沈雪紅

(浙江郵電職業(yè)技術(shù)學(xué)院通信工程學(xué)院,浙江 紹興312366)

0 引言

隨著5G 互聯(lián)網(wǎng)通信技術(shù)的普及,電力線網(wǎng)運(yùn)行的穩(wěn)定性顯得尤為重要。電力通信網(wǎng)絡(luò)作為協(xié)調(diào)和保證系統(tǒng)發(fā)電、輸電和配電等工作的核心輔助工具,技術(shù)已經(jīng)較為成熟。但是基于電網(wǎng)結(jié)構(gòu)朝著新能源電力結(jié)構(gòu)和高耗電5G 設(shè)備轉(zhuǎn)變的現(xiàn)狀,電力通信技術(shù)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(jìn)行優(yōu)化和改進(jìn)[1]。關(guān)于電力通信安全預(yù)警系統(tǒng)的研究始于20 世紀(jì)初期,國內(nèi)外眾多學(xué)者就電網(wǎng)預(yù)警系統(tǒng)作了一些研究分析,例如基于專家評分法的經(jīng)驗(yàn)預(yù)警體系、基于模糊綜合評價法或?qū)哟畏治龇ǖ亩款A(yù)警系統(tǒng)[2]。前者過度依賴專家的經(jīng)驗(yàn)判斷,主觀性較強(qiáng);后者過度依賴計算公式的客觀結(jié)果,雖然簡便,但是誤差率較高[3-5]。我國傳統(tǒng)電網(wǎng)通信預(yù)警系統(tǒng)中,同步數(shù)字體系(synchronous digital hierarchy,SDH)是技術(shù)較為成熟、應(yīng)用較為廣泛的技術(shù)規(guī)范和標(biāo)準(zhǔn)。但是SDH 技術(shù)采用的是被動邏輯判斷方式,只有系統(tǒng)內(nèi)發(fā)生通信故障時才會發(fā)出故障警告,并且該系統(tǒng)無法及時定位故障位置和可能的故障原因[6]。這種較為機(jī)械的通信故障預(yù)警方式在今后信息通信極為發(fā)達(dá)的5G 互聯(lián)網(wǎng)時代,顯然無法滿足電力企業(yè)對電力網(wǎng)絡(luò)的可靠性和即時性需求。

針對目前SDH 電網(wǎng)通信預(yù)警系統(tǒng)存在的不足,本文提出基于人工神經(jīng)網(wǎng)絡(luò)算法的系統(tǒng)優(yōu)化方案。首先,在分析人工神經(jīng)網(wǎng)絡(luò)運(yùn)算方式和特征的基礎(chǔ)上,利用該算法的非線性計算方式和強(qiáng)大的學(xué)習(xí)能力,將其融入電網(wǎng)系統(tǒng)故障分析預(yù)測中。然后,研究電網(wǎng)運(yùn)行過程中的故障預(yù)警預(yù)測功能,從而提高電網(wǎng)通信系統(tǒng)的穩(wěn)定性和風(fēng)險識別能力,為電網(wǎng)線路的安全運(yùn)行提供可靠的數(shù)據(jù)支撐。

1 SDH 電網(wǎng)通信預(yù)警系統(tǒng)及其現(xiàn)狀

SDH 電網(wǎng)是一類基于同步信息傳輸和數(shù)字信息運(yùn)算,并且可以在不同類型信號設(shè)備上進(jìn)行統(tǒng)一網(wǎng)路管理的信息通信網(wǎng)絡(luò)[7]。作為電力通信網(wǎng)絡(luò)的關(guān)鍵環(huán)節(jié),SDH 電網(wǎng)能夠綜合系統(tǒng)內(nèi)部網(wǎng)絡(luò)、調(diào)度數(shù)據(jù)網(wǎng)絡(luò)和其他數(shù)據(jù)網(wǎng)絡(luò)進(jìn)行綜合業(yè)務(wù)管控,并且可以在電網(wǎng)線路出現(xiàn)故障時進(jìn)行自動愈合。SDH 網(wǎng)絡(luò)的可靠性主要體現(xiàn)在其具備典型的分布式管理方式。綜合來看,SDH 電力通信預(yù)警系統(tǒng)(以下簡稱“SDH 環(huán)網(wǎng)”)具有如下特點(diǎn)。

①應(yīng)急處置能力強(qiáng)。

在電力信息調(diào)度或者預(yù)警中,主要的信號傳輸方式有電話、視頻、網(wǎng)絡(luò)數(shù)據(jù)等。SDH 系統(tǒng)能夠迅速地將數(shù)據(jù)傳送到不同層級。

②兼容廣泛。

SDH 環(huán)網(wǎng)目前開發(fā)出多種可擴(kuò)展功能的外部接口,可以作為新技術(shù)的擴(kuò)容。

③運(yùn)行可靠。

電網(wǎng)運(yùn)行處于一個封閉穩(wěn)定的環(huán)境中,組網(wǎng)設(shè)備采用三層防護(hù)措施,可以抵御網(wǎng)絡(luò)病毒攻擊,抗環(huán)境干擾能力強(qiáng)。

④投資規(guī)模小。

目前所采用的SDH 環(huán)網(wǎng),在通信網(wǎng)絡(luò)線路上僅需要一對光纖,即可以確保所有數(shù)據(jù)的傳送,對數(shù)據(jù)資源的利用率高、系統(tǒng)維護(hù)成本低。SDH 光線網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。

圖1 SDH 光線網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 SDH ray network structure

目前,基于SDH 環(huán)網(wǎng)的電網(wǎng)通信預(yù)警方式主要依賴設(shè)備層和網(wǎng)絡(luò)層進(jìn)行故障分析和處理。

這種基于通信網(wǎng)絡(luò)故障的預(yù)警方式具有一定的局限性,屬于被動預(yù)警方式,無法提前預(yù)知可能存在的電力故障問題,難以規(guī)避高風(fēng)險電網(wǎng)故障。傳統(tǒng)的、基于規(guī)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(guī)則中,將會導(dǎo)致耗時過長或者無法預(yù)警。由于電網(wǎng)運(yùn)行過程中各個組成部分不同于一般通信業(yè)務(wù),電網(wǎng)中斷所造成的損失和影響巨大,如何盡可能提前預(yù)警和精準(zhǔn)判斷可能出現(xiàn)的故障和及其位置是十分重要的。

2 基于人工神經(jīng)網(wǎng)絡(luò)算法優(yōu)化

人工神經(jīng)網(wǎng)絡(luò)作為目前應(yīng)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(shù)據(jù)反饋方式[8]。通過賦予該算法合適的初始值和閾值,經(jīng)過多次迭代和修正,該算法能夠分析出2 種數(shù)據(jù)之間的關(guān)聯(lián)方式。因此,對于預(yù)測和分析可能存在的故障與信號之間的聯(lián)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(zhǔn)度有很大影響,本文提出利用遺傳算法對人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。

2.1 人工神經(jīng)網(wǎng)絡(luò)

作為模糊邏輯理論的關(guān)鍵算法,人工神經(jīng)網(wǎng)絡(luò)主要分為輸入層、隱含層和輸出層,通過提取電網(wǎng)通信數(shù)據(jù)匯總的關(guān)鍵樣本進(jìn)行模糊化處理,然后輸入算法模型。該模型會根據(jù)電力通信故障預(yù)警的要求進(jìn)行模糊計算。神經(jīng)網(wǎng)絡(luò)算法三層結(jié)構(gòu)如圖2 所示。

圖2 神經(jīng)網(wǎng)絡(luò)算法三層結(jié)構(gòu)Fig.2 Three-layer structure of neural network algorithm

對于電網(wǎng)通信故障而言,本文設(shè)定的神經(jīng)網(wǎng)絡(luò)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(yīng)n個不同的電網(wǎng)故障信號。其表達(dá)式如下:

式中:X為輸入層向量;m和n為向量維度。

設(shè)定神經(jīng)網(wǎng)絡(luò)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(yùn)算方式。其表達(dá)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(shù)W表征,f(w)常采用單極性函數(shù)。其表達(dá)式如下:

式中:W為X、Y這2 個向量相乘后的函數(shù)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(jīng)網(wǎng)絡(luò)初始值和閾值后,進(jìn)行樣本訓(xùn)練,從而獲取輸入樣本與隱含層直接的模糊關(guān)聯(lián)參數(shù)。本文以矩陣v表征該關(guān)聯(lián)矩陣,從而得到每個子向量之間的指標(biāo)權(quán)重s:

式中:s為計算后的權(quán)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(jīng)網(wǎng)絡(luò)優(yōu)化

由于人工神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)中進(jìn)行一種不精確、無關(guān)聯(lián)和無確定的數(shù)學(xué)處理,通過數(shù)據(jù)分析和預(yù)處理發(fā)現(xiàn)輸入值與輸出值之間的隱含聯(lián)系[9-10]。由于電網(wǎng)規(guī)模大,影響運(yùn)行安全的信號故障樣本數(shù)據(jù)眾多,采用傳統(tǒng)的數(shù)據(jù)處理方式無法提高數(shù)據(jù)處理效率。粗糙集算法恰好能夠?qū)撛陲L(fēng)險進(jìn)行相關(guān)性簡約分析,并保留關(guān)鍵信息[11-12]。在粗糙度理論計算中,本文在人工神經(jīng)網(wǎng)絡(luò)計算之前增加一個預(yù)處理方式,利用粗糙集算法對輸入樣本參數(shù)進(jìn)行尋優(yōu)。具體計算方式如下。

①收集故障數(shù)據(jù),整理并獲取決策數(shù)據(jù)表。對電網(wǎng)通信網(wǎng)絡(luò)中已經(jīng)存在的故障數(shù)據(jù)進(jìn)行整理,利用粗糙集算法對初始數(shù)據(jù)進(jìn)行預(yù)處理,選擇初始樣本數(shù)據(jù)中的關(guān)聯(lián)度最優(yōu)解,生成初始決策對應(yīng)表。

圖3 基于粗糙集優(yōu)化的神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)表進(jìn)行對比分析,剔除重復(fù)、多余和異常的樣本數(shù)據(jù)。

③冗余屬性消除。對樣本中的決策規(guī)則進(jìn)行分析,剔除決策規(guī)則中的重復(fù)、多余和異常等冗余決策規(guī)則。

④神經(jīng)網(wǎng)絡(luò)模型分析。利用神經(jīng)網(wǎng)絡(luò)模型,輸入樣本數(shù)據(jù),明確神經(jīng)元數(shù)量、輸入層和隱含層參數(shù),進(jìn)行模擬學(xué)習(xí)。

⑤預(yù)警結(jié)果輸出。輸出訓(xùn)練后的計算結(jié)果。該結(jié)果作為電網(wǎng)通信故障的模糊判據(jù)會不斷疊加分析,指導(dǎo)預(yù)測精度達(dá)到設(shè)定要求。

3 優(yōu)化通信預(yù)警系統(tǒng)設(shè)計

本文設(shè)計的電力通信預(yù)警系統(tǒng)主要分為4 個層級,分別為數(shù)據(jù)采集層、資源管理層、應(yīng)用管理層和功能展現(xiàn)層。數(shù)據(jù)采集層用于對獲取的故障樣本數(shù)據(jù)進(jìn)行適配和交互。資源管理層用于對處理后的數(shù)據(jù)進(jìn)行交互分析、同步共享等。應(yīng)用管理層用于實(shí)現(xiàn)電網(wǎng)預(yù)警系統(tǒng)的優(yōu)化、通道壓力分析、故障預(yù)警分析和故障處理建議等。功能展現(xiàn)層通過瀏覽器的可視化操作界面向操作人員提供系統(tǒng)目前的運(yùn)行狀態(tài),包括故障位置、故障原因、資源信息、系統(tǒng)運(yùn)行情況等。

故障預(yù)警系統(tǒng)和后臺采用Java 語言作為開發(fā)工具。前段頁面圖形用戶界面(graphical user interface,GUI)采用Flex 進(jìn)行開發(fā),系統(tǒng)數(shù)據(jù)庫采用MySQL,同時利用Tomcat 技術(shù)開發(fā)該系統(tǒng)的Web 應(yīng)用。優(yōu)化電力通信系統(tǒng)軟件結(jié)構(gòu)如圖4 所示。

圖4 優(yōu)化電力通信系統(tǒng)軟件結(jié)構(gòu)Fig.4 Optimizing software structure of power communication system

該軟件通過Web/Service 文件實(shí)現(xiàn)現(xiàn)有系統(tǒng)與優(yōu)化后預(yù)警系統(tǒng)的對接,接口適配器采用簡單對象訪問協(xié)議(simple object access protocol,SOAP)通信,大容量數(shù)據(jù)采用采用文件傳輸協(xié)議(file transfer protocol,FTP)。系統(tǒng)的主要部分為應(yīng)用層。該層主要能夠?qū)崿F(xiàn)三部分功能:第一部分為同步管理,包括基礎(chǔ)數(shù)據(jù)管理和線網(wǎng)資源同步;第二部分為應(yīng)用管理與分析,包括仿真應(yīng)用管理、資源的利用率分析、網(wǎng)絡(luò)可靠性分析以及通道壓力和風(fēng)險預(yù)警分析;第三部分為系統(tǒng)管理,包括系統(tǒng)日志管理、認(rèn)證管理和模塊管理等。

4 算例對比分析

選取某電網(wǎng)公司中的通信光板故障預(yù)警為研究對象,研究粗糙集算法改進(jìn)后的人工神經(jīng)網(wǎng)絡(luò)算法計算過程。計算過程中選取80 組樣本數(shù)據(jù),選取向量集Z代表設(shè)備運(yùn)行狀態(tài),出現(xiàn)故障時輸出值為1,正常運(yùn)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(fā)光功率、錯誤代碼、電流偏離、板載溫度、環(huán)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(xiàn)故障,2 表示故障增加。采用粗糙集算法對這些故障數(shù)據(jù)進(jìn)行優(yōu)化精簡,刪除原始樣本中的重復(fù)、異常等多余屬性數(shù)據(jù),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(shù)據(jù)的關(guān)聯(lián)度進(jìn)行橫向約簡后,最終得到的數(shù)據(jù)為62 組。選取三層人工神經(jīng)網(wǎng)絡(luò)模型,以上一步獲取的62 組數(shù)據(jù)作為訓(xùn)練樣本,利用Matlab 試驗(yàn)平臺,通過Simulink 仿真人工神經(jīng)網(wǎng)絡(luò)模型,開始進(jìn)行訓(xùn)練和擬合。設(shè)定動量系數(shù)為0.7、學(xué)習(xí)效率為0.25、最大學(xué)習(xí)次數(shù)為1 萬次、誤差為0.001。訓(xùn)練擬合結(jié)果曲線如圖5 所示。

圖5 訓(xùn)練擬合結(jié)果曲線Fig.5 Curve of training fitting results

為了對比優(yōu)化后的預(yù)警系統(tǒng)預(yù)測值與傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)算法的精確性,將原80 組樣本數(shù)據(jù)交由傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行學(xué)習(xí)訓(xùn)練后獲取預(yù)測數(shù)據(jù)。

優(yōu)化前后的模型預(yù)測結(jié)果對比如表1 所示。

表1 優(yōu)化前后的模型預(yù)測結(jié)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(yōu)化后的電網(wǎng)預(yù)警系統(tǒng)預(yù)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(tǒng)神經(jīng)網(wǎng)絡(luò)算法預(yù)測值誤差率為7.63%、8.81%、5.22%和6.25%,平均值為6.98%。優(yōu)化后的預(yù)警系統(tǒng)預(yù)測精度相比之下提升約75.1%。

5 結(jié)論

基于SDH 電網(wǎng)通信預(yù)警系統(tǒng),開展了粗糙集優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)算法研究,并且進(jìn)行了實(shí)例對比分析,得到以下結(jié)論。

①基于SDH 的電網(wǎng)通信預(yù)警方式主要依賴設(shè)備層和網(wǎng)絡(luò)層進(jìn)行故障分析和處理。這種基于通信網(wǎng)絡(luò)故障的預(yù)警方式具有一定的局限性,屬于被動預(yù)警方式,無法提前預(yù)知可能存在的電力故障問題,難以規(guī)避高風(fēng)險電網(wǎng)故障。

②電網(wǎng)規(guī)模大,影響運(yùn)行安全的信號故障樣本數(shù)據(jù)眾多,采用傳統(tǒng)的數(shù)據(jù)處理方式無法提高數(shù)據(jù)處理效率。粗糙集算法恰好能夠?qū)撛陲L(fēng)險進(jìn)行相關(guān)性約簡分析,并保留關(guān)鍵信息。

③通過算例對比研究發(fā)現(xiàn),優(yōu)化后的電網(wǎng)預(yù)警系統(tǒng)預(yù)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(shè)備。今后的研究應(yīng)采用更全面的樣本數(shù)據(jù),深入研究不同業(yè)務(wù)之間的關(guān)聯(lián)關(guān)系,以獲得更精確解。