基于BP神經網絡的新一代智能變電站通信網絡狀態監測方法

摘 要：【目的】智能變電站作為智能電網核心組成部分，其通信網絡狀態將直接影響整個電網的穩定性和可靠性。對通信網絡進行實時監測，可以及時發現并處理網絡中潛在的問題，確保通信網絡穩定運行。【方法】在智能變電站的通信網絡節點處部署專用的報文捕獲設備，實時捕獲流經的報文。搭建用于新一代智能變電站通信網絡狀態監測的BP神經網絡，并將報文信息經輸入層輸入，由隱藏層的特征提取得到通信網絡的狀態特征，經計算后由輸出層輸出通信網絡狀態監測結果。【結果】該設計方法可實現對智能變電站通信網絡狀態的精準感知，且監測結果具有高度時效性。【結論】采用先進的BP神經網絡方法實現對通信網絡狀態的全面、準確評估，為智能變電站的安全、高效運行提供有力保障。

關鍵詞：BP神經網絡；新一代；智能變電站；通信網絡；狀態監測；報文

中圖分類號：TM732" " "文獻標志碼：A" " 文章編號：1003-5168（2025）04-0022-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.04.005

New Generation Intelligent Substation Communication Network State Monitoring Method Based on BP Neural Network

CHEN Yifu1 LONG Wei2 CHANG Xuewu2 CHENG Gangqiang2 ZHANG Bei2

SHE Fengjian2 FU Ruixiao2 LI Yuxi2

（1. Chongqing University-University of Cincinnati Joint Co-op Institute， Chongqing 400044，China;

2. State Grid Hunan Electric Power Co.， Ltd.， Changsha Power Supply Branch， Changsha 410015，China）

Abstract：[Purposes] As a core component of the smart grid， the intelligent substation directly affects the stability and reliability of the entire power grid by its communication network status. By monitoring the communication network in real-time， potential problems in the network can be detected and resolved in a timely manner， ensuring the stable operation of the communication network. [Methods] This paper deploys dedicated message capture devices at the communication network nodes of smart substations to capture real-time messages flowing through them and builds a BP neural network for monitoring the communication network status of the new generation of intelligent substations. The message information is input through the input layer， and the feature extraction of the hidden layer is used to obtain the state characteristics of the communication network. After calculation， the output layer outputs the communication network status monitoring results. [Findings] The design method can achieve accurate perception of the communication network status of intelligent substations， and the monitoring results have high timeliness. [Conclusions] By adopting advanced BP neural network methods to achieve comprehensive and accurate evaluation of communication network status， this paper provides strong guarantees for the safe and efficient operation of intelligent substations.

Keywords： BP neural network; new generation; intelligent substation; communication network; status monitoring; message

0 引言

智能變電站是智能電網中的關鍵設備，不僅要滿足其通信網絡的全面數字化建設需求，而且要有實時自動控制系統在線分析決策，實現設備間的協同互動。

王維維［1］設計的監測平臺由監測網絡模塊、報文捕獲與解析模塊、監測設備模塊和狀態監測軟件模塊構成，該平臺利用嵌入式以太網技術，結合軟定時器和網卡硬件驅動等組件，實現對通信網絡的全面監測。其中，報文捕獲與解析模塊選用Libpcap作為數據包捕獲庫，能解析多種報文類型。監測設備則包括通信分析儀和監聽裝置，用于實時捕捉和分析網絡數據。嵌入式以太網技術因采用CSMA/CD介質訪問控制機制，導致其網絡時延存在不確定性。這種不確定性可能對監測系統的實時性造成影響，進而影響智能變電站通信網絡狀態監測的準確性和可靠性。黃天煒等［2］分析了5G網絡中潛在的攻擊方式和場景，對網絡安全性進行全面的風險評估。在此基礎上，利用RSA算法，設計出一種高效的網絡安全監測方案，不僅實現數據傳輸的加密保護，還能有效提升網絡監測的準確性和安全性。RSA算法雖然強大，但其計算復雜度和資源消耗也相對較高，易對實時性要求較高的5G網絡監測任務產生一定影響。

為規范智能變電站運維管理，本研究引入BP神經網絡，以新一代智能變電站為例，對其通信網絡狀態監測方法進行設計。

1 新一代智能變電站通信網絡節點報文信息捕獲

在新一代智能變電站中，通信網絡節點報文信息的捕獲是確保電網穩定運行和故障快速響應的關鍵環節。在智能變電站的通信網絡節點處部署專用的報文捕獲設備，如網絡分析儀或報文記錄裝置，通過物理連接（如以太網口）接入通信網絡，實時捕獲流經的報文［3］。該過程的表示見式（1）。

[R=n?δ2N]" " " " " " " " "（1）

式中：[R]為流經報文的捕獲；[n]為變電站通信網絡中第[n]個節點；[δ]為節點通信效率；[N]為變電站通信網絡節點數量。

在此基礎上，配置捕獲設備的軟件參數。其中包括捕獲的報文類型（如IEC 61850標準定義的GOOSE、SV等報文）、捕獲時間范圍、存儲格式等，確保捕獲設備能準確記錄所需的報文信息。同時，設置捕獲設備的觸發條件，如基于特定報文內容的過濾、基于網絡流量的閾值觸發等［4］。當滿足觸發條件時，捕獲設備將自動開始或停止捕獲報文。報文捕獲停止條件見式（2）。

[T=8L?（B+R2）]" " " " " "（2）

式中：[T]為報文捕獲停止條件；[L]為通信網絡傳輸長度；[B]為通信網絡帶寬。

通過上述步驟，匹配報文信息、收集報文內容，并根據報文類型的不同，采樣包括通信節點測量值、狀態信息、控制命令等在內的具體數據，以此完成對變電站通信網絡節點報文信息的捕獲。

2 BP神經網絡模型構建

在上述研究內容的基礎上，引進BP神經網絡，對通信網絡節點的輸入—輸出進行映射，建立變電站通信網絡各個連接層之間的關系。BP神經網絡是一種多層前饋神經網絡，由輸入層、隱藏層和輸出層構成。為確保輸出的數據能直觀地呈現錄入報文數據的關系，使用已知的輸入—輸出數據對BP神經網絡進行訓練。在訓練過程中，通過反向傳播算法不斷調整網絡的權重和偏置，使網絡輸出逐漸逼近期望的輸出［5］。在BP神經網絡中，每個神經元的輸出見式（3）。

[y=f?Tigt;1nwixi+b]" " " " " （3）

式中：[y]為每個神經元的輸出；[f]為Sigmoid函數；[w]為權重；[x]為輸入數據；[b]為偏置；[i]為第[i]個神經元。

在訓練過程中，需要計算網絡的輸出與期望輸出之間的誤差。根據網絡的輸出值，誤差的計算見式（4）。

[E=12jgt;1myj-tj2]" " " " " "（4）

式中：[E]為誤差；[m]為輸出神經元的數量；[j]為訓練次數；[t]為期望輸出。

根據BP神經網絡中的反向傳播算法，進行映射中節點權重的更新。該過程的表示見式（5）。

[Δw=-η?E?w]" " " " " " " " "（5）

式中：[Δw]為節點權重的更新；[η]為學習率；[?E?w]為誤差對權重的偏導數。

參照上述公式，對映射中的數據偏置量進行更新，見式（6）。

[Δb=-η?E?b]" " " " " " " "（6）

式中：[Δb]為偏置更新；[?E?b]為誤差對偏置的偏導數。

通過上述步驟，將更新后的[Δw]、[Δb]代入式（3）中，構建BP神經網絡模型，并在輸入層進行通信網絡數據錄入，重復以上操作，直至得到輸出信息，即可實現對輸入—輸出數據映射。

3 通信網絡狀態監測實現

利用部署在通信網絡節點的捕獲設備，實時捕獲并存儲報文信息。在BP神經網絡中，通過輸入層輸入報文信息，經過隱藏層的特征提取，得到通信網絡狀態特征。狀態特征的計算見式（7）。

[F=fy+XW]" （7）

式中：[F]為狀態特征；[X]為信息維度；[W]為信息密度。

設定狀態特征的閾值，當實時監測到的狀態特征的某一維度超過對應的閾值時，認為該維度出現異常，異常判斷見式（8）。

[Q=Y，" Figt;χiN， Fi≤χi]" " " " " "（8）

式中：[Q]為通信網絡異常判定結果；[χ]為閾值。

當通信網絡出現異常時，提取與異常相關的報文信息，包括異常發生的時間、地點、類型，建立異常事件與時序的匹配關系，實現通信網絡狀態監測與異常信息提取。

4 實驗

4.1 實驗準備

以某智能變電站為研究對象，該變電站位于我國東部沿海某城市，是當地電網的重要組成部分。據統計，該變電站于2022年投入運行，總投資約為1.2億元人民幣，其智能化設備占比為60%，包括智能變壓器、智能斷路器等關鍵設備。在通信網絡方面，該變電站采用高速、可靠的以太網技術，實現設備間的高效數據傳輸和信息共享。對智能變電站通信網絡規模、技術參數及拓撲結構等進行分析，具體見表1。

表1 智能變電站通信網絡規模

[序號 項目 參數 1 總投資/萬元 12 000 2 智能設備占比 60% 3 站控層網絡協議 MMS協議 4 過程層網絡協議 GOOSE、SV協議 5 網絡拓撲結構 點對點+環形+星形 6 監聽端口數量（站控層）/個 2 7 監聽端口速率（站控層）/Mbps 100 8 監聽端口形式（站控層） 電口，RJ45 9 交換機類型（過程層） 間隔交換機、中心交換機 ]

2023年初，該智能變電站發生一次通信網絡故障，由于采用人工定期檢測，故障發現時間滯后約4 h，導致故障影響范圍擴大，嚴重影響周邊區域供電穩定性。具體數據顯示，故障期間，該變電站所在區域的電壓波動幅度超過5%，供電可靠性指標下降10%。同時，由于人工檢測準確性有限，故障定位不準確，修復時間也延長約2 h。

4.2 實驗步驟

搭建一個模擬的智能變電站通信網絡，包括站控層、間隔層、過程層設備及相應的交換機、路由器等網絡設備。使用專業的網絡通信測試設備，如網絡流量發生器、網絡協議分析儀等，以模擬真實的網絡通信環境和故障場景。智能變電站通信網絡狀態監測方法測試環境如圖1所示。

在測試環境中安裝智能變電站通信網絡狀態監測軟件，配置網絡通信協議，確保監測軟件能正確識別和處理網絡通信數據。同時，準備測試用的網絡通信數據包，在數據通信傳輸第5 min插入故障數據包，預期在插入故障數據包后，通信頻率開始發生波動，此后無干擾措施，通信頻率波動范圍持續增加。

為驗證本研究所提出的監測方法在實際應用中的效果，以基于嵌入式以太網的監測方法［1］、基于RSA算法的監測方法［2］為對照，對模擬的變電站通信網絡狀態進行監測。

4.3 實驗結果與分析

收集實際通信網絡狀態的數據，利用智能變電站通信網絡狀態監測軟件對同一時間段內的網絡狀態進行監測，并記錄監測結果。將監測結果與期望結果進行比對，評估三種監測方法在反映通信網絡真實狀態方面的準確性。以此為依據，匯總分析實驗結果，如圖2至圖4所示。

根據實驗預期，變電站通信網絡將在通信5 min后出現波動，且在無干擾措施條件下波動持續增強。

基于已知的前提條件，對上述三種方法的實驗結果進行分析。由圖2可知，應用本研究提出的方法進行監測，能監測到通信網絡在5 min后出現通信頻率的波動，且波動范圍呈逐步增加的趨勢。由圖3和圖4可知，基于嵌入式以太網的監測方法和基于RSA算法的監測方法的監測結果存在不同程度的延遲，分別在監測的第7 min和第9 min出現通信網絡狀態異常，與實際情況存在差異。

5 結語

人工定期檢測智能變電站通信網絡狀態的方法存在顯著不足，如效率低下、響應滯后及準確性差等，尤其是在復雜電磁環境中，模擬信號傳輸易受干擾，引發信號失真問題。相比之下，BP神經網絡作為一種先進的多層前饋神經網絡模型，憑借其卓越的非線性映射能力和自我學習能力，能模擬人類思維，高效處理復雜問題。近年來，BP神經網絡在模式識別、故障診斷及智能控制等多個領域展現出廣泛的應用價值。為此，本研究通過通信網絡節點報文信息捕獲、輸入—輸出數據映射、異常信息提取，完成此次設計。隨著現代化技術持續推進，本研究提出的基于BP神經網絡的新一代智能變電站通信網絡狀態監測方法有望在智能變電站領域得到廣泛應用。

參考文獻：

［1］王維維.基于嵌入式以太網的智能變電站通信網絡狀態監測［J］.北京石油化工學院學報，2023，31（2）：49-53.

［2］黃天煒，劉迪，游錦鋒.基于RSA算法的5G移動通信網絡安全監測方法［J］.電信快報，2024（6）：39-42.

［3］張濤，李倩倩，羅理機.基于多傳感器融合的通信網絡異常流量監測方法［J］.信息技術與信息化，2024（2）：176-179.

［4］盧丹蕾，李士寒.CBTC系統WLAN車地無線通信網絡在線監測關鍵技術及應用［J］.鐵道通信信號，2024，60（10）：65-73.

［5］伍坪.基于ZigBee通信網絡的農機作業監測系統設計［J］.農機化研究，2024，46（1）：146-150.