基于改进模糊神经网络的电力通信性能预警方法研究*

刘文军 史慧革 周伯阳 吕 卓

（1.国网河南省电力公司 郑州 450000）（2.国网河南省电力公司南阳供电公司 南阳 473000）

（3.国网河南省电力公司电力科学研究院 郑州 450000）

1 引言

随着我国智能电网的不断加快建设，电力通信网络作为智能电网的技术支撑和必要保证也得到飞速发展。电力通信的网络规模急剧膨胀、业务数据日益增多以及网络拓扑结构日趋复杂，使得通信网络设备发生故障的概率有了大幅提升，同时设备故障的信息量也呈现出指数级的增长，使得通信故障掩埋在海量告警信息中，不仅加大了调度监控人员的故障诊断难度，而且故障处置也只能停留在网络发生问题后的事后响应阶段，严重影响了通信业务运行的安全性和稳定性［1～3］。

近年来，在信息通信新技术的推动下，利用智能化手段对通信网络的运行状态进行实时监视与动态分析，从而实现对网络隐患主动式的事前预警成为了新的课题。传统基于时间序列的自回归积分滑动平均模型（Autoregressive Integrated Moving Average Model，ARIMA）网络性能预警分析方法，是从过去较长一段时间的观测序列值中找出系统发生变化的规律，从而推测出未来可能的值。然而这种方法受到多种因素的影响，特别当整个通信网络性能为非线性变化时，这种预警分析方法的实际效果变得欠佳［4～7］。

随着神经网络的出现，这种具有高度非线性和很强自适应学习能力的新方法为网络性能预警技术带来了新思路。但神经网络方法也存在着全局搜索能力差、收敛速度慢等缺点，容易使得最终结果陷入局部极值。因此，单独使用神经网络的效果不一定是最优的。本文提出了一种改进的模糊神经网络（Fuzzy Neural Network，FNN）预警模型，通过对通信网络的状态信息模糊化，构建基于模糊神经网络的故障预警自学习模型，并借用蚁群算法在解空间上全局搜索能力强、收敛速度快的优点，从而快速找到最优解。实验数据表明，该改进的FNN预警模型方法切实可行，能有效提高检索效率，从而提高设备故障预警准确率。

2 模糊神经网络基本原理

BP（Back Propagation）网络是1986 年由 Rumelhart 和McCelland 为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。模糊神经网络FNN 则是把模糊逻辑和神经网络两种计算方法相结合，在处理非线性、模糊性等问题上具有很大的优越性［8～12］。模糊逻辑理论的引入，主要是因为电力通信性能预警的复杂性，其被监视对象的性能参数所表现出来的各类征兆具有很大的不确定性。因此，需要对电力通信网络的性能样本数据进行模糊化预处理，进而将得到的模糊向量作为神经网络的输入向量。

模糊神经网络的一般结构如图1 所示。第一层为输入模糊化层，针对不同的输入变量采用不同的隶属度函数进行模糊化处理。第二层为隐含层，是内部信息处理层，负责信息变换，可根据信息变化能力的需求设计成单隐层或者多隐层结构［13～17］。第三层为输出层，输出计算结果。

神经网络具有自学习特性，由正向传播和反向传播组成，其基本学习流程如图2所示。

图2 模糊神经网络学习过程流程图

1）给定输入样本和期望输出；

2）对输入样本的模糊集合运用隶属度函数进行模糊处理。常用的隶属度函数包括高斯型隶属函数、钟形隶属度函数、Sigmoid 函数型隶属函数、三角形隶属函数等；

3）根据模糊化的输入样本，计算神经网络中隐含层和输出层各单元的输出结果；

4）计算样本输出结果与期望输出结果之间的偏差；

5）算法停止判别，当实际偏差小于事先设定的期望值时，算法结束。否则转到步骤6）；

6）反向传播计算。将偏差按原联接通路反向计算，采用梯度下降法调整各层节点的权值和阀值，使偏差不断减小。

3 基于蚁群算法的模糊神经网络改进方法

模糊神经网络算法能够从海量数据中自动识别、捕捉和提取其中隐藏规律，并用连接权值和阀值的方式将其包含神经网络中。但其同样也有收敛速度不确定，易陷入极小点的缺陷。本文利用蚁群算法的全局搜索能力、收敛速度快的特点，将其也模糊神经网络相结合，不仅能发挥神经网络的泛化映射能力，而且使神经网络收敛速度慢和容易陷入局部误差极小点等缺点得到解决。

嵌入蚁群算法的模糊神经网络算法的主要步骤如下：

1）将输入样本向量按照各自特性选择合适的隶属度函数进行模糊化处理，所得的模糊化样本向量作为模糊神经网络的输入向量。

2）参数初始化。设定时间t=0，最大循环次数为Ncmax，初始化迭代计数器Nc=0。令权值区间（Wmin，Wmax）匀分为 div 份，每份随机生成一个值。最优解的保留数目σ=1，每个集合中的每个元素的信息素τj(Ipi)(t)=0，且τj(Ipi)=0，设定蚁群总量为m且可全部可达终点。

3）启动蚁群，对蚁群k=(k1，k2，…，kn) 根据如下路径选择规则计算的概率采用轮盘算法选择集合Ipi的元素。

路径选择规划：对集合Ipi，蚁群k根据式（1）计算的概率随机选择其中第j元素pij。

4）重复3），直到蚁群中所有的蚂蚁都到达终点。

5）将蚁群中各蚂蚁选择的权值和阈值带入模糊神经网络模型并计算神经网络输出o和误差e，记录当前最优解。

6）根据信息素调节规则，更新每个元素的信息素。

信息素调节规则：随着时间的推移，先前遗留的信息素将逐步消散，用参数ρ(0 ≤ρ≤1)表示信息挥发素系数，用1-ρ表示信息挥发素残留系数。经过n个时间单位，蚁群从起点到终点，各路径上的信息素根据式（2）和式（3）做出调整。

其中，i=1，2，…，num，j=1，2，…，div。

Δ(Ipi)表示第k只蚂蚁在本轮循环中，在集合Ipi上留下的信息素，其计算公式见式（4）。

式中，Q为常数表示单周释放信息素总量，可用于调节信息素的收敛速度；ek为按照第k只蚂蚁选择的一组权值和阈值建立的模糊神经网络均方误差，即

式中，w表示输入层到隐含层的权值；v示隐含层到输出层的权值；θ示隐含层的阈值；r示输出层的阈值；P表示输入样本组数；L表示输出层节点数；示第p组样本输出层的第l个节点实际输出，p=1，2，…P，l=1，2，…，L；表示第p组样本输出层的第l个节点期望输出，p=1，2，…P，l=1，2，…，L。

因此，模糊神经网络的总误差越小，则相应信息素增加的就越多。

7）设定t=t+n，Nc=Nc+1。

8）若循环次数Nc≥Ncmax，则结束循环，输出最优权值和阈值；否则转至步骤3）并更新最优解。

9）将步骤8）中计算得到的最优解放到模糊神经网络算法中，再利用模糊神经网络算法进一步调优权值，训练网络，直至获得期望的精度为止。

10）输出最终结果。

其算法过程如图3所示。

图3 改进模糊神经网络算法训练流程图

4 算法实现与验证

4.1 电力通信性能参数采集

模糊神经网络的训练依赖于输入的样本数据，要实现电力通信网络运行状态的预警，必须清楚组成通信网络的每台光传输设备的各类性能数据及其正常值范围。目前，通信网络主要依据厂家专业网管系统对整个通信网络进行配置和监视管理。通过厂家专业网管系统提供的标准化北向接口，可以采集到每台光传输设备的性能数据。常见的光传输设备性能指标主要有收发光功率、误码率、偏置电流、温度等性能值。

表1 电力通信性能数据及范围

4.2 样本数据模糊化预处理

光传输设备的不同性能指标在衡量标准、量纲判定等方面存在较大差异，需要对各项性能指标进行规范化量化处理，屏蔽原有数据指标之间的差异。本文通过模糊化对数据进行预处理，将输入样本的特征向量X=(x1，x2，…，x6)映射成各模糊子集的隶属度，最终使得各数据指标转化为有限闭合区间[0 ，1] 上的值。

对于发送光功率、接收光功率、温度、工作电压、偏置电流这5 种性能指标通常是在正常值上下波动，其概率基本符合正态分布，可采用高斯型隶属函数进行模糊化预处理，其语言变量值通常有低”、“正常”、“偏高”3 种类型。对于误码率其故障表征是“误码率高”，可采用Sigmoid 函数型隶属函数进行模糊化预处理，其语言变量值通常只有“正常”和“不正常”2种类型。

4.3 参数初始化设置

改进模糊神经算法中需选取的参数较多，其中蚁群总量m、信息挥发素系数ρ、单周释放信息素总量Q、划分度div 等参数对模糊神经网络的训练次数和预期精度影响较大。

1）蚁群总量m

蚁群总量m值越大，其全局搜索能力越强，但解空间的增加使得收敛速度（循环次数）减慢。因此蚁群数量需要根据实际情况，综合全局搜索能力和收敛速度两大因素进行考虑。

蚁群数量可采用式（6）进行择优选择。

其中，num为模糊神经网络中待优化权值和阀值的数量。

本文样本数据经模糊预处理后进入输入层的节点数有25个，隐含层节点数有20个，输出层节点数有6 个，故num=25×20+20×6+20×6=646。根据式（6），结合实验数据取中间值m=175。

2）信息挥发素系数ρ(0 ≤ρ≤1)

信息挥发素系数ρ越大，其收敛速度越快，但随机性能和全局搜索能力会受影响，易于陷入局部最优解。因此，通过实验数据确定信息挥发素系数ρ=0.7（信息挥发素残留系数1-ρ=0.3）。

3）单周释放信息素总量Q

单周释放信息素总量Q表示蚁群行走一周在所经路径上释放的信息素问题。原则上Q值越大，则蚁群搜索时的正反馈能力越强，收敛速度越快。综合考虑整体样本情况及目标函数值，选取单周释放信息素总量Q=0.1。

4）划分度div

划分度div 越高，意味着蚁群可选择的路径越多，解空间的增加使得出现最优解的可能性越高，但同时也带来求解时间增加的弊端。本文采用最小误差方式选择划分度div=100。

4.4 仿真测试

本文通过传输设备网管的北向接口采集280组数据作为样本进行测试。利用蚁群算法优化模糊神经网络的权值阈值，将最优权值阈值输入到模糊神经网络，通过训练样本进行学习，最终得到训练误差。其部分输出结果如表2所示。

表2 部分训练样本输出结果

其训练误差变化曲线如图4所示。

图4 训练样本误差折线图

测试样本的训练结果表明，样本数据的拟合度非常高，样本误差均能保持在1%以内，说明本文提出的改进模糊神经网络预警方法训练拟合度很高，具有较强的泛化能力。

5 结语

本文依据电力通信网络的事前预警需求，针对网络故障征兆、故障原因和状态转换之间的模糊性、非线性特点，在借用模糊神经网络模型的基础上，提出一种改进方法，利用蚁群算法的全局搜索性优化网络连接权值，解决了传统模糊神经网络训练过程易陷入局部极小点的问题，并提高了收敛速度。并利用仿真环境对改进后的模糊神经网络算法进行验证，实验结果表明改进后的模糊神经网络算法在在解决课题中电力通信性能预警问题上的优越性，具有很强的实用性。但由于该算法是在仿真环境下的测试与验证，其参数的取值均需根据电力通信网络的实际情况在大量实验总结的基础上才能确定最优值，后续研究工作中应着力开展这方面的研究工作，确保实验结果更加有效和完善。