基于改进神经网络与五防规范的操作序列的自动化生成_邓皓元.pdf

行业应用与交流Industrial Applications and Communications自动化技术与应用2023 年第 42 卷第 6 期Techniques ofAutomation&Applications基于改进神经网络与五防规范的操作序列的自动化生成*邓皓元,喻启俊,刘远超,梅春晓,肖婉清(网湖北省电力有限公司超高压公司，湖北 武汉 430050)摘要:为了高效、安全地制定相应的操作票，提出了一种基于改进人工神经网络的操作序列自动生成方法。利用改进粒子群(PSO)算法对广义径向基神经网络中相关参数进行寻优，并通过设定编码规则，规范输入输出的编码格式与含义，并据此将操作任务目标数字化后输入，利用五防规则对其生成的预结果进行保留或修改，使之最终生成对应的操作序列，从而辅助变电运行人员完成操作票的制定。最后利用湖北某变电站操作票序列做实例验证，实验表明利用该方法自动生成操作序列较传统的人工方法效率更高、更为安全、具有较强的智能性。关键词:改进粒子群优化;广义RBF神经网络;电气五防;自动生成中图分类号：TP183文献标识码:A文章编号:1003-7241(2023)06-0178-05Automatic Generation of Operation Sequence Based on ImprovedNeural Network and Five Prevention SpecificationsDENG Hao-yuan,YU Qi-jun,LIU Yuan-chao,MEI Chun-xiao,XIAO Wan-qing(State Grid Hubei Ultra High Voltage Company,Wuhan 430050 China)Abstract:In order to formulate corresponding operation tickets efficiently and safely,this paper proposes an automatic generation methodof operation sequence based on improved artificial neural network.It uses the improved particle swarm algorithm to optimize therelevant parameters in the radial basis function neural network,and sets the coding rules to standardize the coding format andmeaning of the input and output.According to this,the operation task target is digitized and input,and the five defense rules areused to the pre-results generated are retained or modified,so that the corresponding operation sequence is finally generated,so asto assist the substation operator to complete the formulation of the operation ticket.Finally,the operation ticket sequence of a cer-tain substation in Hubei is used for example verification.The experiment shows that using this method to automatically generatethe operation sequence is more efficient,safer and more intelligent than the traditional manual method.Keywords:Improve Particle Swarm Optimization;generalized RBF Neural Network;five preventing electric mal-operation;automatic generation*基金项目：国家电网公司科技项目(52152020003M)收稿日期:2021-07-15DOI:10.20033/j.1003-7241.（2023）06-0178-05.1引言为保证电网安全、有效地运转，操作票是电力系统中最常用的预防措施，通过编写正确的操作顺序来有效避免误操作的出现。操作票的内容包含了任务内容与执行人员信息，主要包括：编号、操作任务、操作顺序、操作时间、发令人、受令人、操作人、监护人等内容1。传统生成操作票的方式是由运行人员手工编写，这种方式依赖于运行人员的经验，同时传统的编写方式容易出现错误开票，导致误动作，造成故障甚至事故。目前，在智能电网建设的要求下，传统的开票方式不再适用，而采用更为智能的开票方式可以大大降低人工成本，提高调控效率，保证电网运行的安全性2。目前，通过智能手段解决操作票生成问题的研究主要集中在通过结构推理3-7、神经网络8-9等方法的设计上，可以统归为专家系统与人工神经网络两类。文献3基于拓扑连接等数据关系，利用间隔树设定优先级，提出设备-端-单元状态约束，通过建立多元素任务模板，快速操作票任务；文献4通过划分间隔，设计智能推理树的方法，以间隔为节点，依据相关规定按节点的逻辑操作顺序，智能推理出调度命令与操作令；文献7利用图形建模技术、拓扑连接技术等，研究了倒闸操作票信息化及自动化智能生成，设计了多模块的操作票自动生成系统，解决了操作票编写效率低的问题；文献8应用多Agent理论，以利用 RBF(Radial Basis Function，径向基函数)神经网络自动生成操作序列为核心设计MAS(Multi-Agentsystem)，建立具有分布式结构的操作票自动生产系统，实现了操作票的自动生成；文献9采用Q学习算法设计动作的选择策略与奖惩机制，实现了无规则库即可实现操作票自动生成；文献10利用矢量图形构造法的原理实现178自动化技术与应用2023 年第 42 卷第 6 期行业应用与交流Industrial Applications and CommunicationsTechniques ofAutomation&Applications电网的图形化建模，采用基于最小路径算法将主回路的最邻近一次设备添加操作票数组的方法实现操作票的自动化生成。变电站自身由于设备众多、结构复杂，在利用专家系统进行推理时会出现时间长、出现“死解”的情况。采用人工神经网络可以有效避免这种问题，并且能够迅速给出操作序列，省时省力，高效安全。2RBF神经网络径向基(Radial Basis Function，RBF)神经网络在20世纪80年代由J.Moody和C.Darken提出11，其结构中包含了三层前馈神经网络，即输入、隐含及输出层，如图1所示。图1RBF网络结构在结构上与传统BP网络类似，但RBF神经网络在隐含层节点的激活函数上采用了径向基函数，是一种描述了空间任意点到所设中心点距离的单调函数，所以是一种中心对称函数。径向基函数的取值仅仅依赖于点与原点的距离，因此在神经网络中，距离中心点越远的神经元，其活性越低，设RBF网络输入节点数为l，隐含层节点数为m，输出节点数为n，则函数的计算如式(1)。(1)式中：cj为第j个隐含层对应的中心向量。RBF网络的激活函数一般采用高斯径向基函数，如式(2)所示。(2)式中：cj为中心点，j为扩展常数，扩展常数也决定了函数的下降速率，当j越小时，则离中心点越远的神经元活性下降得越快。类似于BP网络的输出形式，RBF函数的输出表现为式(3)。(3)式中：kj为第k个输出层神经元与第j个隐含层神经元间的权值。结构简单、收敛快、可以逼近任意非线性函数，这些特性使得RBF网络虽然在结构上与传统BP网络类似，却拥有自身独特的优势。同时，径向基函数的输出为线性，结合距离这一概念，可以很好地找到操作序列与操作任务的映射关系，将操作序列的前后顺序反映出来，对其进行精准排列。3改进广义RBF神经网络3.1RBF存在的缺陷在对RBF神经网络进行结构设计时，其隐含层神经元个数一般会与输入样本保持一致，并将每一个样本点设置为中心点，构成正则化RBF神经网络。因为这一特性，实现了对样本集的完全内插，对样本的误差达到了最小，所以在对样本误差与样本曲线平滑性的逼近上可以找到一个最佳的解。然而，正则RBF神经网络存在着缺陷，即当样本数非常大的时候，网络的计算量也随之变得十分庞大，同时巨大的样本量也可能带来病态方程组，因此需要优化样本与隐含神经元对应的问题。那么，当隐含层神经元与输入样本不再一一对应时，神经元中心的确定是需要解决的首要问题。另外在一般情况下，扩展常数是经人为确定的，存在着较大的主观偏差，也需改进12。3.2基于改进广义RBF神经网络对于3.1中的问题，可以通过优化广义RBF神经网络加以解决。广义RBF神经网络较于正则化神经网络，其隐含层的神经元数量m小于输入样本量l，可以很好地解决出现病态方程组的问题。如3.1所述，广义RBF神经网络同样需要确定基函数的中心以及扩展常数，本文采用改进粒子群算法(Particle swarm optimization，PSO)对其进行寻优确定。3.2.1改进粒子群算法粒子群算法是一种仿生进化思想算法，仿照鸟群觅食的行为，通过群体内粒子个体间的信息共享与反馈在域内寻找最优解。算法中具有两种描述属性。每个粒子在寻优过程中具有个体最优解，并且将其分享给全部个体，每一个粒子将自身最优解与其他粒子最优解进行比对后，确定其中一个为全局最优解，其他粒子根据与全局最优粒子的位置关系重新调整自身的位置与速度。在每一次迭代中，粒子通过比对个体最优与全局最优来调整自身属性：(4)179行业应用与交流Industrial Applications and Communications自动化技术与应用2023 年第 42 卷第 6 期Techniques ofAutomation&Applications(5)式中：vi为粒子的速度，xi为粒子当前的位置，c1、c2分别为粒子局部寻优学习因子与全局寻优学习因子，一般情况下设为2。为惯性系数，一般取值范围为0.1,0.9，其值用于调整PSO在全局与局部寻优的能力，较大时，全局寻优能力强，局部寻优能力弱，反之同理。一般情况下，为人为定值，其搜索能力被固化，为了使函数前期有较强的的全局搜索能力，而随着迭代次数增多，逐渐迫近最优解，则希望其局部搜索能力增强，遂采用式(6)改进，将适应度函数值作为的调整依据参数，根据上一轮的训练情况对搜索能力做出调整：(6)式中：与为的值域调整参数，为将限制在0.1,0.9值域内，确定与值如下：(7)(8)式中：f()为适应度函数值。经过联系惯性系数与适应度的关系，使其能够根据训练情况自动调整搜索能力，效率更高，更有利于对RBF网络参数的快速、精准寻优。3.2.2基于改进RBF神经网络网络训练本文采用改进后的RBF神经网络对操作票序列进行训练，训练流程如图2所示。图2改进RBF神经网络训练流程具体过程如下：(1)输入数据。通过设定操作任务的量化规则，将操作任务以0-1的方式体现，因此并不需要再经过其他方法处理输入数据；(2)搭建RBF神经网络。RBF的神经网络主要包含输入层、隐藏层、输出层(如图1)，而在操作票的自动生成中，其输入输出层神经元数已被固定，需要根据其具体的数量设定隐藏层的神经元数目；(3)参数寻优。将RBF网络中隐藏层神经元中心点与扩展常数作为PSO算法中粒子的位置信息，