CN103279794A - 电力通信网风险评估方法 - Google Patents

Abstract

本发明提供了一种电力通信网风险评估方法，该电力通信网风险评估方法包括：获取用于评估电力通信网风险的样本数据库和指标数据库；采用样本数据库中的样本数据对调整学习速率的BP神经网络进行训练；采用该训练后的BP神经网络计算该指标数据库中指标数据对应的电力通信网风险评估值。本发明缩短了电力通信网风险评估的时间，并且提高评估结果的精度。

Description

电力通信网风险评估方法

技术领域

本发明涉及电力通信技术领域，特别涉及一种电力通信网风险评估方法。

背景技术

电力通信网是面向电力系统运行和管理的通信专网，是为了保证电力系统安全稳定运行而产生的电力系统的重要基础设施，具有明显的行业特色和特殊的安全可靠性要求。随着电力通信网的发展，大量的电力系统业务需要通过电力通信网传输，电力通信网的风险和故障对电力系统的影响日趋严重，电力系统生产部门对电力通信网的可靠性要求也越来越高，这使得对电力通信网进行风险评估具有重要意义。电力通信网风险评估就是根据电力通信网的特点建立风险评估体系，利用综合性的、多层次的评估方法估计出风险值。风险评估结果将用来指导制定安全策略，保证电力通信网的安全可靠运行。

现阶段，可以通过BP神经网络算法对电力通信网进行风险评估，传统BP神经网络的训练过程就是要使误差能量函数降低到给定的精度，但是由于误差函数的高维复杂性，使得传统BP神经网络算法出现了误差下降缓慢，调整时间长，收敛速度慢以及误差精度不高的问题，从而造成了电力通信网风险评估的过程时间长、结果精度不高的问题。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：解决电力通信网风险评估的过程时间长、结果精度不高的问题。

（二）技术方案

为解决上述技术问题，本发明提供了一种电力通信网风险评估方法，包括：

获取用于评估电力通信网风险的样本数据库和指标数据库；

采用样本数据库中的样本数据对调整学习速率的BP神经网络进行训练；

采用所述训练后的BP神经网络计算所述指标数据库中指标数据对应的电力通信网风险评估值。

进一步地，所述调整学习速率的BP神经网络包括：

计算所述BP神经网络的训练误差；

根据所述训练误差计算所述训练误差的误差梯度；

根据所述误差梯度调整学习速率。

进一步地，计算所述BP神经网络的训练误差，包括：

将所述样本数据库中的样本数据作为输入向量计算所述BP神经网络的隐层的输出值；

根据所述隐层的输出值计算所述BP神经网络的输出层节点的输出值；

根据所述输出层节点的输出值及预先设置的期望值计算所述BP神经网络的训练误差。

进一步地，采用以下方式根据所述训练误差计算所述训练误差的误差梯度：

$\▿E\left(\mathrm{\ω}\right)=\frac{\∂E}{\∂v_{\mathrm{ij}}}$

其中，

为误差梯度，E为所述训练误差，v_ij为第i个节点与第j个节点的连接权值。

进一步地，根据所述误差梯度调整学习速率，包括：

判断本次训练的误差梯度的梯度变化方向与上次训练的误差梯度的梯度变化方向是否相同，若不同，将所述学习速率减小或者保持不变，若相同，增大所述学习速率。

进一步地，将所述学习速率减小或者保持不变，包括：

$\left\{\begin{array}{cc}{\mathrm{\&eta;}}_k=\frac{{\mathrm{\&eta;}}_{k-1}}{2}& {\mathrm{\&eta;}}_k\&GreaterEqual;\mathrm{\&lambda;}\\ {\mathrm{\&eta;}}_k={\mathrm{\&eta;}}_{k-1}& {\mathrm{\&eta;}}_k<\mathrm{\&lambda;}\end{array}\right.$

其中，η_k为第k次训练的学习速率，η_k-1为第(k-1)次训练的学习速率，所述k为大于1的自然数，0<η_k-1<1，所述λ为预先设置的阈值。

进一步地，所述λ为区间[0.04,0.06]中的任意值。

进一步地，通过以下方式增大所述学习速率：

${\mathrm{\&eta;}}_k=\frac{1+{\mathrm{\&eta;}}_{k-1}}{2}$

其中，η_k为第k次训练的学习速率，η_k-1为第(k-1)次训练的学习速率，所述k为大于1的自然数，0<η_k-1<1。

（三）有益效果

本发明提供的电力通信网风险评估方法，在采用样本数据库中的样本数据对BP神经网络进行训练的过程中不断对学习速率进行优化，使得学习速率在训练过程中根据该神经网络的状态自适应调整，促使学习速率不断向最优方向改变，从而改善传统BP算法的误差下降缓慢，调整时间长，收敛速度慢等缺点，从而缩短了电力通信网风险评估的时间，并且提高评估结果的精度。

附图说明

图1是本发明提供的一种电力通信网风险评估方法的流程图；

图2是本发明提供的另一种电力通信网风险评估方法的流程图；

图3为本发明提供的改进的BP神经网络算法与传统的BP神经网络算法的收敛速度的示意图；

图4为本发明提供的改进的BP神经网络算法与传统的BP神经网络算法的误差值的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细的描述，以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明的核心思想为：在采用样本数据库中的样本数据对神经网络进行训练的过程中不断对学习速率进行优化，使得学习速率在训练过程中根据该神经网络的状态自适应调整，促使学习速率不断向最优方向改变，从而改善传统BP算法的误差下降缓慢，调整时间长，收敛速度慢等缺点，从而缩短了电力通信网风险评估的时间，并且提高评估结果的精度。

图1是按照本发明一种实施方式的电力通信网风险评估方法的流程图，具体包括以下步骤：

S1:获取用于评估电力通信网风险的样本数据库和指标数据库；

可以预先建立电力通信网风险评估指标体系，通过该电力通信网风险评估指标体系包括电力通信网中众多的风险因素，然后根据该电力通信网风险评估指标体系建立样本数据库和指标数据库。

S2:采用样本数据库中的样本数据对调整学习速率的BP神经网络进行训练；

该调整学习速率的BP神经网络算法在训练的过程中不断对神经网络的学习速率进行优化，例如，可以使学习速率根据该BP神经网络的状态自动调整。

该BP神经网络具体包括：输入层、隐层和输出层，其中该BP神经网络的算法从输入层到隐层、从隐层到输出层的传递函数均为sigmoid函数：

$f\left(x\right)=\frac{1}{1+e^{-x}}$

S3:采用所述训练后的BP神经网络计算所述指标数据库中指标数据对应的电力通信网风险评估值。

本发明提供的电力通信网风险评估方法，在采用样本数据库中的样本数据对神经网络进行训练的过程中不断对学习速率进行优化，使得学习速率在训练过程中根据该神经网络的状态自适应调整，促使学习速率不断向最优方向改变，从而改善传统BP神经网络算法的误差下降缓慢，调整时间长，收敛速度慢等缺点，从而缩短了电力通信网风险评估的时间，并且提高评估结果的精度。

优选地，该调整学习速率的BP神经网络包括：

S21:计算所述BP神经网络的训练误差；

具体地，计算所述BP神经网络的训练误差包括：

S21a:所述将所述样本数据库中的样本数据作为输入向量计算所述BP神经网络的隐层的输出值，其具体的计算公式为：

$\mathrm{net}{1}_j\text{=}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{ij}}o{1}_i-{\mathrm{\&theta;}}_j,j=\mathrm{1,2},...,p$

o2_j=f(net1_j)

其中，net1_j为隐层节点j的输入值；ω_ij为输入层第i个节点与隐层第j个节点的连接权值；θ_j为隐层第j个节点的阈值；n为输入层节点数；p为隐层节点总数，o1_i为输入层第i个节点的输入值，o2_j为隐层第j个节点的输出值。

S21b:根据所述隐层的输出值计算所述BP神经网络的输出层节点的输出值，其具体的计算公式为：

$\mathrm{net}{2}_t=\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_{\mathrm{jt}}o{2}_j-{\mathrm{\&theta;}}_t,t=\mathrm{1,2},...,q$

o3_t=f(net2_t)

其中，net2_t为输出层节点t的输入值；ω_jt为隐层第j个节点与输出层第t个节点的连接权值；θ_t为输出层第t个节点的阈值；q为输出层节点总数，o3_t为输出层第q节点的输出值，p为隐层节点总数。

S21d:根据所述输出层节点的输出值及预先设置的期望值计算所述BP神经网络的训练误差，其具体的计算公式为：

$E=\frac{1}{2}\underset{q}{\mathrm{\&Sigma;}}{(d_t-{o3}_t)}^2$

其中，E为误差值；d_t为输出层第t个节点的期望输出值；q为输出层节点总数，o3_t为输出层第t个节点的输出值。

可以判断该训练误差是否符合预先设置的结束要求，例如，若该训练误差小于预先设置的限定误差，则说明该BP神经网络训练结果已经符合要求，停止训练，若该训练误差大于或等于预先设置的限定误差，则所说明该BP神经网络训练结果还未符合要求，对该神经网络的权值进行调整，继续进行训练。

S22:根据所述训练误差计算所述训练误差的误差梯度；

具体地，可以通过以下方式根据所述训练误差计算所述训练误差的误差梯度：

$\&dtri;E\left(\mathrm{\&omega;}\right)=\frac{\&PartialD;E}{{\&PartialD;v}_{\mathrm{ij}}}$

其中，

为误差梯度，E为所述训练误差，v_ij为第i个节点与第j个节点的连接权值。

其中，v_ij可以为输入层节点与隐层节点的连接权值，可以为隐层节点与输出层节点的连接权值。

S23:根据所述误差梯度调整学习速率。

具体地，可以判断本次训练的误差梯度的梯度变化方向与上次训练的误差梯度的梯度变化方向是否相同，若不同，将所述学习速率减小或者保持不变，若相同，增大所述学习速率。若本次训练的误差梯度与上次训练的误差梯度同为正值或者同为负值，则说明两次的梯度变化方向相同，若本次训练的误差梯度与上次训练的误差梯度正负值不同，则说明两次的梯度变化方向不同。

其中，将所述学习速率减小或者保持不变，包括：

$\left\{\begin{array}{cc}{\mathrm{\&eta;}}_k=\frac{{\mathrm{\&eta;}}_{k-1}}{2}& {\mathrm{\&eta;}}_k\&GreaterEqual;\mathrm{\&lambda;}\\ {\mathrm{\&eta;}}_k={\mathrm{\&eta;}}_{k-1}& {\mathrm{\&eta;}}_k<\mathrm{\&lambda;}\end{array}\right.$

其中，η_k为第k次训练的学习速率，η_k-1为第(k-1)次训练的学习速率，所述k为大于1的自然数，0<η_k-1<1，所述λ为预先设置的阈值。

其中，所述λ为区间[0.04,0.06]中的任意值，例如，该λ可以为0.05。

其中，可以通过以下方式增大所述学习速率：

${\mathrm{\&eta;}}_k=\frac{1+{\mathrm{\&eta;}}_{k-1}}{2}$

其中，η_k为第k次训练的学习速率，η_k-1为第(k-1)次训练的学习速率，所述k为大于1的自然数，0<η_k-1<1。

在调整完学习速率之后，可以采用以下方式计算两个节点之间的连接权值：

$\mathrm{\&Delta;}{v}_{\mathrm{ij}}=-\mathrm{\&eta;}\frac{\&PartialD;E}{\&PartialD;v_{\mathrm{ij}}}=\mathrm{\&eta;}{\mathrm{\&delta;}}_i{x}_{\mathrm{ij}}$

其中，Δv_ij为权值v_ij的变化量；η为调整后的学习速率；x_ij为第i个节点到第j个节点的输入，其中隐层和输出层的节点的权值调整量中的δ_i并不相同，需要分别计算，对于输出层与隐层之间的权值变化量Δω_jt：

Δω_jt=ηδ_to2_j

δ_t=o3_t(1-o3_t)(d_t-o3_t)

其中，Δω_jt为隐层第j个节点与输出层第t个节点的连接权值变化量，o2_j为隐层第j个节点的输出值，o3_t为输出层第t个节点的输出值，η为调整后的学习速率。

对于输入层节点与隐层节点之间的权值变化量Δω_ij：

Δω_ij=ηδ_jo1_i

${\mathrm{\&delta;}}_j{=o2}_t(1-{o2}_t)\underset{t}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}_{\mathrm{jt}}{\mathrm{\&delta;}}_t$

其中，Δω_ij为输入层第i个节点与隐层第j个节点的连接权值变化量，o1_i为输入层第i个节点的输入值，η为调整后的学习速率。

根据权值变化量对节点之间的连接权值进行调整，即将变化量与本次训练中的节点之间的连接权值相加，得到下次训练的节点之间的连接权值，开始进行下次训练。

参见图2，图2是本发明提供的一种电力通信网风险评估方法的流程图，包括：

步骤201:根据该电力通信网风险评估指标体系建立样本数据库，将该样本数据库中的样本数据作为BP神经网络的输入层的输入向量；

步骤202:根据该输入向量计算该BP神经网络隐层和输出层节点的输出值；

步骤203:计算预先设置的期望输出值与该输出层节点的输出值的误差值；

步骤204:判断步骤203中得到的误差值是否符合结束要求，若该误差值小于预先设置的限定误差，则停止训练，若该误差值大于或等于限定误差，进入步骤205；

步骤205:计算本次训练误差的误差梯度；

步骤206:根据该误差梯度调整学习速率，若本次训练与上次训练的误差梯度变化方向不同，进入步骤207，若本次训练与上次训练的误差梯度变化方向相同，进入步骤208；

步骤207:使用二分法减小学习速率，例如，可以在上次训练的学习速率与0之间取中间值，然后判断该中间值是否大于或等于预先设置的阈值，若是，将该中间值作为本次训练的学习速率，若否，将上次训练的学习速率作为本次训练的学习速率；

步骤208:使用二分法增大学习速率，可以在上次训练的学习速率与1之间取中间值，将该中间值作为本次训练的学习速率；

步骤209:根据调整后的学习速率对输入层节点与隐层节点之间的连接权值、输出层节点域隐层节点之间的连接权值进行调整，调整后，进入下次训练。

参见表1，表1是本发明实施方式提供的一种电力通信网风险评估体系，表2是该电力通信风险评估体系对应的各评估指标的取值，指标取值是由某电力通信网12个月的运行数据以及当年的气象数据归一化处理确定，对于表2中的数据，可以将前6个月的数据作为样本数据库中的样本数据对BP神经网络进行训练，将后6个月的数据作为指标数据库中的指标数据得到评估风险值。根据该电力通信网风险评估体系，确定该体系中的指标种类数量即为输入层节点数，为15个；输入层节点的输入值为该15种指标的取值，即o1_i=Ii,i=1,2…15；输出层节点为1个；隐层节点数为31个；将初始学习速率均设定为0.05；限定误差设为0.01。将表2中的数据分为2组，每次对BP神经网络进行训练均使用前6个月数据，使用后6个月数据评估风险值。

表1电力通信网风险评估体系

表2电力通信网风险指标值

将该数据使用传统的BP神经网络算法进行训练，其总训练次数为1853次，总循环时间为343ms，将该数据使用本发明提供的改进的BP神经网络算法进行训练，其总训练次数为3418次，性能提升比为45.8%，总循环时间为437ms，性能提升比为21.5%，此外，参见图3，图3为本发明提供的改进的BP神经网络算法与传统的BP神经网络算法的收敛速度的示意图，随着训练次数的增加，传统BP神经网络算法的误差下降缓慢，本发明提出的改进的BP神经网络算法保持较快的误差下降速度，收敛速度得到明显优化，参见图4，图4为本发明提供的改进的BP神经网络算法与传统的BP神经网络算法的误差值的示意图，从图中可以看出，使用传统的BP神经网络算法进行评估后得到的风险值与预期风险值之间的误差较大，使用本发明提供的改进的BP神经网络算法进行评估后得到的风险值与预期风险值更接近，误差较小，因而本发明提出的改进的BP神经网络算法误差精度也更优。

本发明提供的电力通信网风险评估方法，在采用样本数据库中的样本数据对神经网络进行训练的过程中不断对学习速率进行优化，使得学习速率在训练过程中根据该神经网络的状态自适应调整，促使学习速率不断向最优方向改变，从而改善传统BP神经网络的误差下降缓慢，调整时间长，收敛速度慢等缺点，从而缩短了电力通信网风险评估的时间，并且提高评估结果的精度。

Claims (8)

1.一种电力通信网风险评估方法，其特征在于，包括：

获取用于评估电力通信网风险的样本数据库和指标数据库；

采用样本数据库中的样本数据对调整学习速率的BP神经网络进行训练；

采用所述训练后的BP神经网络计算所述指标数据库中指标数据对应的电力通信网风险评估值。

2.根据权利要求1所述的电力通信网风险评估方法，其特征在于，所述调整学习速率的BP神经网络包括：

计算所述BP神经网络的训练误差；

根据所述训练误差计算所述训练误差的误差梯度；

根据所述误差梯度调整学习速率。

3.根据权利要求2所述的电力通信网风险评估方法，其特征在于，计算所述BP神经网络的训练误差，包括：

将所述样本数据库中的样本数据作为输入向量计算所述BP神经网络的隐层的输出值；

根据所述隐层的输出值计算所述BP神经网络的输出层节点的输出值；

根据所述输出层节点的输出值及预先设置的期望值计算所述BP神经网络的训练误差。

4.根据权利要求2所述的电力通信网风险评估方法，其特征在于，采用以下方式根据所述训练误差计算所述训练误差的误差梯度：

$\&dtri;E\left(\mathrm{\&omega;}\right)=\frac{\&PartialD;E}{{\&PartialD;v}_{\mathrm{ij}}}$

其中，

为误差梯度，E为所述训练误差，v_ij为第i个节点与第j个节点的连接权值。

5.根据权利要求2所述的电力通信网风险评估方法，其特征在于，根据所述误差梯度调整学习速率，包括：

判断本次训练的误差梯度的梯度变化方向与上次训练的误差梯度的梯度变化方向是否相同，若不同，将所述学习速率减小或者保持不变，若相同，增大所述学习速率。

6.根据权利要求5所述的电力通信网风险评估方法，其特征在于，将所述学习速率减小或者保持不变，包括：

$\left\{\begin{array}{cc}{\mathrm{\&eta;}}_k=\frac{{\mathrm{\&eta;}}_{k-1}}{2}& {\mathrm{\&eta;}}_k\&GreaterEqual;\mathrm{\&lambda;}\\ {\mathrm{\&eta;}}_k={\mathrm{\&eta;}}_{k-1}& {\mathrm{\&eta;}}_k<\mathrm{\&lambda;}\end{array}\right.$

其中，η_k为第k次训练的学习速率，η_k-1为第(k-1)次训练的学习速率，所述k为大于1的自然数，0<η_k-1<1，所述λ为预先设置的阈值。

7.根据权利要求6所述的电力通信网风险评估方法，其特征在于，所述λ为区间[0.04,0.06]中的任意值。

8.根据权利要求5至7中任意一项所述的电力通信网风险评估方法，其特征在于，通过以下方式增大所述学习速率：

${\mathrm{\&eta;}}_k=\frac{1+{\mathrm{\&eta;}}_{k-1}}{2}$

其中，η_k为第k次训练的学习速率，η_k-1为第(k-1)次训练的学习速率，所述k为大于1的自然数，0<η_k-1<1。

Images