基于GRNN的二次设备在线监测信息预测

李金，苗帅，陶文伟，张喜铭，丁坚勇，朱海龙

(1.中国南方电网有限责任公司，广东 广州510623；2.武汉大学 电气工程学院，湖北 武汉430072)



基于GRNN的二次设备在线监测信息预测

李金1，苗帅2，陶文伟1，张喜铭1，丁坚勇2，朱海龙1

(1.中国南方电网有限责任公司，广东 广州510623；2.武汉大学 电气工程学院，湖北 武汉430072)

针对电网二次设备在线监测信息中连续变化的信息，如电源电压、装置温度、CPU使用率等，应用广义回归神经网络(generalized regression neural network，GRNN)对这些信息在线监测值进行预测，通过对比预测值和实际值，得出相对误差曲线；再与反向传播算法(back propagation，BP)神经网络和径向基函数(radial basis function，RBF)神经网络进行对比，验证了GRNN在预测中具有更高的准确性。同时，探讨了将二次设备在线监测信息的关联性考虑进预测中，将温度和CPU使用率关联并进行预测，与之前的预测结果进行对比，证明将信息之间的关联性考虑到预测中去有助于提高状态预测的准确性。

二次设备；在线监测信息；广义回归神经网络；关联性；径向基神经网络；预测

随着电力系统的不断发展和智能电网的逐渐普及，二次设备在电力系统中的投入运行量急剧增加，二次设备在长期工作时，硬件和软件不可避免的会逐渐老化和劣化，导致其运行可靠性降低，也因此加大了一次设备及电网整体的运行风险。利用传感器、电子技术、计算机技术实施对二次设备的在线监测，能更加全面的了解二次设备的实时运行状态，减小二次设备突然故障造成的损失。目前，对电气二次设备的在线监测与分析已经成为智能电网建设的重要内容之一[1-3]。

人工神经网络已广泛的应用于电力系统相关方面，如电力系统辨识、电力规划、电网状态估计和设备故障诊断等[4-5]，常用的神经网络为：反向传播算法(back propagation，BP)神经网络、径向基函数(radial basis function，RBF)神经网络、广义回归神经网络(generalized regression neural network，GRNN)等。

人工神经网络在电力预测应用也受到广泛重视。文献[6]运用GRNN对变压器绕组热点温度进行预测。文献[7]首先建立各时刻光伏出力的灰色模型，然后利用灰色模型的输出和温度值与实测出力值建立神经网络模型，对光伏短期出力进行预测。文献[8]提出局部反馈时延神经网络和全局反馈时延神经网络对风电场输出功率进行预测。文献[9]将电力系统负荷与温度与天气的关系关联在一起，进行短期负荷预测，体现天气因素对电力负荷的影响。文献[10-11]建立了电力系统的月度负荷预测的RBF神经网络模型，使预测模型具有更好的泛化性。

经过对不同神经网络的结构及适应性分析，本文重点探讨应用GRNN实现对二次设备在线监测信息量的预测，并与BP和RBF神经网络进行对比，验证GRNN的优越性。同时，根据以往人工神经网路应用于预测的研究，例如：在电力系统负荷预测中不仅考虑到历史的负荷值，还将温度值、天气等关联因素考虑在内，用以提供预测的准确性和适应性。本文对二次设备在线监测信息之间的关联性进行初步探索，将温度和CPU使用率结合在一起，对温度和CPU使用率进行预测。

1　二次设备在线监测信息

在对二次设备进行状态评价时实时的在线监测信息是十分重要的评价依据。传统的二次设备在线状态监测主要集中在二次回路，监测其连接情况，监测手段比较单一且局限性较强，并且缺乏将错误信息上报的有效措施。随着微机监控保护设备以及二次设备的网络化通信的发展，二次设备在线监测信息覆盖的范围越来越广，主要包括：交流测量系统、直流控制及信号系统、逻辑判断系统、通信管理系统等。

李金，等：基于GRNN的二次设备在线监测信息预测二次设备在线监测信息根据采集法式的不同可分成两类：开关量信息，主要是二次设备在线监测信息中非连续变化的跳变信息量，这些信息只能反映设备此状态的好坏，例如：断线、开入自检错误、SV采样失步等。模拟量信息的特点是以数字的形式显示并连续变化且能连续反映二次设备状态，例如：内部温度、CPU负荷率、电源电压等。

在实际的在线模拟量信息监测中，发现大多数模拟量信息的变化呈现出一定的规律性和周期性。根据模拟量信息的这一特点，应用先进的预测方法对其一段时间内的趋势预测是可行的。表1为测控装置的在线监测信息。

表1测控装置在线监测信息

序号信息量信息类型1电源电压模拟量2装置温度模拟量3时钟偏差模拟量4CPU负荷率模拟量5内存占用率模拟量6光口接收功率模拟量7光口发送功率模拟量8GOOSE链路中断开关量9GOOSE数据异常开关量10SV同源双网一致性对比开关量…………

表1中可在线监测的模拟量信息有7项，在一定的监测样本数据基础上，可以通过合适的计算模型对其后续演变趋势进行预测。

2　人工神经网络预测法

2.13种典型神经网络的优缺点

人工神经网络是一种人工智能技术，以神经元为结构单元，构成网络模型，是对人脑的抽象、简化和模拟，反映人脑的基本特性。人工神经网络具有大规模分布式并行处理、自组织、自学习、联想记忆、较好的容错性、优良的非线性逼近能力等特性。同时，人工神经网络可以同多种算法相结合，对其不断优化，在应用中取得了很好的效果。人工神经网络作为一种预测的先进手段，已经广泛应用到经济预测和电力预测等领域中。

BP神经网络在实际应用中存在网络训练时间较长，不易收敛，误差易陷入局部最小等缺点。RBF神经网络则在逼近能力、分类能力和学习速度等方面均优于BP神经网络，但网络预测结果受其结构的影响较大。而GRNN继承了RBF的优点，在容错性和鲁棒性上更强于RBF神经网络，在样本数据较少时，也有较好的预测效果。

2.2GRNN结构和原理

GRNN是一种基于非线性回归理论的前馈式神经网络模型，它由输入层、模式层、求和层和输出层组成，其结构如图1所示。

X=[X1,X2,…,Xn]为输入变量；Y=[Y1,Y2,…,Yn]为输出样本。图1　GRNN神经网络结构

GRNN各部分功能如下：

a) 输入层。输入神经元数目等于学习样本中输入向量维数，各神经元是简单的分布单元，直接将输入变量传递给模式层。

b) 模式层。模式层神经元数目等于学习样本数目n，各神经元对应不同样本，模式层神经元传递函数为

式中：Xi为第i个神经元对应的学习样本；σ为光滑因子。

c) 求和层。求和层中使用2类神经元进行求和。一类计算公式为

对所有模式层神经元的输出进行算数求和，模式层与各神经元的连接权值为1，传递函数为

另一类计算公式为

对所有模式层神经元的输出进行加权求和，模式层中第i个神经元与求和层中第i个分子求和神经元之间的连接权值为第i个输出样本Yi中的第j个元素，传递函数为

式中m为第i个输出样本Yi中的元素个数。

d) 输出层。输出层中的神经元数目等于学习样本中输出向量的维数n，各神经元将求和层的输出相除，神经元j的输出对应估计结果Y(X)的第j个元素，即

3　在线监测信息预测的GRNN模型

3.1GRNN预测流程

在预测的实现过程中，首先建立一个完整的网络模型，接着确定输入输出所代表的特征量来构造训练样本。若样本中有畸形数据，应先将其剔除。将训练样本放入模型中，对其进行训练。训练好的模型，其误差必须在允许范围内，否则训练不收敛。最后，将训练好的模型，应用到实际的二次设备在线监测信息预测中，并对其准确性进行验证。其预测流程如图2所示。

图2GRNN预测流程

3.2输入输出量的选取

人工神经网络预测的基本原理为根据输入输出数据的映射，找出两者之间深层次的因果关系。在针对二次设备在线监测信息的预测中，设定2种预测模式。

a) 单一性预测。利用单一监测数据自身的历史变化，找出其随时间变化的特点，进而进行预测。如利用前一天的设备温度变化趋势对第二天的设备温度变化趋势进行预测。

b) 关联性预测。在线监测模拟量信息共同反映着二次设备的运行状态，其之间的变化趋势往往是相互联系的，例如当CPU使用率高的时候，设备温度也较高。利用这种类似的关系并结合时间这个因素，加强输入和输出之间的因果关系，再建立神经网络模型，得到的预测结果往往会更加精确。

3.3输入输出量时间间隔选择

选取在线监测模拟量信息，用前N个时段的在线监测信息模拟量数据，去预测后面M个时段的在线监测模拟量信息数据，因此，GRNN输入层节点数为N个，输出层节点数为M个。

时段的选取遵循以下2个原则：

a) 在线监测模拟量信息变化的快慢。当信息数值变化的越快时，时段选取的间隔越小；当信息数值变化越平缓时，时段选取的间隔越大。

b) 在线监测模拟量信息的变化区间。当模拟量信息在安全的区间内变化时，时段选取的间隔较大；当模拟量信息在危险的区间内(接近阀值)变化时，时段选取的间隔较小。

3.4伪数据的处理

GRNN具有较强的容错性和鲁棒性，但是大量的、准确的监测数据作为训练样本更能增强网络预测的准确性。二次设备在线监测模拟量信息在采集过程和上传过程中，由于电磁干扰、设备故障、通信中断等原因，会导致监测数据中包含一些非真实的数据，或者有少量数据丢失。这些情况会影响历史数据的准确性，进而干扰神经网络的预测。因此，将历史数据作为神经网络的训练样本之前，必须对监测数据进行去伪或补足处理。

4　实例分析

4.1仿真对比

选取某220 kV变电站测控装置的内部温度在线监测数据作为实例来分析。将一个月内收集的温度数据作为样本对网络模型进行训练，利用预测日前一天每小时的设备平均温度实测值，对预测日一天内每小时的设备平均温度数据进行预测。将BP神经网络、GRNN和RBF神经网络的预测值同实际值进行对比，如图3所示；图4为3种网络模型相对误差曲线。

图3　神经网络模型预测值和实际值对比

图4神经网络模型预测值和实际值相对误差

由图3可知这3种神经网络模型对设备温度进行预测时，实际值和预测值的变化趋势相近，表明人工神经网络在二次设备在线监测信息预测的可行性。由图4可知 BP神经网络预测的最大误差为11.79%，平均误差为6.44%；GRNN的最大误差为4.83%，平均误差为2.93%；RBF神经网络的最大误差为7.54%，平均误差为4.48%。相比较其他2种神经网络，GRNN在二次设备在线监测信息预测上，其稳定性和准确性更优。

4.2关联性预测

设备的在线监测信息共同反映着设备的实时运行状态，不同信息之间存在一定的关联性。如CPU使用率升高时，会导致CPU板件温度升高，进而升高设备的温度。利用这种关联性，将CPU使用率和设备温度2种在线监测信息的数据作为GRNN的输入，输出为设备温度和CPU使用率。选取这2种在线监测模拟量信息一个月的历史数据作为GRNN神的训练样本。温度、CPU使用率的实际值和预测值的对比曲线以及相对误差曲线如图5和图6所示。

图5　设备状态信息实际值和预测值对比

图6　设备状态信息实际值和预测值相对误差

把CPU使用率和设备温度的关联性考虑在内时，输出为温度和CPU使用率。以温度为例，分析考虑关联性前后，温度预测值的准确性变化。根据图6的相对误差曲线发现，预测值误差最大为3.13%，平均误差在1.75%，相比较温度预测温度的单一预测的最大误差4.83%，平均误差2.93%，采取关联性预测使预测的结果更加稳定，且在平均误差上提高了40.27%。

实例分析表明，GRNN相比BP和RBF神经网络，对二次设备在线监测模拟量信息的预测有更好的准确性和可靠性，验证了本文应用GRNN实现在线监测模拟量信息预测的可行性。同时发现，可以利用不同在线监测模拟量信息之间的联系，加强输入输出的因果关系，来提高预测的准确性。

5　结束语

二次设备的在线监测信息在对设备状态评价上，是十分重要的依据。对二次设备监测信息的预测，能够应用到对二次设备的状态评价中去，达到对二次设备状态预测的目的。本文根据在线监测信息的变化特点，以及比较BP神经网络、GRNN和RBF神经网络3种预测方法的优缺点，经过实例仿真分析后，确定GRNN在预测上具有更高的稳定性和精确性。同时，本文根据神经网络预测模型的特点，初步探索了将不同监测信息的关联性，应用到预测当中去，这点与在电力负荷中将节假日、天气等因素考虑在内相似，其结果是加强了输入和输出的关联性，从而使预测精确性提高。

随着对二次设备的自检功能的增强，对二次设备的在线监测将会越来越全面，精确性更高的预测模型以及对不同在线监测信息关联性的深入分析，将会巩固和发展二次设备在线监测信息的预测，为二次设备状态预测开辟思路，进而为状态检修提供更好的支撑。

[1] 袁浩，屈刚，庄卫金，等. 电网二次设备状态监测内容探讨[J]. 电力系统自动化，2014，38(12)：100-106.

YUAN Hao，QU Gang，ZHUANG Weijin， et al. Discussion Grid Secondary Equipment Condition Monitoring Content [J]. Automation of Electric Power Systems, 2014，38(12)：100-106.

[2] 张晓华，刘跃新，刘永欣，等. 智能变电站二次设备的状态监测技术研究[J]. 电气技术，2011(4)：41-44.

ZHANG Xiaohua，LIU Yuexin，LIU Yongxin，et al. The Technical Research of Secondary Equipments’Condition-monitoring in Smart Substation [J]. Electrical Engineering，2011(4)：41-44.

[3] 王俏文，丁坚勇，陶文伟，等. 基于层次分析模型的二次设备状态检修方法[J]. 南方电网技术，2014，7(4)：97-102.

WANG Qiaowen，DING Jianyong，TAO Wenwei，et al. A Condition-based Maintenance Method of Secondary Electrical Equipments Based on Hierarchy Model[J]. Southern Power System Technology，2014，7(4)：97-102.

[4] 毕天姝，倪以信，吴复立，等. 基于新型神经网络的电网故障诊断方法[J]. 中国电机工程学报，2002，22(2)：73-78.

BI Tianshu，NI Yixin，WU Fuli，et al. A Novel Neural Network Approach for Fault Section Estimation[J]. Proceedings of the CSEE，2002，22(2)：73-78.

[5] 高炜欣，罗先觉，朱颖. 贪心算法结合Hopfield神经网络优化配电变电站规划[J]. 电网技术，2004，22(2)：73-76.GAO Weixin，LUO Xianjue，ZHU Ying. A New Distribution Substation Planning Algorithm Based on Greedy Algorithm and Hopfield Neural Network[J]. Power System Technology，2004，22(2)：73-76.

[6] 陈伟根，奚红娟，苏小平，等. 广义回归神经网络在变压器绕组热点温度预测中的应用[J]. 高电压技术，2012，38(1)：16-21.CHEN Weigen，XI Hongjuan，SU Xiaoping，et al. Application of Generalized Regression Neural Network to Transformer Winding Hot Spot Temperature Forecasting[J]. High Voltage Engineering，2012，38(1)：16-21.

[7] 王守相，张娜. 基于灰色神经网络组合模型的光伏短期出力预测[J].电力系统自动化，2012，36 (12)：37-41.

WANG Shouxiang，ZHANG Na. Short-term Output Power Prediction of Photovoltaic Generation Based on Grey Neural Network model[J]. Automation of Electric Power Systems，2012，36 (12)：37-41.

[8] 刘瑞叶，黄磊. 基于动态神经网络的风电场输出功率预测[J]. 电力系统自动化，2012，36(11)：19-22.

LIU Ruiye，HUANG Lei. Forecasting of Wind Farm Generation Output Based on Dynamic Neural Network[J]. Automation of Electric Power Systems，2012，36(11)：19-22.

[9] 周英，尹邦德，任铃，等. 基于BP 神经网络的电网短期负荷预测模型研究[J]. 电测与仪表，201，48(542)：68-71.

ZHOU Ying，YIN Bangde，REN Ling，et al. Study of Electricity Short -term Load Forecast Based on BP Neural Network[J]. Electrical Measurement & Instrumentation，2011，48(542)：68-71.

[10] 彭显刚，胡松峰，吕大勇. 基于 RBF神经网络的短期负荷预测方法综述[J]. 电力系统保护与控制，2011，39(17)：144-148.PENG Xiangang， HU Songfeng， LÜ Dayong. Review on Grid Short-term Load Forecasting Methods Based on RBF Neural Network [J]. Power System Protection and Control，2011，39(17)：144-148.

[11] 余健明，李萌，舒菲. GRNN算法在电力系统负荷建模中的应用[J].电力系统及其自动化学报，2009，21(1)：104-107.YU Jianming，LI Meng，SHU Fei. Application of GRNN-algorithm on Load Modeling of Power System[J]. Proceedings of the Chinese Society of Universities for Electric Power System and its Automation，2009，21(1)：104-107.

(编辑王朋)

Online Monitoring Information Forecast for Secondary Equipment Based on GRNN

LI Jin1, MIAO Shuai2, TAO Wenwei1, ZHANG Ximing1, DING Jianyong2, ZHU Hailong1

(1.China Southern Power Grid Co., Ltd., Guangzhou, Guangdong 510623, China; 2. School of Electrical Engineering, Wuhan University, Wuhan, Hubei 430072, China)

In allusion to continuous information in online monitoring information of grid secondary equipment such as power source voltage, device temperature, CPU usage rate and so on, generalized regression neural network (GRNN) is used for forecasting changes of the information. By comparing predicted value and actual value, relative error curve is obtained. It is verified higher veracity of GRNN in forecast by comparing with back propagation (BP) neural network and radial basis function (RBF) neural network. Meanwhile, this paper discusses to take relevance of online monitoring information of secondary equipment into consideration as well as relate temperature to CPU usage rate for prediction. According to comparison results, it is proved that it is useful to improve veracity of state prediction by taking relevance of information into consideration.Key words： secondary equipment; online monitoring information; generalized regression neural network (GRNN); relevance; radial basis function(RBF)neural network; forecast

2015-12-18

2016-06-05

中国南方电网有限责任公司科技项目(K-ZD2014-011)

10.3969/j.issn.1007-290X.2016.09.018

TM73

A

1007-290X(2016)09-0089-05

李金(1979)，男，甘肃金昌人。高级工程师，工学硕士，主要从事电力系统自动化技术研究与管理。

苗帅(1992)，男，湖北武汉人。在读硕士研究生，主要从事电力二次设备状态检修和电力谐波方面的研究。

陶文伟(1973)，男，浙江临海人。教授级高级工程师，工学博士，主要从事电力自动化研究与技术管理。