CN108288123A - 基于bp神经网络的配电开关设备可靠性评估方法 - Google Patents

Abstract

本发明公开一种基于BP神经网络的设备可靠性评估方法，包括：步骤1，以设备故障率为可靠性评估的指标，把设备运行单位时间段内的环境因素、历史单位时间段内的故障率作为自变量，下一单位时间段内的故障率作为因变量；步骤2，将数据归一化，并选取若干组数据作为样本；步骤3，初始化BP神经网络；步骤4，将归一化后的样本输入BP神经网络，计算隐含层、输出层的输出值；步骤5，计算输出层与实际值的误差，直到输出层的输出误差小于给定的学习精度，结束迭代；步骤6，根据建立好的模型，输入下一单位时间段内的环境因素以及历史单位时间段内的故障率，对下一单位时间段内的设备故障率进行预测，根据预测结果安排设备的运维检修。

Description

基于BP神经网络的配电开关设备可靠性评估方法

技术领域

本发明涉及设备可靠性评估领域，具体涉及到一种基于BP神经网络的配电开关设备可靠性评估方法。

背景技术

电力系统是由发、输、配电等部分构成，配电系统是电力系统中与用户最密切、决定供电质量的重要组成部分。配电网是处于电力系统的末端，上承输电网络、下接电力用户，将输变电系统与电力用户连接起来，向用户分配电能与提供电能的重要环节，通常包括配电变电站、配电线路、配电变压器、继电保护设备、配网开关类设备等。配电设备数量大、分布面广，对用户供电可靠性的影响大。据不完全统计，用户停电故障中，80％以上是由电力系统中的配电环节的故障引起的。且配电网开关类设备是配电系统中使用量较大、范围较广的关键设备之一，准确掌握配电开关类设备故障类型及分析其产生原因，才能在此基础上提出提高开关设备运行可靠性的方法，进而提高配电网的供电可靠性。

目前针对配电开关可靠性评估的方法，常见的做法是通过对配电开关的故障率进行预测，传统的电力设备故障率通常只取决于一个单一的变量——设备运行的年龄或者设备的状态。基于设备运行年龄的故障率模型(Age-based Failure,ABF)更为常见，但基于设备运行年龄的模型通常服从大量的样本统计分布，只考虑设备自投入使用以来长期积累的故障。然而，配电网中新的智能设备缺乏足够的故障统计数据。另外，旧设备的故障记录也很难收集，尤其是在早期阶段。

相对而言，基于设备状态的故障率模型(Condition-based Failure,CBF)可以通过实时评价健康指数(Health Index，HI)来反映设备的健康状况。电力设备最常用的CBF模型是具有一定系数的指数函数。一些研究人员提出了反演方法，要求所有HI统计量都在同一时间点。然而，它只考虑设备的内部因素，完全忽略了ABF模型的优点。例如，有时设备在不同的年龄可以得到相同的HI，而它们的故障率实际上是不同的。

由于目前的方法存在仅考虑单一变量或仅考虑设备内部因素等问题，难以充分利用历史数据挖掘各种因素与开关设备故障率之间的关联，难以实现对故障率进行准确预测。沿海地区配网中诸多开关设备长期工作在高温、高压、潮湿的恶劣环境下，极易发生各种各样的故障，造成严重事故，破坏系统的安全稳定能力，且现有方法难以对设备外部因素及多种变量进行全面考虑。因此，对配电开关设备的故障进行统计分析、对主要故障类型开展基础性研究，并基于这些基础性研究开展考虑环境因素在内的多种因素关联下的配电开关设备可靠性评估，进而改进配网开关设备可靠性，具有重要的理论意义及现实意义。

发明内容

本发明的主要目的是，提供一种设备可靠性评估的方法，可以应用于对配电开关设备可靠性评估，基于设备运行的环境因素及历史故障率来对设备的故障率进行预测，以利于下一步安排设备的运维检修，提高设备运行的可靠性。

为了实现上述目的，其技术解决方案为：

一种基于BP神经网络的设备可靠性评估方法，包括：

步骤1，以配电开关故障率为可靠性评估的指标，把开关运行单位时间段内的环境因素、历史单位时间段内的故障率作为自变量，下一单位时间段内的故障率作为因变量；

步骤2，将步骤1中所述的单位时间段内的环境因素、历史单位时间段内的故障率以及下一单位时间段内的故障率数据进行归一化，将其归到区间[0,1]；选取若干组数据作为样本，并将一部分样本数据作为训练集、另一部分数据作为测试集；

步骤3，对BP神经网络进行初始化；

步骤4，将归一化后的样本输入BP神经网络，计算隐含层、输出层的输出值；

步骤5，根据步骤4得到的各层输出值计算输出层与实际值的误差；

步骤6，根据步骤5得到的误差，比较其与给定学习精度的大小，当误差大于给定的精度，则修正权值和阈值，再计算各层的输入和输出直到输出层的输出误差小于给定的学习精度，结束迭代，模型建立完成；

步骤7，根据步骤6建立好的模型，输入下一单位时间段内的环境因素以及历史单位时间段内的故障率，对下一单位时间段内的设备故障率进行预测，根据预测结果合理安排设备的运维检修。

在上述的基于BP神经网络的设备可靠性评估方法，所述环境因素包括温度和/或湿度。

在上述的基于BP神经网络的设备可靠性评估方法，所述的步骤2中，对数据进行归一化的公式为：

式中：为归一后的输入量，xⁱ为当前要归一的输入量，x_min为输入量的最小值，x_max为输入量的最大值。

在上述的基于BP神经网络的设备可靠性评估方法，所述步骤3中，输入层的节点个数为n，隐含层的节点个数为L，输出层的节点个数为m，学习速率为η，激励函数为g(x)，其中激励函数取Sigmoid函数，

在上述的基于BP神经网络的设备可靠性评估方法，所述的步骤4中，隐含层的输出H_j和输出层的输出O_k为：

式中w_ij为输入层到隐含层的权重，w_jk为隐含层到输出层的权重，a_j为输入层到隐含层的偏置，b_k为隐含层到输入层的偏置。

在上述的基于BP神经网络的设备可靠性评估方法，所述的步骤5中，输出层的误差计算公式为：

式中Y_k为期望输出，记Y_k-O_k＝e_k，则误差公式可改写为：

在上述的基于BP神经网络的设备可靠性评估方法，所述的步骤6中，更新权值的公式为：

式中w_ij为输入层到隐含层的权重,w_jk为隐含层到输出层的权重，η为学习速率。

本发明具有如下优点：

1.充分考虑设备工作的外部环境，使得所建立模型具有较强的适应性。

2.利用BP神经网络，能够通过学习自动提取自变量和因变量数据间的“合理规则”，并自适应地将学习内容记忆于网络的权值中。即BP神经网络具有高度自学习和自适应的能力，能够深入挖掘各自变量与故障率的内在联系，保证了模型的客观性和准确度。

3.避免了不必要的指标定义和计算，直接对故障率建模，减少了计算量和主观性。

附图说明

图1为本发明的方法流程图。

图2为BP神经网络结构图。

图3为测试集真实值与预测值对比图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。实施例将以配电网开关为例说明设备可靠性评估方法的具体实施方式。当然，该方法可以运用于其他设备的可靠性评估。

如图1所示为本发明的流程，以配电开关故障率为可靠性评估的指标，把配电开关运行单位时间段内的环境因素、历史单位时间段内的故障率作为自变量，下一单位时间段内的故障率作为因变量。本实施例中，考虑的环境因素包括温度和湿度，另外根据设备所处的环境，还可考虑其它环境因素，例如压强、氧气浓度等。本实施例中，单位时间段的环境因素为本月的平均温湿度数据，历史单位时间故障率为前三个月的数据，下一单位时间段内的故障率为本月数据，当然时间的划分可以根据具体应用进行调整。

选择30组的数据作为样本来对预测模型进行训练及验证，前20组数据作为训练集，后10组数据作为测试集。样本数据量以及训练集和测试集的数据量可以根据具体应用进行调整。将样本数据进行归一化，公式如式(1)所示：

式中：为归一后的输入量，xⁱ为当前要归一的输入量，x_min为输入量的最小值，x_max为输入量的最大值。

如图2所示为神经网络的结构图，对神经网络进行初始化，假设输入层的节点个数n为5，隐含层的节点个数L为10，输出层的节点个数m为1，学习速率η为0.7，学习精度为0.001，激励函数为g(x)，根据具体应用环境，还可对各个参数值进行调整。其中激励函数取Sigmoid函数如式(2)所示：

将归一化后的样本输入BP神经网络，计算隐含层、输出层的输出值。隐含层的输出H_j和输出层的输出O_k如式(3)、式(4)所示：

式中w_ij为输入层到隐含层的权重,w_jk为隐含层到输出层的权重，a_j为输入层到隐含层的偏置，b_k为隐含层到输入层的偏置。

计算输出层的误差，误差计算如式(5)所示：

其中Y_k为期望输出。记Y_k-O_k＝e_k则误差公式可改写为式(6)：

比较输出层的误差与给定学习精度的大小，当误差大于给定的精度，则修正权值和阈值，再计算各层的输入和输出直到输出层的输出误差小于给定的学习精度，结束迭代，模型建立完成。更新权值的公式如式(7)所示：

其中w_ij为输入层到隐含层的权重，w_jk为隐含层到输出层的权重，η为学习速率。

如图3所示为用测试集对建立好的预测模型进行验证对比。采用均方差(MeanSquare Error,MSE)和相关指数R²分析预测结果，计算公式如下：

其中y_i为第i组实际故障率值；为第i组预测故障率值；为实际故障率平均值。均方差MSE表示预测值与真实值之间的误差大小，值越小，表明预测值更加准确。R²取值范围为[-1,1],当参数越接近于1时，表示模型的拟合度越高。由图3可以得到MSE＝0.143,R²＝0.878。

Claims (7)

1.一种基于BP神经网络的设备可靠性评估方法，其特征在于，包括：

步骤1，以设备故障率为可靠性评估的指标，把设备运行单位时间段内的环境因素、历史单位时间段内的故障率作为自变量，下一单位时间段内的故障率作为因变量；

步骤2，将步骤1中所述的自变量和所述因变量数据进行归一化，然后选取若干组数据作为样本，并将一部分样本数据作为训练集、另一部分数据作为测试集；

步骤3，对BP神经网络进行初始化；

步骤4，将归一化后的样本输入BP神经网络，计算隐含层、输出层的输出值；

步骤5，根据步骤4得到的各层输出值计算输出层与实际值的误差；

步骤6，根据步骤5得到的误差，比较其与给定学习精度的大小，当误差大于给定的精度，则修正权值和阈值，再计算各层的输入和输出直到输出层的输出误差小于给定的学习精度，结束迭代，模型建立完成；

步骤7，根据步骤6建立好的模型，输入下一单位时间段内的环境因素以及历史单位时间段内的故障率，对下一单位时间段内的设备故障率进行预测，根据预测结果合理安排设备的运维检修。

2.根据权利要求1所述的基于BP神经网络的设备可靠性评估方法，其特征在于，所述环境因素包括温度和/或湿度。

3.根据权利要求1或2所述的基于BP神经网络的设备可靠性评估方法，其特征在于，所述的步骤2中，对数据进行归一化的公式为：

式中：为归一后的输入量，xi为当前要归一的输入量，x_min为输入量的最小值，x_max为输入量的最大值。

4.根据权利要求3所述的基于BP神经网络的设备可靠性评估方法，其特征在于，所述步骤3中，输入层的节点个数为n，隐含层的节点个数为L，输出层的节点个数为m，学习速率为η，激励函数为g(x)，其中激励函数取Sigmoid函数，

5.根据权利要求4所述的基于BP神经网络的设备可靠性评估方法，其特征在于，所述的步骤4中，隐含层的输出H_j和输出层的输出O_k为：

式中w_ij为输入层到隐含层的权重，w_jk为隐含层到输出层的权重，a_j为输入层到隐含层的偏置，b_k为隐含层到输入层的偏置。

6.根据权利要求5所述的基于BP神经网络的设备可靠性评估方法，其特征在于，所述的步骤5中，输出层的误差计算公式为：

式中Y_k为期望输出，记Y_k-O_k＝e_k，则误差公式可改写为：

7.根据权利要求6所述的基于BP神经网络的设备可靠性评估方法，其特征在于，所述的步骤6中，更新权值的公式为：

式中w_ij为输入层到隐含层的权重,w_jk为隐含层到输出层的权重，η为学习速率。