基于Apriori-BPNN分析的繼電保護通信電路風險評估研究及應用*

呂順利 施 健 繆巍巍 吳海洋 陸 濤

(1.南瑞集團公司(國網電力科學研究院) 南京 210003)(2.江蘇省電力公司 南京 210024)

基于Apriori-BPNN分析的繼電保護通信電路風險評估研究及應用*

呂順利1施 健1繆巍巍2吳海洋2陸 濤1

(1.南瑞集團公司(國網電力科學研究院) 南京 210003)(2.江蘇省電力公司 南京 210024)

為解決“海量數據”和“有限知識”之間的矛盾,提高繼電保護通信電路風險評估準確性和算法效率,提升事前預警能力,論文提出一種融合關聯規則分析和神經網絡的風險評估方法Apriori-BPNN。該方法首先基于多源異構的數據構建初始指標體系,在此基礎上采用改進的Apriori算法確定多種因素與目標的關聯度,實現指標篩選;采用BP神經網絡算法確定各因素的權重,并加權求得最終的綜合風險評估指標。仿真結果表明,Apriori-BPNN既避免了傳統層次分析法的不足,又簡化了神經網絡的結構,提高了繼電保護通信電路風險評估準確度和算法效率,使運維人員能及時發現存在的隱患和風險,指導繼電保護通信電路的主動預警與智能檢修,提高繼電保護業務運行的安全性和穩定性。

關聯規則分析; 神經網絡; Apriori-BPNN分析; 繼電保護通信電路; 風險評估

1 引言

2015年烏克蘭停電事件是由信息攻擊引發的大規模停電事故,事故發生不久便獲得了廣泛關注,同時也將電力系統的信息安全問題擺在了人們面前,成為建設與完善電力系統乃至未來的能源互聯網所不可回避的重要挑戰[1]。

繼電保護裝置在電力系統運行過程中具有極其重要的作用[2～3],繼電保護裝置的正常工作離不開電力通信網,電力通信系統作為基礎承載實體網絡,不僅為各類電力信息系統提供通道支撐,同時還直接負責電網繼電保護控制信號的實時、可靠傳輸,為電網生產安全控制提供通信基礎[4]。

隨著電力通信網絡規模的不斷擴大,傳輸網層次的逐漸增多,網絡結構的日趨復雜,對繼電保護通信電路的安全運行提出了新的挑戰。研究發現,國內繼電保護通信電路風險評估體系和方法很不完備,存在如下問題:

1) 指標零碎,缺乏有效的大數據分析能力。繼電保護通信電路的風險評估涉及電力通信網光纜層、傳輸層、業務層等各層級的多源異構信息,導致評估多而雜,尚未形成系統的體系,不同網省公司有各自的手段和指標,信息不能有效共享,未形成電力系統統一、高效的風險評估體系和方法;

2) 風險評估準確性低,事前預警能力較差。目前繼電保護通信電路風險評估指標的權重以定性為主,大多通過專家咨詢法和層次分析法來計算,使得評估結果在很大程度上受到專家權威和個人偏好等主觀因素影響,降低了評估的客觀性,導致隱患和風險未能及時被發現,事前預警能力較差。

為解決上述問題,本文提出一種融合關聯規則分析和神經網絡的風險評估方法Apriori-BPNN:針對當前現狀,基于多源異構的海量數據構建初始指標體系,采用改進的Apriori算法確定多種因素與目標的關聯度,實現指標篩選,建立統一、高效的評估體系和方法;采用BP神經網絡算法對各因素的權重進行智能測算,加權求得綜合風險評估指標,避免了傳統層次分析法主觀因素的影響,提高了評估準確性。仿真結果表明,Apriori-BPNN有效提高了繼電保護通信電路風險評估準確性和算法效率,使運維人員能及時發現存在的隱患和風險,提高了繼電保護業務運行的安全性和穩定性。

2 繼電保護通信電路風險評估的數學模型

電力信息通信作為能源與信息通信技術的交叉與融合點[5],將發揮更大的作用,承擔更大的責任。電力通信網是電力系統安全、穩定運行的重要支柱,而電力通信網承載的繼電保護裝置運行的可靠性直接關系著電力系統的運行[6～7]。

圖1 典型繼電保護通信電路示意圖

繼電保護通信電路示意如圖1所示,一條繼電保護業務由多套保護裝置、多條通信電路采取主備方式保護。繼電保護通信電路通常被定義為單套保護裝置(圖中深色陰影)或者單個保護模塊(圖中淺色陰影區域的A或B模塊)間的通信電路,本文研究對象為如上定義的繼電保護通信電路的風險評估。

圖2 電力通信網絡分層模型

繼電保護通信電路屬于電力通信網絡的一部分,從模型層次上分析,電力通信網絡可分為光纜層、傳輸層、業務層,如圖2所示。其中光纜層涉及光纜類型、敷設方式、途經地域的氣象和環境條件、是否包含三跨等因素;傳輸層涉及廠家類型、設備型號、家族缺陷、傳輸拓撲、時隙占用、保護方式等因素;業務層涉及業務承載情況、業務開通方式、歷史故障和檢修記錄、運維人員管理水平等因素。

由上可知,繼電保護通信電路作為能源與信息通信技術的交叉與融合點,涉及電力通信網光纜層、傳輸層、業務層等各層級的多源異構海量信息,導致評估不成體系,存在“海量數據”和“有限知識”之間的矛盾,急需有效的大數據分析能力,提高繼電保護通信電路風險評估準確性和算法效率,提升事前預警能力。

繼電保護通信電路風險評估是利用繼電保護通信電路的層級結構、運行特點及相關理論技術,特別是大數據分析挖掘相關的算法,對繼電保護通信電路可靠性是否達到一定安全要求所做出的價值判斷,目的是提前發現系統存在的隱患,指導繼電保護通信電路的主動預警與智能檢修,提高繼電保護業務運行的安全性和穩定性。

繼電保護通信電路受光纜層、傳輸層、業務層多個層級諸多因素影響,且各因素影響程度也不相同,導致風險評估的輸入和輸出之間呈現復雜的非線性關系,難以建立用一個合理、精確的數學解析式。

本文首先構建繼電保護通信電路評估模型的初始指標集,設為{x1,x2,…,xn},那么風險評估的數學模型為

y=f(x1,x2,…,xn)

(1)

式(1)中,y為風險評估函數。繼電保護通信電路風險評估的建模,就是要找到一個最適合的風險評估函數y,該函數能很好地反映繼電保護通信電路風險評估系統的輸入和輸出之間復雜的非線性關系。風險評估函數y為連續值,取值范圍經過歸一化后為0到1,其中風險閾值是根據生產廠家推薦的性能參數值及歷史運行數據計算出的,根據實際計算得到的值同風險閾值對比,判斷系統所處狀態,并采取適當的檢修策略。

由于BP神經網絡(BPNN)具有良好的非線性學習能力,因此本文采用BPNN對該函數進行逼近。考慮到初始指標集規模可能很龐大,單純依賴神經網絡算法效率會很低,故引入Apriori關聯規則算法[8～9],先基于Apriori分析篩選出關聯指標,然后再應用BPNN算法[10～12],可大為減少神經網絡的結構,提高算法效率。基于上述考慮,本文提出一種融合關聯規則分析和神經網絡的風險評估方法Apriori-BPNN。

3 Apriori-BPNN風險評估模型

3.1 構建初始指標體系

針對當前現狀,建立繼電保護通信電路評估模型的第一步是構建初始的指標體系。繼電保護通信電路可靠運行評價,涉及光纜層、傳輸層、業務層等各層級的海量原始數據,包括光纜狀態、設備告警、性能數據、運行維護數據和專業管理數據等,結合實際情況及各網省公司多年的指標分析經驗,梳理得到圖3所示的初始指標體系,其中文本、日志等半結構數據及圖片、視頻等非結構化數據,需通過分詞、聚類、特征提取、模式識別等處理手段,先行轉化為結構化數據。

圖3 繼電保護通信電路風險評估指標體系

圖中所示的初始指標集,基于多源異構的海量原始數據得到,但由于這些指標雜而多、較為零碎,需要經過指標篩選和權重測算兩個關鍵步驟,才能得到最終有效、可行的綜合風險評估結果。

3.2 基于Apriori的指標篩選設計

Apriori算法[8～9]是布爾關聯規則挖掘頻繁項集的原創性算法。它采取逐層搜索的迭代方法生成所有頻繁項集。

針對構建的初始指標集,本文通過改進的Apriori關聯分析,實現對繼電保護通信電路有影響的關聯指標的分析挖掘,主要步驟為

1) 依據支持度找出所有頻繁項集(頻度),找出初始指標集的所有頻繁項集;

2) 依據置信度產生關聯規則(強度),找出對繼電保護通信電路有影響的關聯指標。

步驟1算法實現:

首先,通過掃描所有初始指標集,累計每個項的計數,并收集滿足最小支持度的項,找出頻繁1-項集的集合,即集合L1;然后,L1用于找頻繁2-項集的集合L2,L2用于找L3,如此下去,直到不能再找到頻繁k-項集,找每個需要一次初始指標全掃描。該步驟依據支持度找出初始指標集的所有頻繁項集。

步驟2算法實現:

依據置信度,找出對繼電保護通信電路有影響的強關聯指標。

為提高關聯規則分析的效率,本文對Apriori算法做了如下改進:

1) 通過構建支持度計算支撐數組來簡化支持度的計算,減少讀取數據庫的次數。

2) 通過構建鄰接字典鏈表,動態發現滿足支持度要求的二項頻繁集。

3) 通過分支篩選優化策略,動態刪除無效分支,快速生成二項頻繁集。

通過Apriori算法,篩選出對評估結果有重要影響的指標,用于確定BPNN的初始參數。通過基于Apriori的指標篩選,可大大減少神經網絡分析的輸入節點,簡化BPNN的網絡結構,提高風險評估算法的效率。

3.3 基于BPNN的權重測算設計

BP(error back proragation)神經網絡[8～9]是一種誤差反向傳播神經網,它由輸入層、隱含層和輸出層構成,是使用廣泛的一種人工神經網絡,結合繼電保護電路風險評估的需求,本文采用三層結構BPNN[13～14]。

利用Apriori關聯規則分析,篩選得到對繼電保護通信電路有影響的關聯指標,確定BPNN的輸入節點數n,故:

輸入層包含n個節點(對應訓練樣本的n個評價指標),其輸入向量為

X=(x1,x2,…,xi,…,xn)T

(2)

隱含層包含k個節點(隱含層神經元個數可通過逐步增長的方法確定),其輸出向量為

Y=(y1,y2,…,yj,…,ym)T

(3)

Apriori-BPNN輸出為繼電保護通信電路的綜合風險評估結果,故輸出層只包含一個節點,其輸出為o。

輸入層到隱含層之間的連接權(表示各節點聯系的緊密程度)用矩陣V表示:

V=(vij)nm

(4)

其中元素vij表示輸入層第i個節點與隱含層第j個節點間的連接權。

隱含層到輸出層之間的連接權向量:

W=(w1,w2,…,wj,…,wm)

(5)

其中wj表示輸出層與隱含層第j個節點間的連接權。

隱含層和輸出層激活函數均選最常用的單極性Sigmoid函數

(6)

初始化BPNN參數,并選取足夠的繼電保護通信電路評估樣本,采用BPNN對其進行訓練和學習。當所有樣本訓練結束并達到網絡精度要求后,由輸入層到隱含層之間的連接權矩陣V,計算各輸入層節點到所有隱含層節點間連接權的絕對值之和,并歸一化,得到n個指標的權重。具體公式如下:

(7)

確定各輸入指標權重,建立繼電保護通信電路評估模型后,即可對待評價繼電保護通信電路進行評估,輸出評價結果。

3.4 Apriori-BPNN風險評估流程

Apriori-BPNN風險評估流程含兩個步驟,步驟一基于Apriori完成指標篩選;步驟二基于BPNN完成權重測算,生成最優風險評估模型,并對待評價對象進行評估,輸出評估結果。

步驟一包括:

1) 搜集數據,并依據業務專家、經驗積累及實際要求,建立繼電保護通信電路風險評估的初始指標體系;

2) 基于Apriori關聯規則分析,篩選出對繼電保護通信電路有影響的關鍵指標。

步驟二包括:

1) 根據Apriori篩選出的評價指標確定BPNN輸入層的神經元個數,將繼電保護通信電路風險評估的結果作為模型的輸出,隱含層神經元個數可通過逐步增長的方法確定,確定BPNN模型的拓撲結構。

2) 對指標進行歸一化處理,消除指標量綱差異的不利影響。

3) 初始化BPNN參數,并選取足夠的繼電保護通信電路評估樣本,采用BPNN對其進行訓練和學習,建立繼電保護通信電路評估模型。

4) 采用建立的評估模型對待評價繼電保護通信電路進行評估,輸出評價結果,使得運維人員能夠及時發現存在的隱患和風險,并對潛在故障類型和影響范圍做進一步分析,指導主動預警和智能檢修。

Apriori-BPNN的風險評估流程如圖4所示。

圖4 Apriori-BPNN風險評估流程

4 算例分析

4.1 數據來源

為了檢驗Apriori-BPNN風險評估模型的性能,在RStudio 0.99平臺下對其進行仿真實驗。實驗數據來自某省電力公司的電力通信網絡風險評估數據庫,該庫包含近五年的繼電保護通信電路風險評估及實際運行情況記錄,從中選取1000條記錄作為模型的訓練及測試驗證數據,其中700條數據作為訓練樣本集,剩余300條數據作為測試樣本集。

4.2 繼電保護通信電路Apriori-BPNN風險評估模型實現

首先基于多源異構的海量原始數據,構建初始的指標體系,并采用改進的Apriori對初始風險評估指標集進行關聯規則分析,過程如圖5步驟一所示,分析得到敷設方式評價、環境溫度評價、傳輸拓撲評價、保護方式評價、歷史故障情況、光纜衰耗情況等六個關聯指標,對數據進行處理得到新的數據集。

將訓練樣本輸入到BP神經網絡進行訓練。其中采樣方式選擇Bootstap方法,避免由于采樣不均導致結果偏差。BP神經網絡具體訓練過程如圖4步驟二所示,由于步驟一的篩選簡化了BP神經網絡的輸入節點和網絡結構,算法收斂效果很好,如圖5所示。

圖5 Apriori-BPNN收斂曲線

圖6 Apriori-BPNN實際值與模型輸出相關性

采用建立的繼電保護通信電路風險評估模型對測試集進行檢測,得到實際輸出與模型輸出如圖6所示,兩者之間的相關系數為0.9132,評價精度達到90.95%,其中評價精度用來衡量預測值與實際值的擬合程度,計算公式為(|預測值-實際值|/實際值)*100%。評價結果的精度相當高。結果表明,融合了關聯規則分析和BP神經網絡的Apriori-BPNN評估方法是準確、可行的。

4.3 同其他方法的對比

傳統的繼電保護通信電路風險評估指標多而雜,尚未形成系統的體系,不同網省公司有各自的手段和指標,指標的權重以定性為主,大多通過專家咨詢法和層次分析法來計算。

Apriori-BPNN方法則建立了統一、高效的評估體系和方法,為了進一步評價Apriori-BPNN模型的優劣,選擇傳統的層次分析法(AHP)及單獨的BPNN進行對比實驗,采用評價精度和相關系數作為模型的衡量標準,對比結果如表1所示。

表1 三種算法的對比

AHP實際輸出與模型輸出相關性如圖7所示。

圖7 AHP實際值與模型輸出相關性

單獨BPNN實際輸出與模型輸出相關性如圖8所示。

圖8 BPNN實際值與模型輸出相關性

對表1和圖6～8的仿真結果進行對比和分析,可以得到如下結論:

Apriori-BPNN的評價精度更高,采用關聯規則分析篩選出對評估結果有重要影響的指標,然后采用非線性逼近能力強的BP神經網絡進行風險評估,充分結合兩者的優勢,提高了繼電保護通信電路風險評估精度和算法效率,是一種可行、有效的風險評估方法,使運維人員能及時發現存在的隱患和風險,提高了繼電保護業務運行的安全性和穩定性。

4.4 實際應用效果對比

根據該省公司歷年電力通信運維故障記錄的統計分析,63.7%～80.5%的繼電保護通信電路故障都是可以提前預警的。基于Apriori-BPNN分析的風險評估方法在該省公司實際應用一年以來,28項在運繼電保護通信電路的隱患被及時發現,未能及時預警的五個故障,是由于超高卡車掛斷光纜、系統外臨時施工挖斷光纜等突發的人為破壞導致,實際預警率達到了84.85%。為了做對比分析,借助傳統層次分析法也同步開展了風險評估,實際情況如表2所示。

從表中可看出,采用Apriori-BPNN方法后,實際的預警效果得到明顯提升,避免了繼電保護通信電路潛在的故障,極大地降低了故障造成的損失及運維人力成本,提高了繼電保護業務運行的安全性和穩定性。

表2 實際應用效果對比

5 結語

為解決“海量數據”和“有限知識”之間的矛盾,提高繼電保護通信電路風險評估的準確性和算法效率,提出一種基于Apriori-BPNN分析的風險評估方法。

1) 基于電力通信信息化建設積累的多源異構海量數據,構建初始指標體系,在此基礎上采用改進的關聯規則分析確定多種因素與目標的關聯度,實現指標篩選,簡化了模型結構,提高了算法效率。

2) 針對傳統層次分析法的不足,采用具備非線性逼近能力的BP神經網絡對復雜的繼電保護通信電路進行評價,提高了評估精度,使評估結果更具科學性和準確性。

仿真結果表明,相較于傳統的層次分析方法,Apriori-BPNN有效提高了繼電保護通信電路風險評估的準確性和算法效率,使運維人員能及時發現存在的隱患和風險,提高了繼電保護業務運行的安全性和穩定性。成果具有顯著的經濟效益、社會效益和管理效益,對電網安全穩定運行及管理具有重大意義。

[1] 郭慶來.由烏克蘭停電事件看信息能源系統綜合安全評估[J].電力系統自動化,2016,40(5):145-147. GUO Qinglai. Comprehensive Security Assessment for a Cyber Physical Energy System: a Lesson from Ukraine’s Blackout[J]. Automation of Electric Power Systems,2016,40(5):145-147.

[2] 趙麗莉,李雪明,倪明,等.繼電保護與安全穩定控制系統隱性故障研究綜述及展望[J].電力系統自動化,2014,22:128-135. ZHAO Lili, LI Xueming, NI Ming, et al. Review and Prospect of Research on Hidden Failures of Protection System and Security and Stability Control System[J]. Automation of Electric Power Systems,2014,22:128-135.

[3] 黃淑瓊,高強.光纖通信通道異常對繼電保護的影響[J].電力系統通信,2007,28(12):42-45.

HUANG Shuqiong, GAO Qian. Influence on relay protection caused by abnorm al optical fiber comm unication channel[J]. Telecommunications for Electric Power System,2007,28(12):42-45.

[4] 趙子巖,劉建明.基于業務風險均衡度的電力通信網可靠性評估算法[J].電網技術,2011,35(10):209-213. ZHAO Ziyan, LIU Jianming. A New Service Risk Balancing Based Method to Evaluate Reliability of Electric Power Communication Network[J]. Power System Technology,2011,35(10):209-213.

[5] 趙俊華,文福拴,薛禹勝,等.電力CPS的架構及其實現技術與挑戰[J].電力系統自動化,2010(16):1-7. ZHAO Junhua, WEN Fushuan, XUE Yusheng, et al. Cyber Physical Power Systems: Architecture, Implementation Techniques and Challenges[J]. Automation of Electric Power Systems,2010(16):1-7.

[6] 曾瑛.電力通信網可靠性分析評估方法研究[J].電力系統通信,2011,32(8):13-16. ZENG Ying. Power Communication Network Reliability Analysis and Evaluation Methods[J]. Telecommunications for Electric Power System,2011,32(8):13-16.

[7] 繆巍巍,何迎利,朱斌.基于IP網絡的電力遠動傳輸通道監測方法[J].電力系統自動化,2003,27(24):59-62. Miao Weiwei, HE Yingli, ZHU Bin. An ip-based method for supervising the electric power telecontrol transm ISSIoN channel[J]. Automation of Electric Power Systems,2003,27(24):59-62.

[8] Agrawal R, Imielinski T, Swami A. Mining asaz～ation rules between sets of items in large databases[J]. ACM SIGMOD Record,1993,22(2):207-216.

[9] Agrawal R, Imielinski T, Swami A. Databasemining: a peaorrii Rrlce perspective[J]. Knowledge and Data Engineering, IEEE Transactions,1993,5(6):914-925.

[10] 馮瑩瑩,于干,周紅志.層次分析法和神經網絡相融合的教學質量評價[J].計算機工程與應用,2013,49(17):235-245 FENG Yingying, YU Gan, ZHOU Hongzhi. Teaching quality evaluation model based on neural network and analytic hierarchy process[J]. Computer Engineering and Applications,2013,49(17):235-238.

[11] Dunham M H.數據挖掘教程[M].郭崇慧,田鳳占,靳曉明,譯.北京:清華大學出版社,2005:79-88. Dunham M H. Data Mining Tutorial[M]. GUO Chonghui, TAN Zhanfeng, JIN Xiaoming, translation. Beijing: Tsinghua University Press,2005:79-88.

[12] 孫曉玲,王寧,梁艷.應用BP神經網絡的教學評價模型及仿真[J].計算機仿真,2010,27(11):314-317. SUN Xiaoling, WANG Ning, LIANG Yan. A Method of Teaching Quality Evaluation Making Use of BP Neural Networks[J]. Computer Simulation,2010,27(11):314-317.

[13] 許敏,王士同.PSO優化的神經網絡在教學質量評價中的應用[J].計算機工程與設計,2008,29(20):5327-5330. XU Min, WANG Shitong. Application of neural network based on particle swarm algorithm for teaching quality evaluation[J]. Computer Engineering and Design,2008,29(20):5327-5330.

[14] 謝金亮.基于BP神經網絡的公立醫院運行監管指標權重測算研究[D].武漢:華中科技大學,2013. XIE Jinliang. Study on weight measurement of public hospital operation supervision index based on BP neural network[D]. Wuhan: Huazhong University of Science and Technology,2013.

Research and Application of Risk Assessment of Relay Protection Communication Circuit Based on Apriori-BPNN Analysis

LV Shunli1SHI Jian1MIU Weiwei2WU Haiyang2LU Tao1

(1. NARI Group Corporation, Nanjing 210003)(2. Jiangsu Electric Power Company, Nanjing 210024)

With combination of both association rules analysis and neural network method, an algorithm named "Apriori-BPNN" for assessing the risk is proposed in order to solve the contradiction between the "massive data" and "limited knowledge" and improve accuracy and efficiency of risk assessment on the relay protection communication circuit. After an intimal index system is set up based on the heterogeneous multi data, the improved Apriori algorithm is used to determine the correlation of various factors and objectives to achieve the index screening. The BP neural network algorithm is used to determine the weight of each factor to obtain the final comprehensive risk evaluation index. Simulation results indicate that the Apriori-BPNN avoids disadvantages of the traditional analytic hierarchy process, simplifies the structure of neural network and improves accuracy and efficiency of the risk assessment algorithm of the relay protection communication circuit. The operation and maintenance staff can timely detect the hidden dangers and risks so as to guide relaying protection communication circuit of active warning and intelligent maintenance, finally improves the security and stability of the relay protection operation.

association rule analysis, neural network, Apriori-BPNN analysis, relay protection communication circuit, risk assessment Class Number TM73

2016年10月13日,

2016年11月27日

江蘇省電力公司運用大數據技術的通信網絡全景監測與智能調配技術研究與應用項目(編號:500327478)資助。

呂順利,男,碩士,高級工程師,研究方向:通信網管、電力信息通信大數據研究及應用。施健,男,碩士,高級工程師,研究方向:通信網管、專家系統。繆巍巍,男,碩士,高級工程師,研究方向:電力通信傳輸網絡、智能電網、通信網絡運維。吳海洋,男,博士,工程師,研究方向:電力通信傳輸網絡、智能電網、通信網絡運維。陸濤,男,碩士,工程師,研究方向:電力通信網絡管理研究及應用。

TM73

10.3969/j.issn.1672-9722.2017.04.023