基于改進模糊神經網絡的電力通信性能預警方法研究*

劉文軍 史慧革 周伯陽 呂 卓

（1.國網河南省電力公司 鄭州 450000）（2.國網河南省電力公司南陽供電公司 南陽 473000）

（3.國網河南省電力公司電力科學研究院 鄭州 450000）

1 引言

隨著我國智能電網的不斷加快建設，電力通信網絡作為智能電網的技術支撐和必要保證也得到飛速發展。電力通信的網絡規模急劇膨脹、業務數據日益增多以及網絡拓撲結構日趨復雜，使得通信網絡設備發生故障的概率有了大幅提升，同時設備故障的信息量也呈現出指數級的增長，使得通信故障掩埋在海量告警信息中，不僅加大了調度監控人員的故障診斷難度，而且故障處置也只能停留在網絡發生問題后的事后響應階段，嚴重影響了通信業務運行的安全性和穩定性［1～3］。

近年來，在信息通信新技術的推動下，利用智能化手段對通信網絡的運行狀態進行實時監視與動態分析，從而實現對網絡隱患主動式的事前預警成為了新的課題。傳統基于時間序列的自回歸積分滑動平均模型（Autoregressive Integrated Moving Average Model，ARIMA）網絡性能預警分析方法，是從過去較長一段時間的觀測序列值中找出系統發生變化的規律，從而推測出未來可能的值。然而這種方法受到多種因素的影響，特別當整個通信網絡性能為非線性變化時，這種預警分析方法的實際效果變得欠佳［4～7］。

隨著神經網絡的出現，這種具有高度非線性和很強自適應學習能力的新方法為網絡性能預警技術帶來了新思路。但神經網絡方法也存在著全局搜索能力差、收斂速度慢等缺點，容易使得最終結果陷入局部極值。因此，單獨使用神經網絡的效果不一定是最優的。本文提出了一種改進的模糊神經網絡（Fuzzy Neural Network，FNN）預警模型，通過對通信網絡的狀態信息模糊化，構建基于模糊神經網絡的故障預警自學習模型，并借用蟻群算法在解空間上全局搜索能力強、收斂速度快的優點，從而快速找到最優解。實驗數據表明，該改進的FNN預警模型方法切實可行，能有效提高檢索效率，從而提高設備故障預警準確率。

2 模糊神經網絡基本原理

BP（Back Propagation）網絡是1986 年由 Rumelhart 和McCelland 為首的科學家小組提出，是一種按誤差逆傳播算法訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。模糊神經網絡FNN 則是把模糊邏輯和神經網絡兩種計算方法相結合，在處理非線性、模糊性等問題上具有很大的優越性［8～12］。模糊邏輯理論的引入，主要是因為電力通信性能預警的復雜性，其被監視對象的性能參數所表現出來的各類征兆具有很大的不確定性。因此，需要對電力通信網絡的性能樣本數據進行模糊化預處理，進而將得到的模糊向量作為神經網絡的輸入向量。

模糊神經網絡的一般結構如圖1 所示。第一層為輸入模糊化層，針對不同的輸入變量采用不同的隸屬度函數進行模糊化處理。第二層為隱含層，是內部信息處理層，負責信息變換，可根據信息變化能力的需求設計成單隱層或者多隱層結構［13～17］。第三層為輸出層，輸出計算結果。

神經網絡具有自學習特性，由正向傳播和反向傳播組成，其基本學習流程如圖2所示。

圖2 模糊神經網絡學習過程流程圖

1）給定輸入樣本和期望輸出；

2）對輸入樣本的模糊集合運用隸屬度函數進行模糊處理。常用的隸屬度函數包括高斯型隸屬函數、鐘形隸屬度函數、Sigmoid 函數型隸屬函數、三角形隸屬函數等；

3）根據模糊化的輸入樣本，計算神經網絡中隱含層和輸出層各單元的輸出結果；

4）計算樣本輸出結果與期望輸出結果之間的偏差；

5）算法停止判別，當實際偏差小于事先設定的期望值時，算法結束。否則轉到步驟6）；

6）反向傳播計算。將偏差按原聯接通路反向計算，采用梯度下降法調整各層節點的權值和閥值，使偏差不斷減小。

3 基于蟻群算法的模糊神經網絡改進方法

模糊神經網絡算法能夠從海量數據中自動識別、捕捉和提取其中隱藏規律，并用連接權值和閥值的方式將其包含神經網絡中。但其同樣也有收斂速度不確定，易陷入極小點的缺陷。本文利用蟻群算法的全局搜索能力、收斂速度快的特點，將其也模糊神經網絡相結合，不僅能發揮神經網絡的泛化映射能力，而且使神經網絡收斂速度慢和容易陷入局部誤差極小點等缺點得到解決。

嵌入蟻群算法的模糊神經網絡算法的主要步驟如下：

1）將輸入樣本向量按照各自特性選擇合適的隸屬度函數進行模糊化處理，所得的模糊化樣本向量作為模糊神經網絡的輸入向量。

2）參數初始化。設定時間t=0，最大循環次數為Ncmax，初始化迭代計數器Nc=0。令權值區間（Wmin，Wmax）勻分為 div 份，每份隨機生成一個值。最優解的保留數目σ=1，每個集合中的每個元素的信息素τj(Ipi)(t)=0，且τj(Ipi)=0，設定蟻群總量為m且可全部可達終點。

3）啟動蟻群，對蟻群k=(k1，k2，…，kn) 根據如下路徑選擇規則計算的概率采用輪盤算法選擇集合Ipi的元素。

路徑選擇規劃：對集合Ipi，蟻群k根據式（1）計算的概率隨機選擇其中第j元素pij。

4）重復3），直到蟻群中所有的螞蟻都到達終點。

5）將蟻群中各螞蟻選擇的權值和閾值帶入模糊神經網絡模型并計算神經網絡輸出o和誤差e，記錄當前最優解。

6）根據信息素調節規則，更新每個元素的信息素。

信息素調節規則：隨著時間的推移，先前遺留的信息素將逐步消散，用參數ρ(0 ≤ρ≤1)表示信息揮發素系數，用1-ρ表示信息揮發素殘留系數。經過n個時間單位，蟻群從起點到終點，各路徑上的信息素根據式（2）和式（3）做出調整。

其中，i=1，2，…，num，j=1，2，…，div。

Δ(Ipi)表示第k只螞蟻在本輪循環中，在集合Ipi上留下的信息素，其計算公式見式（4）。

式中，Q為常數表示單周釋放信息素總量，可用于調節信息素的收斂速度；ek為按照第k只螞蟻選擇的一組權值和閾值建立的模糊神經網絡均方誤差，即

式中，w表示輸入層到隱含層的權值；v示隱含層到輸出層的權值；θ示隱含層的閾值；r示輸出層的閾值；P表示輸入樣本組數；L表示輸出層節點數；示第p組樣本輸出層的第l個節點實際輸出，p=1，2，…P，l=1，2，…，L；表示第p組樣本輸出層的第l個節點期望輸出，p=1，2，…P，l=1，2，…，L。

因此，模糊神經網絡的總誤差越小，則相應信息素增加的就越多。

7）設定t=t+n，Nc=Nc+1。

8）若循環次數Nc≥Ncmax，則結束循環，輸出最優權值和閾值；否則轉至步驟3）并更新最優解。

9）將步驟8）中計算得到的最優解放到模糊神經網絡算法中，再利用模糊神經網絡算法進一步調優權值，訓練網絡，直至獲得期望的精度為止。

10）輸出最終結果。

其算法過程如圖3所示。

圖3 改進模糊神經網絡算法訓練流程圖

4 算法實現與驗證

4.1 電力通信性能參數采集

模糊神經網絡的訓練依賴于輸入的樣本數據，要實現電力通信網絡運行狀態的預警，必須清楚組成通信網絡的每臺光傳輸設備的各類性能數據及其正常值范圍。目前，通信網絡主要依據廠家專業網管系統對整個通信網絡進行配置和監視管理。通過廠家專業網管系統提供的標準化北向接口，可以采集到每臺光傳輸設備的性能數據。常見的光傳輸設備性能指標主要有收發光功率、誤碼率、偏置電流、溫度等性能值。

表1 電力通信性能數據及范圍

4.2 樣本數據模糊化預處理

光傳輸設備的不同性能指標在衡量標準、量綱判定等方面存在較大差異，需要對各項性能指標進行規范化量化處理，屏蔽原有數據指標之間的差異。本文通過模糊化對數據進行預處理，將輸入樣本的特征向量X=(x1，x2，…，x6)映射成各模糊子集的隸屬度，最終使得各數據指標轉化為有限閉合區間[0 ，1] 上的值。

對于發送光功率、接收光功率、溫度、工作電壓、偏置電流這5 種性能指標通常是在正常值上下波動，其概率基本符合正態分布，可采用高斯型隸屬函數進行模糊化預處理，其語言變量值通常有低”、“正常”、“偏高”3 種類型。對于誤碼率其故障表征是“誤碼率高”，可采用Sigmoid 函數型隸屬函數進行模糊化預處理，其語言變量值通常只有“正常”和“不正常”2種類型。

4.3 參數初始化設置

改進模糊神經算法中需選取的參數較多，其中蟻群總量m、信息揮發素系數ρ、單周釋放信息素總量Q、劃分度div 等參數對模糊神經網絡的訓練次數和預期精度影響較大。

1）蟻群總量m

蟻群總量m值越大，其全局搜索能力越強，但解空間的增加使得收斂速度（循環次數）減慢。因此蟻群數量需要根據實際情況，綜合全局搜索能力和收斂速度兩大因素進行考慮。

蟻群數量可采用式（6）進行擇優選擇。

其中，num為模糊神經網絡中待優化權值和閥值的數量。

本文樣本數據經模糊預處理后進入輸入層的節點數有25個，隱含層節點數有20個，輸出層節點數有6 個，故num=25×20+20×6+20×6=646。根據式（6），結合實驗數據取中間值m=175。

2）信息揮發素系數ρ(0 ≤ρ≤1)

信息揮發素系數ρ越大，其收斂速度越快，但隨機性能和全局搜索能力會受影響，易于陷入局部最優解。因此，通過實驗數據確定信息揮發素系數ρ=0.7（信息揮發素殘留系數1-ρ=0.3）。

3）單周釋放信息素總量Q

單周釋放信息素總量Q表示蟻群行走一周在所經路徑上釋放的信息素問題。原則上Q值越大，則蟻群搜索時的正反饋能力越強，收斂速度越快。綜合考慮整體樣本情況及目標函數值，選取單周釋放信息素總量Q=0.1。

4）劃分度div

劃分度div 越高，意味著蟻群可選擇的路徑越多，解空間的增加使得出現最優解的可能性越高，但同時也帶來求解時間增加的弊端。本文采用最小誤差方式選擇劃分度div=100。

4.4 仿真測試

本文通過傳輸設備網管的北向接口采集280組數據作為樣本進行測試。利用蟻群算法優化模糊神經網絡的權值閾值，將最優權值閾值輸入到模糊神經網絡，通過訓練樣本進行學習，最終得到訓練誤差。其部分輸出結果如表2所示。

表2 部分訓練樣本輸出結果

其訓練誤差變化曲線如圖4所示。

圖4 訓練樣本誤差折線圖

測試樣本的訓練結果表明，樣本數據的擬合度非常高，樣本誤差均能保持在1%以內，說明本文提出的改進模糊神經網絡預警方法訓練擬合度很高，具有較強的泛化能力。

5 結語

本文依據電力通信網絡的事前預警需求，針對網絡故障征兆、故障原因和狀態轉換之間的模糊性、非線性特點，在借用模糊神經網絡模型的基礎上，提出一種改進方法，利用蟻群算法的全局搜索性優化網絡連接權值，解決了傳統模糊神經網絡訓練過程易陷入局部極小點的問題，并提高了收斂速度。并利用仿真環境對改進后的模糊神經網絡算法進行驗證，實驗結果表明改進后的模糊神經網絡算法在在解決課題中電力通信性能預警問題上的優越性，具有很強的實用性。但由于該算法是在仿真環境下的測試與驗證，其參數的取值均需根據電力通信網絡的實際情況在大量實驗總結的基礎上才能確定最優值，后續研究工作中應著力開展這方面的研究工作，確保實驗結果更加有效和完善。