基于神经网络的电力通信预警系统设计及优化

沈雪红

(浙江邮电职业技术学院通信工程学院,浙江 绍兴312366)

0 引言

随着5G 互联网通信技术的普及,电力线网运行的稳定性显得尤为重要。电力通信网络作为协调和保证系统发电、输电和配电等工作的核心辅助工具,技术已经较为成熟。但是基于电网结构朝着新能源电力结构和高耗电5G 设备转变的现状,电力通信技术可能存在一定的兼容性问题,因此需要采用新的算法对其进行优化和改进[1]。关于电力通信安全预警系统的研究始于20 世纪初期,国内外众多学者就电网预警系统作了一些研究分析,例如基于专家评分法的经验预警体系、基于模糊综合评价法或层次分析法的定量预警系统[2]。前者过度依赖专家的经验判断,主观性较强;后者过度依赖计算公式的客观结果,虽然简便,但是误差率较高[3-5]。我国传统电网通信预警系统中,同步数字体系(synchronous digital hierarchy,SDH)是技术较为成熟、应用较为广泛的技术规范和标准。但是SDH 技术采用的是被动逻辑判断方式,只有系统内发生通信故障时才会发出故障警告,并且该系统无法及时定位故障位置和可能的故障原因[6]。这种较为机械的通信故障预警方式在今后信息通信极为发达的5G 互联网时代,显然无法满足电力企业对电力网络的可靠性和即时性需求。

针对目前SDH 电网通信预警系统存在的不足,本文提出基于人工神经网络算法的系统优化方案。首先,在分析人工神经网络运算方式和特征的基础上,利用该算法的非线性计算方式和强大的学习能力,将其融入电网系统故障分析预测中。然后,研究电网运行过程中的故障预警预测功能,从而提高电网通信系统的稳定性和风险识别能力,为电网线路的安全运行提供可靠的数据支撑。

1 SDH 电网通信预警系统及其现状

SDH 电网是一类基于同步信息传输和数字信息运算,并且可以在不同类型信号设备上进行统一网路管理的信息通信网络[7]。作为电力通信网络的关键环节,SDH 电网能够综合系统内部网络、调度数据网络和其他数据网络进行综合业务管控,并且可以在电网线路出现故障时进行自动愈合。SDH 网络的可靠性主要体现在其具备典型的分布式管理方式。综合来看,SDH 电力通信预警系统(以下简称“SDH 环网”)具有如下特点。

①应急处置能力强。

在电力信息调度或者预警中,主要的信号传输方式有电话、视频、网络数据等。SDH 系统能够迅速地将数据传送到不同层级。

②兼容广泛。

SDH 环网目前开发出多种可扩展功能的外部接口,可以作为新技术的扩容。

③运行可靠。

电网运行处于一个封闭稳定的环境中,组网设备采用三层防护措施,可以抵御网络病毒攻击,抗环境干扰能力强。

④投资规模小。

目前所采用的SDH 环网,在通信网络线路上仅需要一对光纤,即可以确保所有数据的传送,对数据资源的利用率高、系统维护成本低。SDH 光线网络结构如图1 所示。

图1 SDH 光线网络结构Fig.1 SDH ray network structure

目前,基于SDH 环网的电网通信预警方式主要依赖设备层和网络层进行故障分析和处理。

这种基于通信网络故障的预警方式具有一定的局限性,属于被动预警方式,无法提前预知可能存在的电力故障问题,难以规避高风险电网故障。传统的、基于规则的故障判断方法需要不断录入新的案例才能够完成故障识别。新的故障如不在规则中,将会导致耗时过长或者无法预警。由于电网运行过程中各个组成部分不同于一般通信业务,电网中断所造成的损失和影响巨大,如何尽可能提前预警和精准判断可能出现的故障和及其位置是十分重要的。

2 基于人工神经网络算法优化

人工神经网络作为目前应用较为广泛的非线性人工智能算法,具有正向和反向2 种数据反馈方式[8]。通过赋予该算法合适的初始值和阈值,经过多次迭代和修正,该算法能够分析出2 种数据之间的关联方式。因此,对于预测和分析可能存在的故障与信号之间的联系是可行的。

但是,由于初始值和阈值选取的不同对于计算效率和精准度有很大影响,本文提出利用遗传算法对人工神经网络模型进行优化。

2.1 人工神经网络

作为模糊逻辑理论的关键算法,人工神经网络主要分为输入层、隐含层和输出层,通过提取电网通信数据汇总的关键样本进行模糊化处理,然后输入算法模型。该模型会根据电力通信故障预警的要求进行模糊计算。神经网络算法三层结构如图2 所示。

图2 神经网络算法三层结构Fig.2 Three-layer structure of neural network algorithm

对于电网通信故障而言,本文设定的神经网络模型的输入层为向量X,该向量包含n个不同的子向量,对应n个不同的电网故障信号。其表达式如下:

式中:X为输入层向量;m和n为向量维度。

设定神经网络模型中隐含层为向量Y。该向量同样包含n个不同的子向量,代表不同的模糊运算方式。其表达方式如下:

式中:Y为隐含层向量,m和n为向量维度。

输入层与隐含层的紧密程度利用矩阵函数W表征,f(w)常采用单极性函数。其表达式如下:

式中:W为X、Y这2 个向量相乘后的函数矩阵;a和b分别为n阶条件下的输入值和隐含值。

在明确神经网络初始值和阈值后,进行样本训练,从而获取输入样本与隐含层直接的模糊关联参数。本文以矩阵v表征该关联矩阵,从而得到每个子向量之间的指标权重s:

式中:s为计算后的权重值;i和j分别为矩阵的2 个维度。

2.2 基于粗糙集的人工神经网络优化

由于人工神经网络的初始值和阈值对模糊计算影响较大,本文提出利用粗糙集算法在样本数据中进行一种不精确、无关联和无确定的数学处理,通过数据分析和预处理发现输入值与输出值之间的隐含联系[9-10]。由于电网规模大,影响运行安全的信号故障样本数据众多,采用传统的数据处理方式无法提高数据处理效率。粗糙集算法恰好能够对潜在风险进行相关性简约分析,并保留关键信息[11-12]。在粗糙度理论计算中,本文在人工神经网络计算之前增加一个预处理方式,利用粗糙集算法对输入样本参数进行寻优。具体计算方式如下。

①收集故障数据,整理并获取决策数据表。对电网通信网络中已经存在的故障数据进行整理,利用粗糙集算法对初始数据进行预处理,选择初始样本数据中的关联度最优解,生成初始决策对应表。

图3 基于粗糙集优化的神经网络计算流程Fig.3 Computational flow of neural network based on rough set optimization

②条件属性梳理。对初始数据表进行对比分析,剔除重复、多余和异常的样本数据。

③冗余属性消除。对样本中的决策规则进行分析,剔除决策规则中的重复、多余和异常等冗余决策规则。

④神经网络模型分析。利用神经网络模型,输入样本数据,明确神经元数量、输入层和隐含层参数,进行模拟学习。

⑤预警结果输出。输出训练后的计算结果。该结果作为电网通信故障的模糊判据会不断叠加分析,指导预测精度达到设定要求。

3 优化通信预警系统设计

本文设计的电力通信预警系统主要分为4 个层级,分别为数据采集层、资源管理层、应用管理层和功能展现层。数据采集层用于对获取的故障样本数据进行适配和交互。资源管理层用于对处理后的数据进行交互分析、同步共享等。应用管理层用于实现电网预警系统的优化、通道压力分析、故障预警分析和故障处理建议等。功能展现层通过浏览器的可视化操作界面向操作人员提供系统目前的运行状态,包括故障位置、故障原因、资源信息、系统运行情况等。

故障预警系统和后台采用Java 语言作为开发工具。前段页面图形用户界面(graphical user interface,GUI)采用Flex 进行开发,系统数据库采用MySQL,同时利用Tomcat 技术开发该系统的Web 应用。优化电力通信系统软件结构如图4 所示。

图4 优化电力通信系统软件结构Fig.4 Optimizing software structure of power communication system

该软件通过Web/Service 文件实现现有系统与优化后预警系统的对接,接口适配器采用简单对象访问协议(simple object access protocol,SOAP)通信,大容量数据采用采用文件传输协议(file transfer protocol,FTP)。系统的主要部分为应用层。该层主要能够实现三部分功能:第一部分为同步管理,包括基础数据管理和线网资源同步;第二部分为应用管理与分析,包括仿真应用管理、资源的利用率分析、网络可靠性分析以及通道压力和风险预警分析;第三部分为系统管理,包括系统日志管理、认证管理和模块管理等。

4 算例对比分析

选取某电网公司中的通信光板故障预警为研究对象,研究粗糙集算法改进后的人工神经网络算法计算过程。计算过程中选取80 组样本数据,选取向量集Z代表设备运行状态,出现故障时输出值为1,正常运行时输出值为0。Z(x1,x2,x3,x4,x5,x6)代表了影响光板通信的6 个故障问题,分别为发光功率、错误代码、电流偏离、板载温度、环境温度和收光功率。这几个故障中,0表示无故障,1 表示出现故障,2 表示故障增加。采用粗糙集算法对这些故障数据进行优化精简,删除原始样本中的重复、异常等多余属性数据,完成初始值的约简,获取光板故障的4 个主要因素集(x1,x3,x4,x6)。将各个数据的关联度进行横向约简后,最终得到的数据为62 组。选取三层人工神经网络模型,以上一步获取的62 组数据作为训练样本,利用Matlab 试验平台,通过Simulink 仿真人工神经网络模型,开始进行训练和拟合。设定动量系数为0.7、学习效率为0.25、最大学习次数为1 万次、误差为0.001。训练拟合结果曲线如图5 所示。

图5 训练拟合结果曲线Fig.5 Curve of training fitting results

为了对比优化后的预警系统预测值与传统人工神经网络算法的精确性,将原80 组样本数据交由传统人工神经网络模型进行学习训练后获取预测数据。

优化前后的模型预测结果对比如表1 所示。

表1 优化前后的模型预测结果对比Tab.1 Comparison of model prediction results before and ather optimization

从表1 可知:采用粗糙集优化后的电网预警系统预测值误差率分别为4.66%、6.12%、3.37% 和1.78%,平均值为3.98%;传统神经网络算法预测值误差率为7.63%、8.81%、5.22%和6.25%,平均值为6.98%。优化后的预警系统预测精度相比之下提升约75.1%。

5 结论

基于SDH 电网通信预警系统,开展了粗糙集优化的人工神经网络算法研究,并且进行了实例对比分析,得到以下结论。

①基于SDH 的电网通信预警方式主要依赖设备层和网络层进行故障分析和处理。这种基于通信网络故障的预警方式具有一定的局限性,属于被动预警方式,无法提前预知可能存在的电力故障问题,难以规避高风险电网故障。

②电网规模大,影响运行安全的信号故障样本数据众多,采用传统的数据处理方式无法提高数据处理效率。粗糙集算法恰好能够对潜在风险进行相关性约简分析,并保留关键信息。

③通过算例对比研究发现,优化后的电网预警系统预测精度有显著提高。但是,本文的研究仅仅基于某一个光板设备。今后的研究应采用更全面的样本数据,深入研究不同业务之间的关联关系,以获得更精确解。