基于神經網絡的電力通信預警系統設計及優化

沈雪紅

(浙江郵電職業技術學院通信工程學院,浙江 紹興312366)

0 引言

隨著5G 互聯網通信技術的普及,電力線網運行的穩定性顯得尤為重要。電力通信網絡作為協調和保證系統發電、輸電和配電等工作的核心輔助工具,技術已經較為成熟。但是基于電網結構朝著新能源電力結構和高耗電5G 設備轉變的現狀,電力通信技術可能存在一定的兼容性問題,因此需要采用新的算法對其進行優化和改進[1]。關于電力通信安全預警系統的研究始于20 世紀初期,國內外眾多學者就電網預警系統作了一些研究分析,例如基于專家評分法的經驗預警體系、基于模糊綜合評價法或層次分析法的定量預警系統[2]。前者過度依賴專家的經驗判斷,主觀性較強;后者過度依賴計算公式的客觀結果,雖然簡便,但是誤差率較高[3-5]。我國傳統電網通信預警系統中,同步數字體系(synchronous digital hierarchy,SDH)是技術較為成熟、應用較為廣泛的技術規范和標準。但是SDH 技術采用的是被動邏輯判斷方式,只有系統內發生通信故障時才會發出故障警告,并且該系統無法及時定位故障位置和可能的故障原因[6]。這種較為機械的通信故障預警方式在今后信息通信極為發達的5G 互聯網時代,顯然無法滿足電力企業對電力網絡的可靠性和即時性需求。

針對目前SDH 電網通信預警系統存在的不足,本文提出基于人工神經網絡算法的系統優化方案。首先,在分析人工神經網絡運算方式和特征的基礎上,利用該算法的非線性計算方式和強大的學習能力,將其融入電網系統故障分析預測中。然后,研究電網運行過程中的故障預警預測功能,從而提高電網通信系統的穩定性和風險識別能力,為電網線路的安全運行提供可靠的數據支撐。

1 SDH 電網通信預警系統及其現狀

SDH 電網是一類基于同步信息傳輸和數字信息運算,并且可以在不同類型信號設備上進行統一網路管理的信息通信網絡[7]。作為電力通信網絡的關鍵環節,SDH 電網能夠綜合系統內部網絡、調度數據網絡和其他數據網絡進行綜合業務管控,并且可以在電網線路出現故障時進行自動愈合。SDH 網絡的可靠性主要體現在其具備典型的分布式管理方式。綜合來看,SDH 電力通信預警系統(以下簡稱“SDH 環網”)具有如下特點。

①應急處置能力強。

在電力信息調度或者預警中,主要的信號傳輸方式有電話、視頻、網絡數據等。SDH 系統能夠迅速地將數據傳送到不同層級。

②兼容廣泛。

SDH 環網目前開發出多種可擴展功能的外部接口,可以作為新技術的擴容。

③運行可靠。

電網運行處于一個封閉穩定的環境中,組網設備采用三層防護措施,可以抵御網絡病毒攻擊,抗環境干擾能力強。

④投資規模小。

目前所采用的SDH 環網,在通信網絡線路上僅需要一對光纖,即可以確保所有數據的傳送,對數據資源的利用率高、系統維護成本低。SDH 光線網絡結構如圖1 所示。

圖1 SDH 光線網絡結構Fig.1 SDH ray network structure

目前,基于SDH 環網的電網通信預警方式主要依賴設備層和網絡層進行故障分析和處理。

這種基于通信網絡故障的預警方式具有一定的局限性,屬于被動預警方式,無法提前預知可能存在的電力故障問題,難以規避高風險電網故障。傳統的、基于規則的故障判斷方法需要不斷錄入新的案例才能夠完成故障識別。新的故障如不在規則中,將會導致耗時過長或者無法預警。由于電網運行過程中各個組成部分不同于一般通信業務,電網中斷所造成的損失和影響巨大,如何盡可能提前預警和精準判斷可能出現的故障和及其位置是十分重要的。

2 基于人工神經網絡算法優化

人工神經網絡作為目前應用較為廣泛的非線性人工智能算法,具有正向和反向2 種數據反饋方式[8]。通過賦予該算法合適的初始值和閾值,經過多次迭代和修正,該算法能夠分析出2 種數據之間的關聯方式。因此,對于預測和分析可能存在的故障與信號之間的聯系是可行的。

但是,由于初始值和閾值選取的不同對于計算效率和精準度有很大影響,本文提出利用遺傳算法對人工神經網絡模型進行優化。

2.1 人工神經網絡

作為模糊邏輯理論的關鍵算法,人工神經網絡主要分為輸入層、隱含層和輸出層,通過提取電網通信數據匯總的關鍵樣本進行模糊化處理,然后輸入算法模型。該模型會根據電力通信故障預警的要求進行模糊計算。神經網絡算法三層結構如圖2 所示。

圖2 神經網絡算法三層結構Fig.2 Three-layer structure of neural network algorithm

對于電網通信故障而言,本文設定的神經網絡模型的輸入層為向量X,該向量包含n個不同的子向量,對應n個不同的電網故障信號。其表達式如下:

式中:X為輸入層向量;m和n為向量維度。

設定神經網絡模型中隱含層為向量Y。該向量同樣包含n個不同的子向量,代表不同的模糊運算方式。其表達方式如下:

式中:Y為隱含層向量,m和n為向量維度。

輸入層與隱含層的緊密程度利用矩陣函數W表征,f(w)常采用單極性函數。其表達式如下:

式中:W為X、Y這2 個向量相乘后的函數矩陣;a和b分別為n階條件下的輸入值和隱含值。

在明確神經網絡初始值和閾值后,進行樣本訓練,從而獲取輸入樣本與隱含層直接的模糊關聯參數。本文以矩陣v表征該關聯矩陣,從而得到每個子向量之間的指標權重s:

式中:s為計算后的權重值;i和j分別為矩陣的2 個維度。

2.2 基于粗糙集的人工神經網絡優化

由于人工神經網絡的初始值和閾值對模糊計算影響較大,本文提出利用粗糙集算法在樣本數據中進行一種不精確、無關聯和無確定的數學處理,通過數據分析和預處理發現輸入值與輸出值之間的隱含聯系[9-10]。由于電網規模大,影響運行安全的信號故障樣本數據眾多,采用傳統的數據處理方式無法提高數據處理效率。粗糙集算法恰好能夠對潛在風險進行相關性簡約分析,并保留關鍵信息[11-12]。在粗糙度理論計算中,本文在人工神經網絡計算之前增加一個預處理方式,利用粗糙集算法對輸入樣本參數進行尋優。具體計算方式如下。

①收集故障數據,整理并獲取決策數據表。對電網通信網絡中已經存在的故障數據進行整理,利用粗糙集算法對初始數據進行預處理,選擇初始樣本數據中的關聯度最優解,生成初始決策對應表。

圖3 基于粗糙集優化的神經網絡計算流程Fig.3 Computational flow of neural network based on rough set optimization

②條件屬性梳理。對初始數據表進行對比分析,剔除重復、多余和異常的樣本數據。

③冗余屬性消除。對樣本中的決策規則進行分析,剔除決策規則中的重復、多余和異常等冗余決策規則。

④神經網絡模型分析。利用神經網絡模型,輸入樣本數據,明確神經元數量、輸入層和隱含層參數,進行模擬學習。

⑤預警結果輸出。輸出訓練后的計算結果。該結果作為電網通信故障的模糊判據會不斷疊加分析,指導預測精度達到設定要求。

3 優化通信預警系統設計

本文設計的電力通信預警系統主要分為4 個層級,分別為數據采集層、資源管理層、應用管理層和功能展現層。數據采集層用于對獲取的故障樣本數據進行適配和交互。資源管理層用于對處理后的數據進行交互分析、同步共享等。應用管理層用于實現電網預警系統的優化、通道壓力分析、故障預警分析和故障處理建議等。功能展現層通過瀏覽器的可視化操作界面向操作人員提供系統目前的運行狀態,包括故障位置、故障原因、資源信息、系統運行情況等。

故障預警系統和后臺采用Java 語言作為開發工具。前段頁面圖形用戶界面(graphical user interface,GUI)采用Flex 進行開發,系統數據庫采用MySQL,同時利用Tomcat 技術開發該系統的Web 應用。優化電力通信系統軟件結構如圖4 所示。

圖4 優化電力通信系統軟件結構Fig.4 Optimizing software structure of power communication system

該軟件通過Web/Service 文件實現現有系統與優化后預警系統的對接,接口適配器采用簡單對象訪問協議(simple object access protocol,SOAP)通信,大容量數據采用采用文件傳輸協議(file transfer protocol,FTP)。系統的主要部分為應用層。該層主要能夠實現三部分功能:第一部分為同步管理,包括基礎數據管理和線網資源同步;第二部分為應用管理與分析,包括仿真應用管理、資源的利用率分析、網絡可靠性分析以及通道壓力和風險預警分析;第三部分為系統管理,包括系統日志管理、認證管理和模塊管理等。

4 算例對比分析

選取某電網公司中的通信光板故障預警為研究對象,研究粗糙集算法改進后的人工神經網絡算法計算過程。計算過程中選取80 組樣本數據,選取向量集Z代表設備運行狀態,出現故障時輸出值為1,正常運行時輸出值為0。Z(x1,x2,x3,x4,x5,x6)代表了影響光板通信的6 個故障問題,分別為發光功率、錯誤代碼、電流偏離、板載溫度、環境溫度和收光功率。這幾個故障中,0表示無故障,1 表示出現故障,2 表示故障增加。采用粗糙集算法對這些故障數據進行優化精簡,刪除原始樣本中的重復、異常等多余屬性數據,完成初始值的約簡,獲取光板故障的4 個主要因素集(x1,x3,x4,x6)。將各個數據的關聯度進行橫向約簡后,最終得到的數據為62 組。選取三層人工神經網絡模型,以上一步獲取的62 組數據作為訓練樣本,利用Matlab 試驗平臺,通過Simulink 仿真人工神經網絡模型,開始進行訓練和擬合。設定動量系數為0.7、學習效率為0.25、最大學習次數為1 萬次、誤差為0.001。訓練擬合結果曲線如圖5 所示。

圖5 訓練擬合結果曲線Fig.5 Curve of training fitting results

為了對比優化后的預警系統預測值與傳統人工神經網絡算法的精確性,將原80 組樣本數據交由傳統人工神經網絡模型進行學習訓練后獲取預測數據。

優化前后的模型預測結果對比如表1 所示。

表1 優化前后的模型預測結果對比Tab.1 Comparison of model prediction results before and ather optimization

從表1 可知:采用粗糙集優化后的電網預警系統預測值誤差率分別為4.66%、6.12%、3.37% 和1.78%,平均值為3.98%;傳統神經網絡算法預測值誤差率為7.63%、8.81%、5.22%和6.25%,平均值為6.98%。優化后的預警系統預測精度相比之下提升約75.1%。

5 結論

基于SDH 電網通信預警系統,開展了粗糙集優化的人工神經網絡算法研究,并且進行了實例對比分析,得到以下結論。

①基于SDH 的電網通信預警方式主要依賴設備層和網絡層進行故障分析和處理。這種基于通信網絡故障的預警方式具有一定的局限性,屬于被動預警方式,無法提前預知可能存在的電力故障問題,難以規避高風險電網故障。

②電網規模大,影響運行安全的信號故障樣本數據眾多,采用傳統的數據處理方式無法提高數據處理效率。粗糙集算法恰好能夠對潛在風險進行相關性約簡分析,并保留關鍵信息。

③通過算例對比研究發現,優化后的電網預警系統預測精度有顯著提高。但是,本文的研究僅僅基于某一個光板設備。今后的研究應采用更全面的樣本數據,深入研究不同業務之間的關聯關系,以獲得更精確解。