基于专家系统的配电网设备运行方式优化研究

王 鹏,郑 昊,李思焱

(国网芜湖供电公司,安徽 芜湖 233000)

近年来,随着国家经济不断发展,电网运行规模不断扩大,配电网运行设备的的种类不断增加,管理也趋于复杂化,电网运维作业带来了挑战[1]。配电网设备是否能够正常稳定运行对整个电网的安全起着至关重要的作用,然而,当前配电网设备运行寿命的诊断通常依赖工作人员的检修维护和经验判断,缺乏先进技术手段和理论指导,难以满足配电网设备运行经济性方面的需求,因此,提高管理创新和加大技术创新,运用数字化、信息化、智能化的手段,保证配电网运行安全可靠[2-4]。

电网运行过程主要广泛应用专家系统、BP神经网络系统、遗传算法、模糊理论技术等。专家系统是人工智能技术中的一个重要研究领域,根据一个或多个领域电网运行方面专家提供的专业知识内容和工作经验进行推理判断,模拟电网运行专家解决问题的思维方法和解决过程,来求解电网运行过程中遇到的各种问题[5-6]。

文章结合人工智能技术,研究LSTM算法及专家系统基础理论,应用到配电网设备运行管理中,利用信息化手段,构建了配电网设备剩余使用寿命诊断架构,提出了基于专家系统的配电网设备剩余使用寿命预测模型,主要功能包括剩余使用寿命预测、逻辑推理、智能诊断等。对专家系统的知识库及其管理系统、知识获取机构、综合数据库及其管理系统、推理机等进行了功能介绍,能够实现分工明确。以电力变压器为例,建立电力变压器剩余寿命预测专家系统,系统运行稳定可靠,剩余寿命预测误差在2%以内,能够有效对电力变压器剩余使用寿命的预测,为实现配电网设备寿命周期管理提供指导,增加配电网运行的智能化,提高运维人员作业效率。

1 专家系统

专家系统是人工智能技术中的一个研究领域,即计算机智能程序系统,主要由知识库及其管理系统、知识获取机构、综合数据库及其管理系统、推理机、人机接口、解释器等组成[7-8],见图1。

图1 专家系统组成结构图Fig.1 Structure diagram of expert system

知识库及其管理系统。是用来存储一个或多个领域专家提供的知识内容和工作经验,并对此信息进行管理。专家系统工作时,知识库中存放的知识内容和工作经验等信息通过推理机调用、处理,经过推理产生的新知识等信息又会重新存储到知识库中。

推理机。实际上就是计算机中的一组智能程序,运用设定的推理方法和搜索策略,从知识库及其管理系统中筛选出有用的知识,对使用者提出的问题筛选出合理的答案。

解释器。与人机接口相互连接的部件,主要功能是对专家系统的推理过程进行跟踪和记录,使用者能够了解专家系统推理的过程。

知识获取机构。主要任务就是实现知识内容和工作经验到数据库的转移,这些知识内容和工作经验需通过形式化处理并以编码方式存入到数据库中。

人机界面。主要作用是能够达到专家系统和使用者之间的双向技术交流。专家系统在启动和工作过程中需要向使用者进行提问,其目的是进一步明确使用者的需求。

2 基于专家系统与LSTM算法的诊断架构

2.1 LSTM算法

长短期记忆(LSTM)算法是一种以时序分析的学习神经网络,能够模拟人类的思维方式和记忆功能,实现对时序内有用信息的长时间记忆[9-10],LSTM单元结构见图2。

图2 LSTM单元结构图Fig.2 Structure diagram of LSTM unit

标准LSTM单元结构对计算如下:

(1)

(2)

(3)

(4)

(5)

(6)

式中:a为LSTM 算法的输入;b为LSTM 算法单元结构各个门的输出;h为LSTM 算法的输出;wl和wh分别为输入权阵和循环矩阵;wc为记忆单元与门的连接矩阵;σ为sigmoid函数。

2.2 基于专家系统与LSTM算法的诊断架构

基于专家系统的配电网设备剩余使用寿命诊断架构是利用各种类型的诊断知识,通过对在线监测到的数据库中信息进行筛选、分析、处理,对配电网设备使用寿命进行功能判断和计算推理,可以计算出配电网设备剩余使用寿命。一旦设备即将出现寿命到期,专家系统可以通过功能判断找出寿命即将到期的设备,给出推理过程和处理结构。基于LSTM算法的专家系统架构见图3。

图3 基于LSTM算法的专家系统架构图Fig.3 Architecture diagram of expert system based on LSTM algorithm

基于LSTM算法的专家系统能够实现配电网运行设备剩余使用寿命的预测,可以辅助配电网运行设备的有效管理,保障电网的安全稳定运行。以配电网运行设备中电力变压器为例,建立电力变压器使用寿命预测专家系统,主要通过电力变压器的油色谱指标A、油化指标B、电气指标C进行分析计算预测出设备剩余使用寿命。电力变压器剩余使用寿命预测架构见图4。

图4 电力变压器剩余使用寿命预测架构图Fig.4 Framework diagram for predicting the remaining service life of power transformers

电力变压器剩余使用寿命预测专家系统是由各功能子模块分别独立地完成各部分工作,数据采集模块是把电力变压器运行状态各指标数据通过LSTM模型换算后,采集到专家系统的数据库中,以便专家系统对电力变压器运行状态进行诊断。

系统知识库用于存储各位专家关于电力变压器的理论知识和实践经验,包括设备故障信息、控制知识、故障处理经验、各指标数据等,多种知识的综合便于专家系统的诊断,可以提高知识本身的有效性,而且还可以提高预测的准确性。

推理机是控制整个电力变压器使用寿命预测专家系统最核心部分,推理机利用指标数据结果进行推理、综合做出诊断决策。推理机诊断流程见图5。

图5 推理机诊断流程图Fig.5 Flow chart of inference engine diagnosis

推理机诊断程序是由OnOK()函数触发,推理机诊断程序代码:

Begin

调用通过LSTM模型换算后电力变压器运行状态各指标数据;

if(获取电力变压器运行状态各指标数据成功)

{确定指标数据;}

else

重新调取电力变压器运行状态各指标数据;

end if;

调用知识库中对指标数据诊断规则;

找出规则前件与后件;

if(人机交互数据)

{人机交互信息;}

else

指标数据分析与规则前提作比较;

end if;

if(设备状态)

{显示诊断结果,设备剩余寿命;}

else

诊断无结果;

End

解释器能回答电力变压器使用寿命预测专家系统通过推理机所做推理及专家系统预测的设备剩余寿命结果等内容,并将预测结果通过人机交互界面,显示并提示出来。

3 实验分析

为验证电力变压器使用寿命预测专家系统的准确性和有效性,选取1 000组电力变压器运行状态各指标数据,将数据分为10组,每组数据中都包含图4中所提到的13项指标,各指标数据值见表1。

表1 各指标数据值Tab.1 Data values of each indicator

将10组指标数据作为输入,通过LSTM算法,得到配电网运行设备剩余使用寿命的预测模型。选取5组数据对预测模型的准确率进行验证,预测结果见表2。由表2预测结果看到:配电网运行设备剩余使用寿命预测专家系统预测结果的误差在2%以内,能够有效对电力变压器剩余使用寿命的预测,更好的为实现配电网设备寿命周期管理提供指导。

表2 预测结果Tab.2 Forecast results

为进一步验证预测系统的准确性,分组选取电力变压器的油色谱指标A、油化指标B、电气指标C的指标数据,即选取油色谱指标A的指标数据为1组,选取油色谱指标A、油化指标B的指标数据为2组,选取三个指标的数据为3组,预测结果见表3。由表3预测结果可以得到:配电网运行设备剩余使用寿命预测专家系统预测结果会受到指标数据的影响,为保证预测结果的准确性,对电力变压器各指标数据的获取精准性提出更高的要求。

表3 不同指标数据的预测结果Tab.3 Prediction results of different indicator data

4 结论

文章结合人工智能技术,研究LSTM算法及专家系统基础理论,应用到配电网设备运行管理中,利用信息化手段,构建了配电网设备剩余使用寿命诊断架构,提出了基于专家系统的配电网设备剩余使用寿命预测模型。以电力变压器为例,建立电力变压器剩余寿命预测专家系统,预测结果表明:系统运行稳定可靠,剩余寿命预测误差在2%以内,能够有效对电力变压器剩余使用寿命的预测,为实现配电网设备寿命周期管理提供指导,对配电网设备的安全运行与管理具有重要现实意义。