基于粗糙集改进的BP 神经网络设备故障预警研究∗

徐立坤 李建路

（南方电网调峰调频发电有限公司 广州 510630）

1 引言

电力通信设备的健康状态成为影响着电力生产安全的重要组成部分，设备故障可能会导致诸如电力生产电话、继电保护、安稳自动化等重要业务的正常运行，故开展电力通信设备隐患预警和故障预判显得异常重要［1～2］。然而大规模复杂电力传输网的安全因素较多，仅靠人工分析的效率和准确率都非常低，无法满足实际要求。

电力通信运维人员如能事前对设备隐患提前预判并及时处理，可大大减少设备及网络故障发生率，提高电力生产的安全稳定性能。近年来在信息通信新技术的推动下，利用智能化手段对电力通信设备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。近年国内外学者对故障诊断和预警做了大量的研究，文献［3］结合故障树理论和故障溯源分析，对智能变电站故障诊断进行了分析研究，文献［2］基于时序关系和空间资源等组合因素，进行了电力通信网故障分析研究，文献［5］介绍了数据挖掘算法在故障诊断中的应用，文献［6］对电力通信故障预警及防御进行了研究和应用。

神经网络，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。本文提出电力通信设备故障预警方法，基于历史故障数据和粗糙集理论得到故障预兆，并对故障征兆进行属性约简，可以较大幅度地减少输入神经元个数，从而优化算法结构，提高设备故障预警诊断的效率及准确率。

2 基于粗糙集改进的BP模糊神经网络

2.1 BP模糊神经网络

模糊神经网络FNN（Fuzzy Neural Network）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。BP（error back proragation）模糊神经网络［7～11］，是目前应用最广泛的模糊神经网络模型之一。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。

BP 模糊神经网络由输入层、隐含层和输出层构成，结合电力通信设备故障预警的需求，本文采用三层结构的BP模糊神经网，如图1所示。

图1 BP模糊神经网络

通过电力通信设备故障安全因素分析，设定BP模糊神经网络输入层包含n个节点（对应设备故障安全因素指标）：

隐含层包含m个节点：

输出为电力通信设备故障预警结果，只包含一个节点o。

输入层到隐含层各节点联系的紧密程度，用矩阵V表示：

其中元素vij表示输入层节点i 与隐含层节点j之间的连接紧密程度。

隐含层与输出层各节点联系的紧密程度，用矩阵W表示：

其中wj表示输出层与隐含层节点j 之间的连接紧密程度。

隐含层和输出层激活函数均选最常用的单极性Sigmoid函数

初始化BP 模糊神经网络参数，并选取足够样本进行训练，得到输入层到隐含层的连接紧密程度矩阵V，从而得到n个指标的权重：

确定各输入指标权重，建立电力通信设备故障预警模型，基于模型进行故障预警分析。

2.2 基于粗糙集的BP模糊神经网络改进方法

粗糙集理论（Rough Set Theory）［12～15］，是一种处理不精确、不确定和不完全数据的数学方法，通过对数据的分析和推理来发现隐含的知识、揭示潜在的规律，发现隐藏的问题。

由于大规模复杂电力传输网的安全因素较多，给分析处理带来很大的难度，有必要在风险分析前对相关因素进行约简，但保留必要的信息，以保证分析的效率和准确性，粗糙集理论正好满足了该需求。

在粗糙集理论框架中，主要研究一个由对象集和属性集构成的信息系统，去除初始决策表中冗余的条件属性不会影响分析的准确性，故可将复杂的决策表约简为不含冗余属性的最小条件属性决策表。

本文提出的基于粗糙集的BP模糊神经网络改进方法如图2所示。

具体步骤如下：

1）整理得到初始决策表。通过对电力通信设备故障数据进行整理，得到初始决策表。

图2 基于粗糙集改进的BP模糊神经网络

2）删除冗余的条件属性。通过对初始决策表进行分析，删除重复信息的列，完成纵向维度属性约简。

3）求出各行数据的关联度并进行横向维度的数据约简，消去重复的行，完成初始决策表横向维度的约简。

4）消去每一决策规则中的冗余属性。

5）确定BP 神经网络模型，明确各层神经元个数，选定隐含层和输出层激活函数。

6）输出预警结果。采用约简后的输入数据进行训练，如测试结果达不到预设精度，则重复步骤2）到步骤6），直到得到符合预设精度的结果。

3 算例分析

本文以电力通信光传输设备光板故障预警为例来说明基于粗糙集改进的BP模糊神经网络方法的实现过程。

1）初始决策表构建

根据运行历史数据形成设备光板故障预警决策表如表1所示。

表中共有82组样本数据，D为设备光板故障状态（出现故障为1，正常运转为0），C=｛a，b，c，d，e，f｝描述了电力通信传输设备光板的6 个故障征兆属性，依次为发光功率、收光功率、误码率、偏执电流、板卡温度及机房温度等。其中前4 个故障征兆属性取值为0 表示不变，取值为1 表示增高，取值为2表示降低，后2个故障征兆属性取值为0表示正常，取值为1表示异常。

2）粗糙集约简

采用基于差别函数的属性约简方法进行条件属性约简，删除表中多余的条件属性，完成初始决策表纵向维度属性约简，得到的属性约简结果为｛b，c，d，e｝，即影响该设备光板故障的主要因素为四个：收光功率、误码率、偏执电流、单板温度。

表1 故障预警初始决策表

求出各行数据的关联度并进行横向维度的数据约简，消去重复的行，完成初始决策表横向维度的约简。如第6 和第11 行重复，进行重复消除，约简后实际得到65行数据。

完成纵向维度和横向维度的约简后，最好再消去每一决策规则中的冗余属性，完成粗糙集约简。

3）BP神经网络模型确定

约简后有四个条件属性b、c、d、e，故选取3 层BP 神经网络，经反复实验试算得到隐含层节点数为16，故最终选取得到输入层节点为4、隐含层节点为16、输出层节点为1 的三层BP 神经网络。隐含层和输出层激活函数均选最常用的单极性Sigmoid 函数。选用约简得到的前60 组数据作为训练样本，仿真软件使用R语言，训练结果如图3所示。

图3 训练结果

网络训练完成后，用后5 组样本数据进行测试验证，得到预测结果，如表2所示。

表2 预警结果测试验证

4）与传统BP神经网络方法的预测结果对比

选用传统BP 模糊神经网络对82 组原始光板数据做预测分析，并同本文方法做对比。

预测方法和预测结果的可靠性通过平均绝对误差、均方误差两个指标进行评价，结果如表3 所示。

表3 同传统BP神经网络的对比

由表3 可知，本文提出的方法预测平均绝对误差为7.78%，均方误差为0.91%，预测准确度优于传统BP 神经网络。因此，运用基于粗糙集改进的BP 模糊神经网络预测方法进行电力通信设备故障预警是可行的。

4 结语

算例分析和实际验证表明，相较于传统的模糊神经网络，基于粗糙集改进的BP 模糊神经网络电力通信设备故障预警方法能较大幅度地减少输入神经元个数，从而优化算法结构，提高设备故障预警诊断的效率及准确率，提升电力通信设备精益化运维水平。