基于退火算法优化的BP神经网络的电力通信网业务可靠性评价

董彦军, 刘平, 辛锐, 李超

(国网河北省电力有限公司， 石家庄 50000)

0 引言

电力通信网是为了保障电力系统安全、稳定和高效率运作而诞生的电力系统专网。目前电力通信网是确保电网安全稳定运行的重要基础设施，也是电力系统的网络运营市场化发展和现代化管理方面的重要影响因素[1]。正是因为电力通信网的重要作用，才要求它要具有高度的稳定性，使电力系统能快速响应，部署智能化的通信基础设施[2]。因为电力系统对通信网的高度依赖，使得电力通信网的可靠性研究被放在了一个非常重要的位置[3-4]。

现有多数研究使用定性分析，从通信网和业务两个方面立分析模型[5-6]。(1)一些理论研究侧重电力通信网可靠性建设和发展方向以及进行安全维护和管理的方法[7-8]。(2)从拓扑结构考虑，有一些定量化方法，在串并联可靠性关系模型的基础上形成可靠性逻辑模型进行量化计算[9]。(3)结合局部网络的聚类性质，综合考虑节点可靠度、链路可靠度与链路权重，计算出聚类可靠度[10]。

就研究现状来看，传统的通信网可靠性研究仍然在概念研究、方法研究和处理信息不确定性问题等方面面临很多挑战。应该在借鉴公网可靠性研究的基础上，从实用性和可操作性出发，结合电力通信网自身的特色进行研究。

1 电力通信网业务可靠性模型

1.1 业务断面模型

业务断面是指通信网中2个通信节点之间所有通信线路和节点组成的一条物理线路上承载的各类业务之和。业务断面的组成如图1所示。

本文的研究对象就是基于业务断面模型中的业务，每个业务都会经过通信节点A，B之间一条最简化的物理链路，即由两个通信节点(站点)和中间的一条光缆组成的一条物理线路，我们关注其中一条业务，即以一条最简化物理线路上的某个业务作为研究对象。

图1 业务断面示意图

1.2 可靠性模型

在实际的场景中，电力通信网是由光缆和站点组成，站点中有各类设备，对光缆和设备计算故障的时间比率。实际应用中有负载均衡作为可靠性保障，即两个节点之间能进行通信的路线不只一条，当某个设备或光缆故障，会有其他设备或光缆代替完成正常通信。

实际上要考虑光缆并联与串联情况，假设有设备A，设备B，光缆C1和光缆C2，则可靠性R的定义为：R=λA∧λB∧(λC1∧λC2)。假设有设备A1、A2、B和光缆C，则可靠性R的定义为：R=(λA1∧λA2)∧λB∧λC。

2 电力通信网可靠性指标体系

首先确定评价目标，根据1.2中利用设备故障时间确定的可靠性为评价目标，描述的是业务层的属性。在上述可靠性影响因素的基础上，结合指标建立的原则，确定了光缆层、设备层的个指标体系，如表1所示。

表1 可靠性指标体系表

3 电力通信网业务可靠性预测方法

3.1 模拟退火算法预测

模拟退火算法的思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。模拟退火算法便是基于这样的原理设计而成。

(1) 开始随机挑选单元k，设定一个随机的位移，求出系统因此而产生的能量变化ΔEk。

(2) 若ΔEk≤0，该位移可采纳，而变化后的系统状态可作为下次变化的起点；

若ΔEk>0，位移后的状态可采纳的概率为式(1)。

(1)

其中T为温度，然后从(0,1)区间均匀分布的随机数中挑选一个数R，若R≤P，则将变化后的状态作为下次的起点；否则，将变化前的状态作为下次的起点。

(3) 转第(1)步继续执行，知道达到平衡状态为止。

统计“选择云南大学的原因”后的词条表述，总共有116条。除去12条寓意为不知道的表达外，留学生来云南大学的原因可以归为10类：昆明环境好(13.5%)，云大环境好(12.5%)，云大名声好(24%)，喜欢云大(8.7%)，云大最适应学习需求(11.5%)，交通方便(4.8%)，取得奖学金(11.5%)，推荐介绍(6.7%)，交换生(3.8%)，个人原因(2.9%)。不难看出，云南大学在国际上的名誉是留学生选择云大的最主要原因，其次，优良的环境、丰厚的奖学金、符合自身学习需求也是很重要的因素。

3.2 基于模拟退火改进的BP神经网络预测

BP神经网络存在一些缺陷，如容易陷入误差函数的局部极值点或在某些情况下不能保证收敛到全局最小点以及初始连接权重和阈值对结果影响大。模拟退火算法是一种全局搜索优化算法。本文将这两者有机结合起来，利用模拟退火算法优化 BP 神经网络的初始权值和阀值，再利用误差反向传播方法找到其最优解。

模拟退火优化BP神经网络的步骤如下：(1) 优化函数选择BP神经网络的误差平方和，即error=∑(Pi-Ri)2，其中Pi是预测值，Ri是实际值。定义优化问题的解释BP神经网络的权值W和阈值B。选择权值和阈值组成函数。(2) 调整过程。当温度较高时采用3.1中位移函数进行调整。(3) 稳定状态。达到稳定状态后将优化后作为 BP 神经网络的初始权值和阀值。进行标准的 BP 神经网络的训练。

4 实例分析

4.1 数据来源和预处理

数据主要来自国网某地电力公司1年的实际数据，以月为单位，以过去12个月的数据为历史数据，预测未来一个月内设备和光缆发生故障的时间。利用光缆层和设备层的指标分别对光缆和设备的故障时间进行预测。并在给定的数据基础上进行仿真验证。

4.2 实验结果比较

数据清洗处理得到真实设备数据和光缆数据。从中选取通过设备A和设备B的4条基础通信线路，给出相应的设备和光缆数据，利用BP神经网络进行预测，得到4个线路的评价结果如表2所示。

表2 神经网络实验结果

设备预测的平均误差为35.7，光缆平均误差为97。

设备预测的数据和上述相同，预测的平均相对误差是21。光缆预测的数据和上述相同。预测的平均相对误差是47。三个线路的评价结果如表3所示。

表3 业务可靠性评价结果表

用基于退火算法的BP神经网络和普通BP神经网络预测光缆和设备故障时间时长对比图如图2所示。

从两个模型预测的结果来看，两个模型都能在构建指标体系的基础上有效的对设备或光缆的故障时长进行预测，其中，基于退火算法的BP神经网络的预测效果优于普通BP神经网络，在实践中，可以利用基于退火算法的BP神经网络对设备和光缆的故障时长进行预测，从而计算其故障率和可靠性。

5 总结

本文根据电力通信网故障影响因素，从设备层和光缆层构建了故障时长预测指标体系，对其中的每个指标进行量化。然后基于此指标体系，利用BP神经网络模型和基于退火算法优化的BP神经网络进行预测构建了定量化的可靠性模型，给出了度量可靠性的方法，为可靠性量化评价提供了一种解决方法。