基于粗糙集改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)設(shè)備故障預(yù)警研究?

徐立坤 李建路

（南方電網(wǎng)調(diào)峰調(diào)頻發(fā)電有限公司 廣州 510630）

1 引言

電力通信設(shè)備的健康狀態(tài)成為影響著電力生產(chǎn)安全的重要組成部分，設(shè)備故障可能會(huì)導(dǎo)致諸如電力生產(chǎn)電話、繼電保護(hù)、安穩(wěn)自動(dòng)化等重要業(yè)務(wù)的正常運(yùn)行，故開展電力通信設(shè)備隱患預(yù)警和故障預(yù)判顯得異常重要［1～2］。然而大規(guī)模復(fù)雜電力傳輸網(wǎng)的安全因素較多，僅靠人工分析的效率和準(zhǔn)確率都非常低，無法滿足實(shí)際要求。

電力通信運(yùn)維人員如能事前對(duì)設(shè)備隱患提前預(yù)判并及時(shí)處理，可大大減少設(shè)備及網(wǎng)絡(luò)故障發(fā)生率，提高電力生產(chǎn)的安全穩(wěn)定性能。近年來在信息通信新技術(shù)的推動(dòng)下，利用智能化手段對(duì)電力通信設(shè)備的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)視與動(dòng)態(tài)分析，從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)隱患主動(dòng)式的事前預(yù)警成為了新的課題。近年國(guó)內(nèi)外學(xué)者對(duì)故障診斷和預(yù)警做了大量的研究，文獻(xiàn)［3］結(jié)合故障樹理論和故障溯源分析，對(duì)智能變電站故障診斷進(jìn)行了分析研究，文獻(xiàn)［2］基于時(shí)序關(guān)系和空間資源等組合因素，進(jìn)行了電力通信網(wǎng)故障分析研究，文獻(xiàn)［5］介紹了數(shù)據(jù)挖掘算法在故障診斷中的應(yīng)用，文獻(xiàn)［6］對(duì)電力通信故障預(yù)警及防御進(jìn)行了研究和應(yīng)用。

神經(jīng)網(wǎng)絡(luò)，這種具有高度非線性和很強(qiáng)自適應(yīng)學(xué)習(xí)能力的新方法為網(wǎng)絡(luò)性能預(yù)警技術(shù)帶來了新思路。但神經(jīng)網(wǎng)絡(luò)方法也存在著全局搜索能力差、收斂速度慢等缺點(diǎn)，容易使得最終結(jié)果陷入局部極值。因此，單獨(dú)使用神經(jīng)網(wǎng)絡(luò)的效果不一定是最優(yōu)的。本文提出電力通信設(shè)備故障預(yù)警方法，基于歷史故障數(shù)據(jù)和粗糙集理論得到故障預(yù)兆，并對(duì)故障征兆進(jìn)行屬性約簡(jiǎn)，可以較大幅度地減少輸入神經(jīng)元個(gè)數(shù)，從而優(yōu)化算法結(jié)構(gòu)，提高設(shè)備故障預(yù)警診斷的效率及準(zhǔn)確率。

2 基于粗糙集改進(jìn)的BP模糊神經(jīng)網(wǎng)絡(luò)

2.1 BP模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)FNN（Fuzzy Neural Network）是把模糊邏輯和神經(jīng)網(wǎng)絡(luò)兩種計(jì)算方法相結(jié)合，在處理非線性、模糊性等問題上具有很大的優(yōu)越性。BP（error back proragation）模糊神經(jīng)網(wǎng)絡(luò)［7～11］，是目前應(yīng)用最廣泛的模糊神經(jīng)網(wǎng)絡(luò)模型之一。模糊邏輯理論的引入，主要是因?yàn)殡娏νㄐ判阅茴A(yù)警的復(fù)雜性，其被監(jiān)視對(duì)象的性能參數(shù)所表現(xiàn)出來的各類征兆具有很大的不確定性。因此，需要對(duì)電力通信網(wǎng)絡(luò)的性能樣本數(shù)據(jù)進(jìn)行模糊化預(yù)處理，進(jìn)而將得到的模糊向量作為神經(jīng)網(wǎng)絡(luò)的輸入向量。

BP 模糊神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，結(jié)合電力通信設(shè)備故障預(yù)警的需求，本文采用三層結(jié)構(gòu)的BP模糊神經(jīng)網(wǎng)，如圖1所示。

圖1 BP模糊神經(jīng)網(wǎng)絡(luò)

通過電力通信設(shè)備故障安全因素分析，設(shè)定BP模糊神經(jīng)網(wǎng)絡(luò)輸入層包含n個(gè)節(jié)點(diǎn)（對(duì)應(yīng)設(shè)備故障安全因素指標(biāo)）：

隱含層包含m個(gè)節(jié)點(diǎn)：

輸出為電力通信設(shè)備故障預(yù)警結(jié)果，只包含一個(gè)節(jié)點(diǎn)o。

輸入層到隱含層各節(jié)點(diǎn)聯(lián)系的緊密程度，用矩陣V表示：

其中元素vij表示輸入層節(jié)點(diǎn)i 與隱含層節(jié)點(diǎn)j之間的連接緊密程度。

隱含層與輸出層各節(jié)點(diǎn)聯(lián)系的緊密程度，用矩陣W表示：

其中wj表示輸出層與隱含層節(jié)點(diǎn)j 之間的連接緊密程度。

隱含層和輸出層激活函數(shù)均選最常用的單極性Sigmoid函數(shù)

初始化BP 模糊神經(jīng)網(wǎng)絡(luò)參數(shù)，并選取足夠樣本進(jìn)行訓(xùn)練，得到輸入層到隱含層的連接緊密程度矩陣V，從而得到n個(gè)指標(biāo)的權(quán)重：

確定各輸入指標(biāo)權(quán)重，建立電力通信設(shè)備故障預(yù)警模型，基于模型進(jìn)行故障預(yù)警分析。

2.2 基于粗糙集的BP模糊神經(jīng)網(wǎng)絡(luò)改進(jìn)方法

粗糙集理論（Rough Set Theory）［12～15］，是一種處理不精確、不確定和不完全數(shù)據(jù)的數(shù)學(xué)方法，通過對(duì)數(shù)據(jù)的分析和推理來發(fā)現(xiàn)隱含的知識(shí)、揭示潛在的規(guī)律，發(fā)現(xiàn)隱藏的問題。

由于大規(guī)模復(fù)雜電力傳輸網(wǎng)的安全因素較多，給分析處理帶來很大的難度，有必要在風(fēng)險(xiǎn)分析前對(duì)相關(guān)因素進(jìn)行約簡(jiǎn)，但保留必要的信息，以保證分析的效率和準(zhǔn)確性，粗糙集理論正好滿足了該需求。

在粗糙集理論框架中，主要研究一個(gè)由對(duì)象集和屬性集構(gòu)成的信息系統(tǒng)，去除初始決策表中冗余的條件屬性不會(huì)影響分析的準(zhǔn)確性，故可將復(fù)雜的決策表約簡(jiǎn)為不含冗余屬性的最小條件屬性決策表。

本文提出的基于粗糙集的BP模糊神經(jīng)網(wǎng)絡(luò)改進(jìn)方法如圖2所示。

具體步驟如下：

1）整理得到初始決策表。通過對(duì)電力通信設(shè)備故障數(shù)據(jù)進(jìn)行整理，得到初始決策表。

圖2 基于粗糙集改進(jìn)的BP模糊神經(jīng)網(wǎng)絡(luò)

2）刪除冗余的條件屬性。通過對(duì)初始決策表進(jìn)行分析，刪除重復(fù)信息的列，完成縱向維度屬性約簡(jiǎn)。

3）求出各行數(shù)據(jù)的關(guān)聯(lián)度并進(jìn)行橫向維度的數(shù)據(jù)約簡(jiǎn)，消去重復(fù)的行，完成初始決策表橫向維度的約簡(jiǎn)。

4）消去每一決策規(guī)則中的冗余屬性。

5）確定BP 神經(jīng)網(wǎng)絡(luò)模型，明確各層神經(jīng)元個(gè)數(shù)，選定隱含層和輸出層激活函數(shù)。

6）輸出預(yù)警結(jié)果。采用約簡(jiǎn)后的輸入數(shù)據(jù)進(jìn)行訓(xùn)練，如測(cè)試結(jié)果達(dá)不到預(yù)設(shè)精度，則重復(fù)步驟2）到步驟6），直到得到符合預(yù)設(shè)精度的結(jié)果。

3 算例分析

本文以電力通信光傳輸設(shè)備光板故障預(yù)警為例來說明基于粗糙集改進(jìn)的BP模糊神經(jīng)網(wǎng)絡(luò)方法的實(shí)現(xiàn)過程。

1）初始決策表構(gòu)建

根據(jù)運(yùn)行歷史數(shù)據(jù)形成設(shè)備光板故障預(yù)警決策表如表1所示。

表中共有82組樣本數(shù)據(jù)，D為設(shè)備光板故障狀態(tài)（出現(xiàn)故障為1，正常運(yùn)轉(zhuǎn)為0），C=｛a，b，c，d，e，f｝描述了電力通信傳輸設(shè)備光板的6 個(gè)故障征兆屬性，依次為發(fā)光功率、收光功率、誤碼率、偏執(zhí)電流、板卡溫度及機(jī)房溫度等。其中前4 個(gè)故障征兆屬性取值為0 表示不變，取值為1 表示增高，取值為2表示降低，后2個(gè)故障征兆屬性取值為0表示正常，取值為1表示異常。

2）粗糙集約簡(jiǎn)

采用基于差別函數(shù)的屬性約簡(jiǎn)方法進(jìn)行條件屬性約簡(jiǎn)，刪除表中多余的條件屬性，完成初始決策表縱向維度屬性約簡(jiǎn)，得到的屬性約簡(jiǎn)結(jié)果為｛b，c，d，e｝，即影響該設(shè)備光板故障的主要因素為四個(gè)：收光功率、誤碼率、偏執(zhí)電流、單板溫度。

表1 故障預(yù)警初始決策表

求出各行數(shù)據(jù)的關(guān)聯(lián)度并進(jìn)行橫向維度的數(shù)據(jù)約簡(jiǎn)，消去重復(fù)的行，完成初始決策表橫向維度的約簡(jiǎn)。如第6 和第11 行重復(fù)，進(jìn)行重復(fù)消除，約簡(jiǎn)后實(shí)際得到65行數(shù)據(jù)。

完成縱向維度和橫向維度的約簡(jiǎn)后，最好再消去每一決策規(guī)則中的冗余屬性，完成粗糙集約簡(jiǎn)。

3）BP神經(jīng)網(wǎng)絡(luò)模型確定

約簡(jiǎn)后有四個(gè)條件屬性b、c、d、e，故選取3 層BP 神經(jīng)網(wǎng)絡(luò)，經(jīng)反復(fù)實(shí)驗(yàn)試算得到隱含層節(jié)點(diǎn)數(shù)為16，故最終選取得到輸入層節(jié)點(diǎn)為4、隱含層節(jié)點(diǎn)為16、輸出層節(jié)點(diǎn)為1 的三層BP 神經(jīng)網(wǎng)絡(luò)。隱含層和輸出層激活函數(shù)均選最常用的單極性Sigmoid 函數(shù)。選用約簡(jiǎn)得到的前60 組數(shù)據(jù)作為訓(xùn)練樣本，仿真軟件使用R語言，訓(xùn)練結(jié)果如圖3所示。

圖3 訓(xùn)練結(jié)果

網(wǎng)絡(luò)訓(xùn)練完成后，用后5 組樣本數(shù)據(jù)進(jìn)行測(cè)試驗(yàn)證，得到預(yù)測(cè)結(jié)果，如表2所示。

表2 預(yù)警結(jié)果測(cè)試驗(yàn)證

4）與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)方法的預(yù)測(cè)結(jié)果對(duì)比

選用傳統(tǒng)BP 模糊神經(jīng)網(wǎng)絡(luò)對(duì)82 組原始光板數(shù)據(jù)做預(yù)測(cè)分析，并同本文方法做對(duì)比。

預(yù)測(cè)方法和預(yù)測(cè)結(jié)果的可靠性通過平均絕對(duì)誤差、均方誤差兩個(gè)指標(biāo)進(jìn)行評(píng)價(jià)，結(jié)果如表3 所示。

表3 同傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的對(duì)比

由表3 可知，本文提出的方法預(yù)測(cè)平均絕對(duì)誤差為7.78%，均方誤差為0.91%，預(yù)測(cè)準(zhǔn)確度優(yōu)于傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)。因此，運(yùn)用基于粗糙集改進(jìn)的BP 模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法進(jìn)行電力通信設(shè)備故障預(yù)警是可行的。

4 結(jié)語

算例分析和實(shí)際驗(yàn)證表明，相較于傳統(tǒng)的模糊神經(jīng)網(wǎng)絡(luò)，基于粗糙集改進(jìn)的BP 模糊神經(jīng)網(wǎng)絡(luò)電力通信設(shè)備故障預(yù)警方法能較大幅度地減少輸入神經(jīng)元個(gè)數(shù)，從而優(yōu)化算法結(jié)構(gòu)，提高設(shè)備故障預(yù)警診斷的效率及準(zhǔn)確率，提升電力通信設(shè)備精益化運(yùn)維水平。