基于改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)的電力通信性能預(yù)警方法研究*

劉文軍 史慧革 周伯陽 呂 卓

（1.國(guó)網(wǎng)河南省電力公司 鄭州 450000）（2.國(guó)網(wǎng)河南省電力公司南陽供電公司 南陽 473000）

（3.國(guó)網(wǎng)河南省電力公司電力科學(xué)研究院 鄭州 450000）

1 引言

隨著我國(guó)智能電網(wǎng)的不斷加快建設(shè)，電力通信網(wǎng)絡(luò)作為智能電網(wǎng)的技術(shù)支撐和必要保證也得到飛速發(fā)展。電力通信的網(wǎng)絡(luò)規(guī)模急劇膨脹、業(yè)務(wù)數(shù)據(jù)日益增多以及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)日趨復(fù)雜，使得通信網(wǎng)絡(luò)設(shè)備發(fā)生故障的概率有了大幅提升，同時(shí)設(shè)備故障的信息量也呈現(xiàn)出指數(shù)級(jí)的增長(zhǎng)，使得通信故障掩埋在海量告警信息中，不僅加大了調(diào)度監(jiān)控人員的故障診斷難度，而且故障處置也只能停留在網(wǎng)絡(luò)發(fā)生問題后的事后響應(yīng)階段，嚴(yán)重影響了通信業(yè)務(wù)運(yùn)行的安全性和穩(wěn)定性［1～3］。

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)通信網(wǎng)絡(luò)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。傳統(tǒng)基于時(shí)間序列的自回歸積分滑動(dòng)平均模型（Autoregressive Integrated Moving Average Model，ARIMA）網(wǎng)絡(luò)性能預(yù)警分析方法，是從過去較長(zhǎng)一段時(shí)間的觀測(cè)序列值中找出系統(tǒng)發(fā)生變化的規(guī)律，從而推測(cè)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(dāng)整個(gè)通信網(wǎng)絡(luò)性能為非線性變化時(shí)，這種預(yù)警分析方法的實(shí)際效果變得欠佳［4～7］。

隨著神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，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。本文提出了一種改進(jìn)的模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）預(yù)警模型，通過對(duì)通信網(wǎng)絡(luò)的狀態(tài)信息模糊化，構(gòu)建基于模糊神經(jīng)網(wǎng)絡(luò)的故障預(yù)警自學(xué)習(xí)模型，并借用蟻群算法在解空間上全局搜索能力強(qiáng)、收斂速度快的優(yōu)點(diǎn)，從而快速找到最優(yōu)解。實(shí)驗(yàn)數(shù)據(jù)表明，該改進(jìn)的FNN預(yù)警模型方法切實(shí)可行，能有效提高檢索效率，從而提高設(shè)備故障預(yù)警準(zhǔn)確率。

2 模糊神經(jīng)網(wǎng)絡(luò)基本原理

BP（Back Propagation）網(wǎng)絡(luò)是1986 年由 Rumelhart 和McCelland 為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。模糊神經(jīng)網(wǎng)絡(luò)FNN 則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［8～12］。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。

模糊神經(jīng)網(wǎng)絡(luò)的一般結(jié)構(gòu)如圖1 所示。第一層為輸入模糊化層，針對(duì)不同的輸入變量采用不同的隸屬度函數(shù)進(jìn)行模糊化處理。第二層為隱含層，是內(nèi)部信息處理層，負(fù)責(zé)信息變換，可根據(jù)信息變化能力的需求設(shè)計(jì)成單隱層或者多隱層結(jié)構(gòu)［13～17］。第三層為輸出層，輸出計(jì)算結(jié)果。

神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)特性，由正向傳播和反向傳播組成，其基本學(xué)習(xí)流程如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程流程圖

1）給定輸入樣本和期望輸出；

2）對(duì)輸入樣本的模糊集合運(yùn)用隸屬度函數(shù)進(jìn)行模糊處理。常用的隸屬度函數(shù)包括高斯型隸屬函數(shù)、鐘形隸屬度函數(shù)、Sigmoid 函數(shù)型隸屬函數(shù)、三角形隸屬函數(shù)等；

3）根據(jù)模糊化的輸入樣本，計(jì)算神經(jīng)網(wǎng)絡(luò)中隱含層和輸出層各單元的輸出結(jié)果；

4）計(jì)算樣本輸出結(jié)果與期望輸出結(jié)果之間的偏差；

5）算法停止判別，當(dāng)實(shí)際偏差小于事先設(shè)定的期望值時(shí)，算法結(jié)束。否則轉(zhuǎn)到步驟6）；

6）反向傳播計(jì)算。將偏差按原聯(lián)接通路反向計(jì)算，采用梯度下降法調(diào)整各層節(jié)點(diǎn)的權(quán)值和閥值，使偏差不斷減小。

3 基于蟻群算法的模糊神經(jīng)網(wǎng)絡(luò)改進(jìn)方法

模糊神經(jīng)網(wǎng)絡(luò)算法能夠從海量數(shù)據(jù)中自動(dòng)識(shí)別、捕捉和提取其中隱藏規(guī)律，并用連接權(quán)值和閥值的方式將其包含神經(jīng)網(wǎng)絡(luò)中。但其同樣也有收斂速度不確定，易陷入極小點(diǎn)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(diǎn)，將其也模糊神經(jīng)網(wǎng)絡(luò)相結(jié)合，不僅能發(fā)揮神經(jīng)網(wǎng)絡(luò)的泛化映射能力，而且使神經(jīng)網(wǎng)絡(luò)收斂速度慢和容易陷入局部誤差極小點(diǎn)等缺點(diǎn)得到解決。

嵌入蟻群算法的模糊神經(jīng)網(wǎng)絡(luò)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(shù)進(jìn)行模糊化處理，所得的模糊化樣本向量作為模糊神經(jīng)網(wǎng)絡(luò)的輸入向量。

2）參數(shù)初始化。設(shè)定時(shí)間t=0，最大循環(huán)次數(shù)為Ncmax，初始化迭代計(jì)數(shù)器Nc=0。令權(quán)值區(qū)間（Wmin，Wmax）勻分為 div 份，每份隨機(jī)生成一個(gè)值。最優(yōu)解的保留數(shù)目σ=1，每個(gè)集合中的每個(gè)元素的信息素τj(Ipi)(t)=0，且τj(Ipi)=0，設(shè)定蟻群總量為m且可全部可達(dá)終點(diǎn)。

3）啟動(dòng)蟻群，對(duì)蟻群k=(k1，k2，…，kn) 根據(jù)如下路徑選擇規(guī)則計(jì)算的概率采用輪盤算法選擇集合Ipi的元素。

路徑選擇規(guī)劃：對(duì)集合Ipi，蟻群k根據(jù)式（1）計(jì)算的概率隨機(jī)選擇其中第j元素pij。

4）重復(fù)3），直到蟻群中所有的螞蟻都到達(dá)終點(diǎn)。

5）將蟻群中各螞蟻選擇的權(quán)值和閾值帶入模糊神經(jīng)網(wǎng)絡(luò)模型并計(jì)算神經(jīng)網(wǎng)絡(luò)輸出o和誤差e，記錄當(dāng)前最優(yōu)解。

6）根據(jù)信息素調(diào)節(jié)規(guī)則，更新每個(gè)元素的信息素。

信息素調(diào)節(jié)規(guī)則：隨著時(shí)間的推移，先前遺留的信息素將逐步消散，用參數(shù)ρ(0 ≤ρ≤1)表示信息揮發(fā)素系數(shù)，用1-ρ表示信息揮發(fā)素殘留系數(shù)。經(jīng)過n個(gè)時(shí)間單位，蟻群從起點(diǎn)到終點(diǎn)，各路徑上的信息素根據(jù)式（2）和式（3）做出調(diào)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(huán)中，在集合Ipi上留下的信息素，其計(jì)算公式見式（4）。

式中，Q為常數(shù)表示單周釋放信息素總量，可用于調(diào)節(jié)信息素的收斂速度；ek為按照第k只螞蟻選擇的一組權(quán)值和閾值建立的模糊神經(jīng)網(wǎng)絡(luò)均方誤差，即

式中，w表示輸入層到隱含層的權(quán)值；v示隱含層到輸出層的權(quán)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(shù)；L表示輸出層節(jié)點(diǎn)數(shù)；示第p組樣本輸出層的第l個(gè)節(jié)點(diǎn)實(shí)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(gè)節(jié)點(diǎn)期望輸出，p=1，2，…P，l=1，2，…，L。

因此，模糊神經(jīng)網(wǎng)絡(luò)的總誤差越小，則相應(yīng)信息素增加的就越多。

7）設(shè)定t=t+n，Nc=Nc+1。

8）若循環(huán)次數(shù)Nc≥Ncmax，則結(jié)束循環(huán)，輸出最優(yōu)權(quán)值和閾值；否則轉(zhuǎn)至步驟3）并更新最優(yōu)解。

9）將步驟8）中計(jì)算得到的最優(yōu)解放到模糊神經(jīng)網(wǎng)絡(luò)算法中，再利用模糊神經(jīng)網(wǎng)絡(luò)算法進(jìn)一步調(diào)優(yōu)權(quán)值，訓(xùn)練網(wǎng)絡(luò)，直至獲得期望的精度為止。

10）輸出最終結(jié)果。

其算法過程如圖3所示。

圖3 改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練流程圖

4 算法實(shí)現(xiàn)與驗(yàn)證

4.1 電力通信性能參數(shù)采集

模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練依賴于輸入的樣本數(shù)據(jù)，要實(shí)現(xiàn)電力通信網(wǎng)絡(luò)運(yùn)行狀態(tài)的預(yù)警，必須清楚組成通信網(wǎng)絡(luò)的每臺(tái)光傳輸設(shè)備的各類性能數(shù)據(jù)及其正常值范圍。目前，通信網(wǎng)絡(luò)主要依據(jù)廠家專業(yè)網(wǎng)管系統(tǒng)對(duì)整個(gè)通信網(wǎng)絡(luò)進(jìn)行配置和監(jiān)視管理。通過廠家專業(yè)網(wǎng)管系統(tǒng)提供的標(biāo)準(zhǔn)化北向接口，可以采集到每臺(tái)光傳輸設(shè)備的性能數(shù)據(jù)。常見的光傳輸設(shè)備性能指標(biāo)主要有收發(fā)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(shù)據(jù)及范圍

4.2 樣本數(shù)據(jù)模糊化預(yù)處理

光傳輸設(shè)備的不同性能指標(biāo)在衡量標(biāo)準(zhǔn)、量綱判定等方面存在較大差異，需要對(duì)各項(xiàng)性能指標(biāo)進(jìn)行規(guī)范化量化處理，屏蔽原有數(shù)據(jù)指標(biāo)之間的差異。本文通過模糊化對(duì)數(shù)據(jù)進(jìn)行預(yù)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(shù)據(jù)指標(biāo)轉(zhuǎn)化為有限閉合區(qū)間[0 ，1] 上的值。

對(duì)于發(fā)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(biāo)通常是在正常值上下波動(dòng)，其概率基本符合正態(tài)分布，可采用高斯型隸屬函數(shù)進(jìn)行模糊化預(yù)處理，其語言變量值通常有低”、“正?！?、“偏高”3 種類型。對(duì)于誤碼率其故障表征是“誤碼率高”，可采用Sigmoid 函數(shù)型隸屬函數(shù)進(jìn)行模糊化預(yù)處理，其語言變量值通常只有“正?！焙汀安徽！?種類型。

4.3 參數(shù)初始化設(shè)置

改進(jìn)模糊神經(jīng)算法中需選取的參數(shù)較多，其中蟻群總量m、信息揮發(fā)素系數(shù)ρ、單周釋放信息素總量Q、劃分度div 等參數(shù)對(duì)模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)和預(yù)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(qiáng)，但解空間的增加使得收斂速度（循環(huán)次數(shù)）減慢。因此蟻群數(shù)量需要根據(jù)實(shí)際情況，綜合全局搜索能力和收斂速度兩大因素進(jìn)行考慮。

蟻群數(shù)量可采用式（6）進(jìn)行擇優(yōu)選擇。

其中，num為模糊神經(jīng)網(wǎng)絡(luò)中待優(yōu)化權(quán)值和閥值的數(shù)量。

本文樣本數(shù)據(jù)經(jīng)模糊預(yù)處理后進(jìn)入輸入層的節(jié)點(diǎn)數(shù)有25個(gè)，隱含層節(jié)點(diǎn)數(shù)有20個(gè)，輸出層節(jié)點(diǎn)數(shù)有6 個(gè)，故num=25×20+20×6+20×6=646。根據(jù)式（6），結(jié)合實(shí)驗(yàn)數(shù)據(jù)取中間值m=175。

2）信息揮發(fā)素系數(shù)ρ(0 ≤ρ≤1)

信息揮發(fā)素系數(shù)ρ越大，其收斂速度越快，但隨機(jī)性能和全局搜索能力會(huì)受影響，易于陷入局部最優(yōu)解。因此，通過實(shí)驗(yàn)數(shù)據(jù)確定信息揮發(fā)素系數(shù)ρ=0.7（信息揮發(fā)素殘留系數(shù)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(jīng)路徑上釋放的信息素問題。原則上Q值越大，則蟻群搜索時(shí)的正反饋能力越強(qiáng)，收斂速度越快。綜合考慮整體樣本情況及目標(biāo)函數(shù)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(xiàn)最優(yōu)解的可能性越高，但同時(shí)也帶來求解時(shí)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(cè)試

本文通過傳輸設(shè)備網(wǎng)管的北向接口采集280組數(shù)據(jù)作為樣本進(jìn)行測(cè)試。利用蟻群算法優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的權(quán)值閾值，將最優(yōu)權(quán)值閾值輸入到模糊神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練樣本進(jìn)行學(xué)習(xí)，最終得到訓(xùn)練誤差。其部分輸出結(jié)果如表2所示。

表2 部分訓(xùn)練樣本輸出結(jié)果

其訓(xùn)練誤差變化曲線如圖4所示。

圖4 訓(xùn)練樣本誤差折線圖

測(cè)試樣本的訓(xùn)練結(jié)果表明，樣本數(shù)據(jù)的擬合度非常高，樣本誤差均能保持在1%以內(nèi)，說明本文提出的改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)預(yù)警方法訓(xùn)練擬合度很高，具有較強(qiáng)的泛化能力。

5 結(jié)語

本文依據(jù)電力通信網(wǎng)絡(luò)的事前預(yù)警需求，針對(duì)網(wǎng)絡(luò)故障征兆、故障原因和狀態(tài)轉(zhuǎn)換之間的模糊性、非線性特點(diǎn)，在借用模糊神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，提出一種改進(jìn)方法，利用蟻群算法的全局搜索性優(yōu)化網(wǎng)絡(luò)連接權(quán)值，解決了傳統(tǒng)模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程易陷入局部極小點(diǎn)的問題，并提高了收斂速度。并利用仿真環(huán)境對(duì)改進(jìn)后的模糊神經(jīng)網(wǎng)絡(luò)算法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明改進(jìn)后的模糊神經(jīng)網(wǎng)絡(luò)算法在在解決課題中電力通信性能預(yù)警問題上的優(yōu)越性，具有很強(qiáng)的實(shí)用性。但由于該算法是在仿真環(huán)境下的測(cè)試與驗(yàn)證，其參數(shù)的取值均需根據(jù)電力通信網(wǎng)絡(luò)的實(shí)際情況在大量實(shí)驗(yàn)總結(jié)的基礎(chǔ)上才能確定最優(yōu)值，后續(xù)研究工作中應(yīng)著力開展這方面的研究工作，確保實(shí)驗(yàn)結(jié)果更加有效和完善。