基于神经网络的变电顺序控制及防误技术优化

范 琪，章健军，瞿 旭，刘卫东，任 伟

（1.国网湖南超高压变电公司，湖南 长沙 410004；2.变电智能运检国网湖南省电力有限公司实验室，湖南 长沙41004）

全面管理电网的倒闸操作顺序和防误，对于确保电网的安全运行具有重要的应用意义；该管理工作是以操作票制度为基础完成[1]。当下，操作票大部分都是先通过PMS系统完成开票、流转以及审批等操作后，依据防误系统的模拟预演生成操作序列，在此基础上执行倒闸操作[2]。在运行过程中主要依据人工操作，由于没有防误校核步骤，容易发生操作票错误情况[3]；且模拟预演也容易对倒闸操作的效率造成明显影响。除此之外，一次设备和二次设备的一体化智能防误效果较差[4]。神经网络可并行化处理大规模数据信息，运算效率较高，具备良好的容错能力，在信号处理、模式识别以及差错控制等领域中均具有良好的应用效果。为实现操作票的防误校正，朱玛等人进行相关研究后，提出基于拓扑分析防误操作方法[5]；范卫东等人则通过研究后，提出基于信号仿真的相关校核方法[6]。上述方法对于倒闸操作的防误处理均具有一定效果，但是其在一体化校验方面的效果仍须进一步验证。因此，本文提出基于神经网络的变电站顺序控制及防误校验方法，该方法在操作票审核的基础上，增加防误校正方法，以此保证变电顺控一体化防误操作。

1 变电顺序控制及防误技术优化

1.1 变电顺序控制结构

变电顺序控制是变电站顺序控制的简称，是变电站控制方式中的一种，主要是基于程序化的智能控制为主，该种控制方式能够有效处理繁琐的操作任务[7]，实现操作票的改变，使其形成任务票，简化操作步骤，极大程度避免发生误操作现象。因此，变电顺序控制也称为一体化智能控制，该类控制方式可实现一体化智能操作票的应用，全面关联申请检修票、调度指令票、智能成票至安全防误、遥控操作等整个过程[8]，保证省、地贯通，横向融合。

结合当下变电顺序控制面临的问题，本文为实现变电顺序控制及防误优化，结合神经网络提出变电顺序控制及防误优化技术，如图1所示。

图1 变电顺序控制及防误优化技术框架

该技术须具备3 个方面的功能，一是智能化拟票，该功能是采用推理方式实现的，以保护设备和关联设备的动作状态和运行状态完成，在推理过程中引入智能防误校验[9]，保证推理结果的可靠性，以此实现操作票的精准生成。二是校核层次化，主要作用完成设备操作顺序的校核，该校核对象为一次和二次两种类型的设备，校核内容包含操作闭锁逻辑、潮流安全情况等；同时完成检修票和操作票的状态校核等[10]，实现一体化顺序控制；三是一体化智能防误优化，在执行过程中须严格遵守调度倒闸标准流程（SOP），采用一体化智能防误优化模型完成操作票审核、倒闸执行审核以及调度流转等；完成跨区监管，保证一体化调度监管效果。

1.2 一体化智能防误优化

1.2.1 优化模型结构

一体化智能防误是变电顺序控制及防误技术优化方法框架中的重要步骤，其以稳态监控模型为基础[11]，对其实行扩展后，实现防误优化。为保证防误效果文中将变电站微机五防系统实行互联，以此构建完整、统一的防误数据模型，保证一体化智能防误优化效果。本文采用的一体化智能防误优化模型结构如图2所示。

图2 一体化智能防误优化模型结构

该模型是以D5000 平台为基础，结合平台自身的功能实现，模型整体划分为两个主要模块，一是实现操作票审核模块：主要由操作票识别、审核规则库建立以及审核算法引擎3个步骤完成。

操作票识别：接收PMS操作票后，通过语义解析，将文本操作票转化为防误系统中的操作序列，与实际设备操作进行关联；完成操作票分词处理。

审核规则库：根据一二次设备关联关系建立，除常规的一次设备防误操作逻辑外，还包括二次设备操作逻辑；依据语义规则，获取设备对应关联识别结果。

审核算法引擎：根据审核规则库，对完整操作票进行审核，并输出审核结果。当操作票审核通过后，防误系统向PMS系统发送审核成功信息[12]，PMS 系统可按照流程打印操作票；若操作票未通过审核，则不打印PMS操作票，也不向电脑钥匙中传输操作票。

二是倒闸操作执行审核模块：建立倒闸操作执行审核模块，对倒闸操作过程进行实时监视和审核。当发生设备变位时，审核模块采用改进的神经网络，判别该设备操作是否符合操作规则，如违反规则，则在防误系统后台软件进行告警[13]，当现场有相应装置时（如压板采集装置），也可发出声光报警。

一体化智能防误采用操作票审核以及倒闸操作执行审核两个步骤的审核完成整个防误优化，极大程度降低无调度和误操作风险。

1.2.2 操作票识别

操作票审核模块中操作票识别的主要目的是获取操作票防误操作序列，本文将语义分析方法与隐马尔科夫模型进行结合，实行文本操作票文本转换[14]；该方法通过中文分词的方式对操作票的内容进行识别，即使没有录入词表中的词也能获取准确的分词结果。

任意操作票中含有字数为n的中文句子，其分词操作公式为：

式中：(b1,…,bt,…,bn)和(a1,…,at,…,an)均为变量，前者对应状态，后者对应观测。P(a1,b1,…,an,bn)为联合概率，对应整个句子的字数长度，即为序列；bk表示词位，对应第k个；ba为操作系数。在此基础上确定词位特征。

完成词位特征确定后，通过隐马尔科夫模型实现中文分词并完成词性标注；在该过程中，观测值和观察序列，分别对应单字和单句文本；且词位和状态两种序列为对应状态；操作票语句“启动5 号主变中性隔离装置”为例，对其实行中分词后可得出{启动、5号、母线、中性、隔离装置}，且用{动词，名词，名词，名词，名词}描述状态序列。则用式（2）描述模型状态空间：式中：v,n,ns,p,d,w依次分别为动词、名词、地名、介词、副词和标点。获取观测空间为{ }

包含所有词语构成的没有重复的集合。

操作票识别的整个步骤为：将操作票指令输入语义分析中文分词模型中，获取分词结果，并将其输入基于隐马尔科夫模型中，完成词性标注，获取标注结果；在此基础上，基于语法规则获取操作票的动作、对象、状态等信息，识别操作票的内容。

1.2.3 基于改进神经网络倒闸操作防误校正

倒闸操作执行操作审核模块为实现操作票防误操作校正，结合神经网络（CNN）和双向门控循环单元神经网络（bidirectional gating recurrent unit，BiGRU），形成基于CNN-BiGRU的倒闸操作执行操作防误校正模型，对操作票的执行实行二次审核，实现倒闸操作防误校正，即完成防误优化。

将上述小节分成分词处理后，依据分词结果确定操作票的局部文本，并将该文本结果输入CNNBiGRU模型中。模型对权重值实行迭代训练[15]；并计算低维稠密词向量，且该向量能够描述操作票内容文本语义关联程度。设M×N表示向量矩阵，其属于长度和维度分别为M和N的单句操作票文本。

随机选择两段操作票样本的分词向量用i和j表示，两者的关联程度用βij表示，其计算公式为：

式中：Lmax为分词向量i和j之间的最大的几何距离；i的三维坐标分别用xi、yi、zi表示；j的三维坐标分别用xj、yj、zj表示。

施工材料的选择会对大坝施工的质量产生直接的影响，因此碾压混凝土技术在大坝施工中的首要环节就是要做好施工材料的选择工作。在碾压混凝土技术应用施工材料选择方面，要特别注意水泥、混合料和外加剂的选择。其中水泥质量是决定碾压混凝土品质的关键，因此必须要选择正规厂家购买水泥，在施工开始之后，不能随意的更换水泥供应商，避免出现水泥质量问题影响混凝土强度，影响工程质量。而混合料则主要是指石灰石、粉煤灰等材料，这些材料的加入能够有效提高混凝土的强度，对工程质量也会产生直接影响。

CNN-BiGRU 模型中，通过卷积层完成分词向量的卷积操作，对其添加偏置b，并对其实行激活。分别用p×q以及ak描述单个卷积核大小以及各待操作的词向量，式（4）描述的是该模型的卷积输出：

式中：wk为权重值；e-k为核函数运算参数。

在进行倒闸操作防误校正时，为保证校正效果，模型中的重置门rt主要用于实现本神经元输出的隐藏状态h't对一个神经元传递隐藏状态ht-1的依赖程度；zt表示更新门，其可实现神经元长度和输入两者的隐藏状态信息量和输入数据的接受比例，神经元的计算公式为：

式中：σ为函数；at为输入数据；Wr、Wz、Wh均为权值，对应输入数据；bt、bz、bn均为偏置；Ur和Uz均为权值，对应数据传递；Uh为两个隐含数据相乘结果对应的权值。

卷积操作后，池化层通过k最大池化方法对输入的向量特征实行提取，获取特征值，该操作能够固定输出向量维度，获取其中最大值，将其定义为能力最佳向量值。如果a=(a1,a2,…,an)表示输入数据，则输出结果为：

其中：ai∈{a1,a2,…,an} ，i∈{1 ,2,…,k} ，a1≥a2≥…≥ak≥ak+1≥…≥an。

池化层输出特征值结果后，全连接层对其实行赋权、偏置添加、非线性激活操作，该层输出向量判定结果，分别对和错两个类别的概率，将概率值最大的向量结果定义为输入的样本最终判定结果，即完成倒闸操作执行操作审核判断，分析执行结果对或者错，完成防误优化。

2 测试分析

为分析本文研究的变电顺序控制和防误技术的相关应用情况，将其用于某电力企业中。选取该企业中3个变电站各300个操作票正确样本作为实例测试对象，再选择3个变电站各100个错误样本，共计1200个操作票样本用于测试。将其按照7:3:2的比例进行划分，获取训练集、验证集和测试集，三者分别用于模型训练、防拟合测试以及防误优化效果测试。该企业对于防误需求为：能够实现对二次设备状态的监视与管理，包括二次设备状态的图形化显示、状态巡检等；并且实现一次、二次操作协同配合、多重判别。

测试过程中，模型的构建采用Python 语言编程完成，模型的最大迭代次数为100 次，卷积核尺寸40，其数量260个，学习速率0.001，神经元数量80个，词向量维度64，能够完成的批处理大小40。

采用本文技术时，须先提取操作票内容，内容的提取性能直接影响最后的防误优化可靠程度。因此，为衡量本文技术对于操作票内容提取的应用性能，获取本文方法对正确和错误两种操作票内容提取的完整程度，结果如图3 所示。其最高取值为1，越接近该值，表示完整程度越佳。

图3 操作票提取内容的完整程度

对图3测试结果分析可知：在不同序列程度下，采用本文技术对两种操作票内容提取后，在不同的序列长度下，提取得出的内容完整度均在0.90以上，极大程度接近1。因此，本文技术对操作票内容的提取性能良好，可保证较为完整的提取效果。

为测试本文技术对于操作票内容的提取效果，随意抽取一张操作票，采用本文方法对其实行内容提取，获取最后的内容提取结果，如表1所示。

对表1 测试结果分析可知：本文技术对操作票内容提取后，可有效完成操作票内容的分词处理，同时获取词性标注结果，依据语义规则得出提取的操作内容，并且获取提取结果与实际内容完全一致。因此，本文技术的操作票内容提取效果良好，能够精准获取操作票中的内容。

表1 操作票内容的提取结果

为衡量本文技术对操作票实行防误优化时的应用效果，对变电站在空载合闸和故障两种运行工况下的动作情况实行控制，随机获取3 个倒闸装置的动作结果，如表2所示。

对表2 测试结果分析后可知：变电站在两种运行工况下，随着谐波含量的逐渐增加，3 个倒闸装置均正确动作，未发生拒动和误动现象。是由于本文技术在防误优化时，实现操作票审核和倒闸操作执行审核的双审核方式，该方式在操作票审核的基础上，对倒闸操作的执行实行二次审核，保证倒闸装置的动作正确程度，避免发生误动和拒动情况。

表2 倒闸的动作测试结果

为直观体现本文技术的应用性，获取本文技术应用后，变电站的一体化智能防误时，对断路器的保护动作结果，如图4所示。

图4 变电站的一体化智能防误显示结果

对图4 测试结果实行分析后可知：本文技术应用后，能够完成一次设备和二次设备的断路器保护动作情况，同时对于各个断路器的保护动作状态进行呈现和提示，及时掌握断路器的动作和运行状态。由于本文技术具备一体化智能操作票功能，能够实现校核层次化，对一次和二次两种设备的操作顺序实行校核，实现智能防误。

为更进一步分析本文技术的应用性，获取本文技术应用后，线路、主变压器以及母联间隔的断路器保护情况实行测试，获取本文技术应用结果，如图5和图6所示。

图5 防误判断结果

图6 异常巡检结果

对图5和图6测试结果分析可知：本文技术应用后，全面获取变电站的线路、主变压器以及母联间隔的断路器保护情况，可判断断路器的保护动作，分析其动作结果是否可靠和正确；发现异常的保护情况以及动作结果，可实现异常提醒；可呈现异常动作的详情，包括异常设备名称、预警时间预警的详细内容等；电力企业可依据这些异常信息制定解决措施，保证变电站的安全、稳定运行。

3 结束语

保证变电站防误操作的可靠性，能够极大程度提升电网的运行安全，为避免防误过程中发生断路器误动或者拒动现象，本文研究基于神经网络的变电站顺序控制及防误优化技术。该技术通过操作票和倒闸操作执行的双重审核，完成防误校正，实现优化。并对该技术的应用情况测试后，得出本文所研究的防误优化技术应用性能良好，可完整提取操作票内容，保证断路器在变电站不同的运行工况下正确动作，避免发生误动和拒动现象。该方法应用性良好，可实现变电站一体化智能防误。