J]. 人民黄河,2007,29(4):27-29.

[22] 孙大洪,王发展,刘强,等. 基于BP和RBF神经网络的滚动轴承故障诊断比较[J]. 轴承,2010(2):53-56.

[23] 傅荟璇,赵红. MATLAB神经网络应用设计[M]. 北京:机械工业出版社,2010:83-88.

[24] 聂仙娥,赵河明,杨超. 基于RBF-BP组合神经网络的地震预测研究[J]. 水电能源科学,2011,29(12):53-55.

Corrosion Rate Prediction of Q235 Steel in Hainan Substation Grounding Grid Based on Neural Network Models

HUA Guangru, LI Wenhao, GUO Yangyang

(School of Mechanical Engineering, North China Electric Power University, Baoding 071000, China)

Using MATLAB software, 2000 training samples and 200 test samples were randomly generated among soil corrosion grade evaluation indexes in order to enhance the robustness and accuracy of sample identification, find out proper structural parameters for BP and RBF network models with good performance and stability. The BP and RBF network models were tested using the data of soil erosion in the substation of Hainan province after building and training. The corrosion rate of Q235 steel widely used in substation grounding grid was predicted by these two models. The results show that the accuracy of these two models was more than 95%. BP neural network model is better than RBF neural network model in structure and operation, but it needs to set more parameters and is more cumbersome. On the contrary, the RBF neural network model is more simple and only needs to set the Spread value. Meanwhile, the training accuracy and generalization ability of RBF neural network model are better than those of BP neural network model.

Q235 steel; grounding grid corrosion rate; RBF neural network; BP neural network; forecast

2016-01-28

北京市自然科学基金(2132038)

花广如(1972-)，副教授，博士，从事电站设备安全与优化设计相关工作，13630864952，huagr2007@163.com

10.11973/fsyfh-201708001

TG172

A

1005-748X(2017)08-0573-05