（国网浙江杭州市富阳区供电公司 浙江杭州 311400）
摘要：随着电网发展，集控站模式兴起。运行部门精准地预测倒闸操作所需要的时间，可以大大提高供电可靠性，提升运行人员的工作效率。本文结合现有的集控站模式，提出了BP神经网络法，帮助运行人员合理预测操作所需时间。
关键词：集控站 可靠性 效率BP神经网络
1.前言
当下电能已经渗透到了社会的每一个角落，人们生活和工作的方方面面都离不开电能，电力系统在社会当中的地位越来越重要，系统停电将对人们的生活、工作和学习造成不可估量的影响。在电力设备进行检修时，按计划的时间进行停送电就显得十分重要。随着电网的飞速发展和电气设备技术的日渐成熟，越来越多变电站正积极开展变电站无人值班的实践，使供电部门提出的“减人增效”工作得以实现，取得了明显的经济效益和社会效益，提高了电力企业劳动生产率，对提高电网经济运行水平也起了积极的作用。在进行倒闸操作工作时，百分之百确保按时停送电是运行人员一直以来的目标，设备种类、设备缺陷、设备型号、运行环境、五防等等都会影响倒闸操作的完成的时间。为此，本文根据现有的集控站模式展开探究，提出BP神经网络法来合理预测倒闸操作所需时间。
2.BP神经网络
2.1 BP神经网络简述
1986 年，Rumelhar和 McClelland 提出并行分布处理的理论，同时提出了一种有具有隐含层的多层前馈网络，它是利用误差反向传播训练算法的神经网络，简称 BP(Bank Propaagation)网络。BP 算法是依照训练结果的误差大小，把训练的输出值反馈到隐含层单元，校正它们的权系数矩阵使其满足要求。BP神经网络比较好的处理了多层网络的训练问题，BP 算法拥有极强的运算能力。BP神经网络是一种神经元层次分布分明的前向系统。它由输入层、隐含层（一或多层）、输出层组成；每一层的输出作为下一层输入，这种传送的输出作用的加强、消弱或收缩都是由权值大小来定夺的。前一神经元的输出的加权值作为其下一神经层的输入。任何一个神经元的活化水平都是由它的输入、激活函数和阀值这三者确定的。BP神经网络拥有极强的的人工智能功能，可以在一定程度上模拟人类大脑对信息进行整理、存储甚至搜索。
2.2神经网络的原理
BP神经网络算法的数学本质是梯度最速下降法。其基本原理是通过连续不断地校正权值，从而最小化神经网络的表现函数。也就是运用梯度搜索技术，来期望让网络的实际输出值和期望输出值之间的均方误差尽可能的小。网络的学习过程是一个沿着负梯度方向对权值进行校正的过程。BP神经网络的最小处理结构的输入和输出关系并不是线性的，广泛运用用S型函数。
2.3BP神经网络模型
BP网络模型由输入层、隐含层及输出层组成，其中隐含层可以是一层也可以是多层，图4-1为BP网络的结构图。
图1BP网络结构图BP神经网络的具体步骤
（1）对数据的样本进行规一化处理；
（2）初始化：假定全部的加权系数都是较小的偶然数；
（3）收集整理具有输入向量与期望输出的训练样本集合；
（4）算出隐含层的输入与输出层的输出；
（5）算出模型输出与实际输出之间的误差；
（6）校正输出层与隐含层的加权系数；
（7）返回（4），循环以上过程，直到误差满足达到标准之内停止。
3.实例分析
3.1影响因素
运行环境：设备运行环境的优劣直接影响操作流畅度
老化程度：设备老化是否严重。
操作频繁度：设备操作是否频繁。
运行年限：设备运行年限越多可能出现卡涩等情况几率越大
家族性产品缺陷：同型号产品是否存在家族性缺陷
3.2运算分析
设备运行状态量及评价分数见表1，满分为50 分，根据状态指标的重要性，分数值不同，越重要的指标分数值越高，最终得出设备运行状态的分数值，并根据分数值确定电源运行状态是否正常。
表1 设备运行状态量及评价分数
假设ip1、ip2、ip3、ip4、ip5 分别代表设备运行环境、老化程度、操作频繁度、运行年限、家族性产品缺陷等情况，每个值取20次，值的大小为状态检修过程中得出的最近20个值，即Ip1=(ip1,1,…,ip1,20)T，隐含层设定共有4个神经元，设transig 为其输入函数，trsnsig 为输出层的激活函数，网络训练函数为效率最高的梯度下降函数，即上面描述的标准学习算法。
通过标准学习算法达到一个目标分数，同时可以得到各神经元的权重值，其中输入层到隐含层的权值V=net.iw{1,1}，即：
隐含层到输出层的权值W=net.lw{2,1}, 即：
当给出一个设备的运行环境、老化程度、操作频繁度、运行年限、家族性产品缺陷等情况，可以根据权重值预测该设备是否能达到标准分数，从而对倒闸操作和检修计划做出指导。
4.结语
随着经济的发展，各行各业对电力的需求越来越大，电力企业也面临着很大的压力。如何做好电力供应的工作，一直是电力人追求的目标。但是电力系统越来越庞大，设备越来越多，若是还采用靠人员经验判断预测时间，即便是业务熟练的人员也难以较为准确的预算操作时间。本章主要对BP神经网络进行探索，该方法能通过对大量数据的研究较为准确的预算倒闸操作需要的时间，大大提高供电的可靠性。
参考文献
[1]周德全,郑永前.MTO模式下基于BP神经网络的需求预测分析[J].中国仪器仪表,2015(4).
[2]陆红梅,王雪青.基于模糊模式识别和BP神经网络的工程项目成本预测模型研究[J].项目管理技术,2013(5):57-62.
论文作者:杜文俊
论文发表刊物:《电力设备》2017年第24期
论文发表时间:2017/12/31
标签：神经网络论文; 操作论文; 设备论文; 运行环境论文; 神经元论文; 时间论文; 函数论文; 《电力设备》2017年第24期论文;