CN105701591A - 一种基于神经网络的电网业务分类方法 - Google Patents

Abstract

本发明提供了一种基于神经网络的电网业务分类方法，该方法包括以下步骤：I、数据集预处理及分类；II、用个体网络训练集训练并生成指定数量的个体神经网络；III、用网络选择训练集确定所述个体神经网络的权值系数；IV、根据所述权值系数判断是否保留所述个体神经网络，生成神经网络组合模型；V、用测试样本集对模型进行测试，结合阈值调整神经网络组合，VI、输出最优神经网络组合模型及分类结果。该方法基于一种改进的CS算法对个体神经网络进行选择，并结合神经网络特点，生成神经网络组合模型，提高了选择的效率和准确度，从而在处理电网业务数据和识别业务类型的时候更精确、高效。

Description

一种基于神经网络的电网业务分类方法

技术领域

本发明涉及一种电网数据处理与分类领域的方法，具体讲涉及一种基于神经网络的电网业务分类方法。

背景技术

近年来，随着全球能源问题日益严峻，世界各国都开展了智能电网的研究工作。智能电网的最终目标是建设成为覆盖电力系统整个生产过程，包括发电、输电、变电、配电、用电及调度等多个环节的全景实时系统；而支撑智能电网安全、自愈、绿色、坚强及可靠运行的基础是电网全景实时数据采集、传输和存储，以及累积的海量多源数据快速分析。因而随着智能电网建设的不断深入和推进，电网运行和设备检/监测产生的数据量呈指数级增长，逐渐构成了当今信息学界所关注的大数据。基于上述电网中承载业务种类日益增多，数据趋于复杂多变的现况，为更好地对业务进行管控，优化网络资源配置，为不同的业务定制个性化需求，必须对业务进行分类处理。

神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。该网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，具有很强的非线性信息处理能力，可用来对数据进行分类。

现有技术中，一般将数据分为训练集和测试集，通过训练集训练神经网络确定网络权值，再将测试集输入神经网络之中，即可得到输出结果。但是，神经网络存在以下问题：易陷于局部最优，如何选择神经网络结构参数目前仍然没有定论，其使用效果完全取决于使用者个人经验。针对上述问题，1990年，Hansen等人提出的神经网络集成方法为解决上述问题提供了一个简单可行的措施：可以简单地通过训练多个神经网络并将结果进行合成，显著提高神经网络系统的性能。

而如何选择个体神经网络是一个优化问题，如何有效解决个体神经网络的选择难题是现在需要克服的问题。2009年，Yang与Deb提出一种新型生物启发算法—CS算法，该算法通过模拟某类布谷鸟寄生育雏习性求向量最优化问题，引入Levy飞行刻画布谷鸟的觅食行为，使算法搜索向量空间能力增强，而且能够避免陷入局部极值。但是，基本CS算法后期收敛速度较慢而且搜索精度有限。

因此，需要提供一种高效精确的电网业务分类方法。

发明内容

为克服上述现有技术的不足，本发明提供一种基于神经网络的电网业务分类方法。

实现上述目的所采用的解决方案为：

一种基于神经网络的电网业务分类方法，其改进之处在于：所述方法包括以下步骤：

I、预处理数据集；

II、根据个体网络训练集训练并生成n个体神经网络，5≤n≤12；

III、根据网络选择训练集确定所述个体神经网络的权值系数；

IV、根据所述权值系数判断是否保留所述个体神经网络，生成神经网络组合模型；根据测试样本集测试所述神经网络组合模型，根据阈值调整所述神经网络组合模型；

V、输出最优神经网络组合模型和分类结果。

进一步的，所述步骤I中，获取电网业务中的数据作为待处理数据，剔除所述待处理数据中有误数据，将剩余所述划分为个体网络训练集、网络选择训练集和测试样本集；

所述网络选择训练集和所述测试样本集的数据个数相等，所述个体网络训练集的个数是所述网络选择训练集或所述测试样本集个数的3至5倍。

进一步的，所述步骤III包括以下步骤：

S301、所述网络选择训练集输入训练后的所述个体神经网络，计算并保存各个体神经网络的适应度函数值；

S302、运用改进的CS算法确定所述个体神经网络的权值系数。

进一步的，所述步骤S302包括以下步骤：

S3021、初始化所述CS算法的参数，包括发现概率p_a、最大迭代次数itermax和生成的行向量个数cnt；

S3022、根据所述行向量个数cnt和所述个体神经网络确定行向量个数n随机生成cnt×n的矩阵，确定所述行向量中大于元素阈值的元素所对应个体神经网络的适应度函数值，根据所述适应度函数值寻找最优行向量；

S3023、根据所述行向量按下式生成行向量一：

$x_i^{(t+1)}=x_i^{\left(t\right)}+\mathrm{\α}\⊕\mathrm{Levy}\left(\mathrm{\λ}\right)+\mathrm{k\ζ},(i=\mathrm{1,2},...,n)$

式中，表示在第t次迭代时的第i个行向量；α为动态步长调节因子，α＝||s-best||，s为任意行向量best为所述最优行向量；Levy(λ)为Levy飞行随机路径，Levy(λ)～u＝t^-λ(1＜λ≤3)，k为(0,1)之间的随机数，ζ服从柯西分布；

S3024、确定所述行向量一的适应度函数值，若所述行向量一的适应度函数值大于原所述行向量的适应度函数值，则所述行向量一替换原行向量及对应的适应度函数值，在替换后的行向量中根据适应度函数值确定最优行向量；

S3025、随机生成cnt×n的矩阵二，所述矩阵二的元素与所述发现概率p_a对比，保留所述发现概率较小的分量，将其他分量加入随机扰动，按下式获得行向量二；

S3026、判断所述行向量二的适应度函数值是否大于所述步骤S4024中最优行向量的适应度函数值，若大于则用行向量二替换对应的行向量，重新寻找最优行向量并记录最优适应度函数值；

S3027、判断迭代次数是否到达所述最大迭代次数，若未到达则回到步骤S3023，否则停止搜索，确定最优行向量为所述个体神经网络的权值系数。

进一步的，所述步骤IV包括以下步骤：

S401、比较所述权值系数和阈值，若所述权值系数大于所述阈值，则保留权值大于阈值的个体神经网络，删除其余神经网络不予考虑；

S402、根据保留的个体神经网络构成神经网络组合模型；

S403、将所述测试样本集输入所述神经网络组合模型中，根据相对多数投票原则确定分类结果，计算分类准确率；

S404、若所述分类准确率低于预期目标，按下式调整所述阈值th(i)：

th(i+1)＝th(i)+δ

式中，δ为修正量，th(i)为原阈值，所述阈值的初始大小为所述个体神经网络个数的倒数；

S405、返回步骤S401。

与现有技术相比，本发明具有以下有益效果：

1、本发明提供的方法中，基于一种改进的CS算法对个体神经网络进行选择，并结合神经网络特点，生成神经网络组合模型，提高了选择的效率和准确度，从而在处理电网业务数据和识别业务类型的时候更精确、高效。

2、本发明提供的方法实现高精度的电网业务类型识别，作为业务分配通信资源基础和前提的电网业务识别，其高精度、高准确性、高效率性可保证通信资源的精细化调配，也保证满足电网业务个性化服务质量的要求。

3、本发明提供的方法实现高精度的电网业务类型识别，从而可更准确的发现电网中的恶意流量、错误信息等，进一步的保证了电网信息的准确度，保障电网的安全性。

附图说明

图1为本实施例中基于神经网络的电网业务分类方法的流程图；

图2为本实施例中改进的CS算法流程图；

图3为本实施例中动态阈值调整流程；

图4为本实施例中神经网络模型分类流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做进一步的详细说明。

本发明提供的基于神经网络的电网业务分类方法，该方法利用改进CS算法对个体神经网络进行选择，结合神经网络特点，生成神经网络组合模型，对电网采集数据进行处理，识别业务类型。

如图1所示，图1为本实施例中基于神经网络的电网业务分类方法的流程图，该方法包括以下步骤：

步骤一、预处理数据集；

步骤二、根据个体网络训练集训练并生成指定数量的个体神经网络；

步骤三、根据网络选择训练集确定所述个体神经网络的权值系数；

步骤四、根据所述权值系数判断是否保留所述个体神经网络，生成神经网络组合模型；根据测试样本集测试所述神经网络组合模型，根据阈值调整所述神经网络组合模型；

步骤六、输出最优神经网络组合模型和分类结果。

步骤一、预处理数据集。

针对电网中不同业务的不同数据，进行电网业务分类。

步骤一中，获取电网业务中的各种数据作为待处理数据，剔除所述待处理数据中有误数据，有误数据包括不切实际的数据、明显有误的数据或者维度信息不完整的数据。

将剩余所述划分为个体网络训练集、网络选择训练集和测试样本集。

个体网络训练集用于对个体神经网络进行训练，生成达到指定精度的个体神经网络。

网络选择训练集用于选择最优的若干个个体神经网络以组成神经网络组合模型。

测试样本集用于对上述生成的组合模型进行验证。

所述网络选择训练集和所述测试样本集的数据个数相等，所述个体网络训练集的个数是所述网络选择训练集或所述测试样本集个数的3至5倍。

本实施例中，个体网络训练集、网络选择训练集和测试样本集的数据个数的比值为14:3:3。

步骤二、根据个体网络训练集训练并生成若干个体神经网络；

个体神经网络个数n，n的取值范围为5～12个。

步骤三、根据网络选择训练集确定所述个体神经网络的权值系数；

方法为将网络选择训练集输入训练后的个体神经网络，对应获得各训练后的个体神经网络的输出结果，运用改进的CS算法确定个体神经网络的优化权值系数；将获得的优化权值系数与阈值比较，保留权值系数大于阈值的个体神经网络，其余神经网络不予考虑。

本实施例中，提供一种改进的CS算法，如图2所示，图2为本实施例中改进的CS算法流程图；改进的CS算法如下：

①、初始化CS算法的参数，所述参数包括：发现概率p_a、最大迭代次数itermax以及生成行向量的个数cnt。

②、根据行向量个数cnt随机初始化构成一cnt×n矩阵；

矩阵元素取值范围在(0,1)之间，计算对应第i个行向量的适应度函数值fitness(i)，根据已知适应度函数值寻找最优行向量best；

适应度函数值fitness(i)的计算方法为：

③、针对每一个行向量，按下式(1)在考虑柯西扰动的基础重新生成一个新的行向量,记做行向量一：

$x_i^{(t+1)}=x_i^{\left(t\right)}+\mathrm{\α}\⊕\mathrm{Levy}\left(\mathrm{\λ}\right)+\mathrm{k\ζ},(i=\mathrm{1,2},...,\mathrm{cnt})---\left(1\right)$

其中，表示在第t次迭代时的第i个行向量，为点对点乘法符号，α为动态步长调节因子，α＝||s-best||，s为任意行向量，best为最优行向量；Levy(λ)为Levy飞行随机路径，Levy(λ)～u＝t^-λ(1＜λ≤3)；k为[0,1]之间的常量，主要调整柯西扰动的大小，ζ服从柯西分布，如下式(2)所示：

$p\left(\mathrm{\&zeta;}\right)=\frac{1}{\mathrm{\&pi;}}\frac{1}{1+{\mathrm{\&zeta;}}^2},-\&infin;<\mathrm{\&zeta;}<\&infin;---\left(2\right)$

④、计算行向量一的适应度函数值fitness，若行向量一对应的适应度函数值大于原有行向量对应的适应度函数值，则将行向量一替换原有行向量，得到一新行向量组(新矩阵)，在当前行向量组中根据适应度函数值寻找最优行向量；

⑤、随机初始化另一cnt×n矩阵二，将任意矩阵元素与发现概率p_a比较，保留发现概率较小的向量分量，对于其他向量分量，按下式(3)得到新的行向量，记做行向量二，并按照适应度函数值再次寻找最优行向量，记录下最优行向量的适应度函数值；

$x_i^{t+1}=x_i^t+r(x_j^t-x_k^t)---\left(3\right)$

其中，r是(0,1)区间的均匀分布随机数；和是表示第t次迭代次数的两个随机解。

⑥、若此时适应度函数值大于步骤④中最优行向量的适应度函数值，则替换相应的行向量与适应度函数值；

判断迭代次数是否满足条件，若仍然满足条件，则回到步骤③，否则停止搜索，并将最优权矢量输出。

应用到本发明的方法中，步骤三中采用改进的CS算法确定个体神经网络的优化权值系数，具体包括下步骤：

S301、所述网络选择训练集输入训练后的所述个体神经网络，计算并保存各个体神经网络的适应度函数值；

适应度函数值fitness(i)的计算方法为：

S302、运用改进的CS算法确定所述个体神经网络的权值系数。

具体对步骤S302进一步说明，包括以下步骤：

S3021、初始化CS算法的参数，包括发现概率p_a、最大迭代次数itermax和生成的行向量个数cnt；

S3022、根据行向量个数cnt和个体神经网络个数n生成cnt×n矩阵，矩阵元素取值范围在(0,1)；

确定元素值大于元素阈值的元素所对应的个体神经网络的适应度函数值。

矩阵中各元素值范围在(0,1)，假设元素阈值为0.5，若元素值小于0.5则无需确定该行向量的适应度函数，大于或等于则求取该行向量的适应度函数值；根据所述适应度函数值寻找最优行向量；

由于个体神经网络不变，此处适应度函数值的求取只需在S301中获得的各行向量的适应度函数中直接寻找即可。

S3023、根据所述行向量按下式生成行向量一：

$x_i^{(t+1)}=x_i^{\left(t\right)}+\mathrm{\&alpha;}\&CirclePlus;\mathrm{Levy}\left(\mathrm{\&lambda;}\right)+\mathrm{k\&zeta;},(i=\mathrm{1,2},...,n)$

式中，表示在第t次迭代时的第i个行向量；α为动态步长调节因子，α＝||s-best||，s为任意行向量，best为所述最优行向量；Levy(λ)为Levy飞行随机路径，Levy(λ)～u＝t^-λ(1＜λ≤3)，k为(0,1)之间的随机数，ζ服从柯西分布；

S3024、确定所述行向量一的适应度函数值，若所述行向量一的适应度函数值大于原所述行向量的适应度函数值，则所述行向量一替换原行向量及对应的适应度函数值，在替换后的行向量中根据适应度函数值确定最优行向量；

S3025、随机生成cnt×n的矩阵二，将所述矩阵元素与所述发现概率p_a对比，保留所述发现概率较小的分量，将其他分量按下式加入随机扰动，获得行向量二：

$x_i^{t+1}=x_i^t+r(x_j^t-x_k^t)$

其中，r为(0,1)区间的均匀分布随机数；和表示第t次迭代次数的两个随机解。

S3026、判断行向量二的适应度函数值是否大于所述步骤S4024中最优行向量的适应度函数值，若大于则用行向量二替换对应的行向量，重新寻找最优行向量并记录最优适应度函数值；

S3027、判断迭代次数是否到达所述最大迭代次数，若未到达则回到步骤S4023，否则停止搜索，确定最优行向量为权值输出。

步骤四、根据所述权值系数判断是否保留所述个体神经网络，生成神经网络组合模型；根据测试样本集测试所述神经网络组合模型，根据阈值调整所述神经网络组合模型；结合图3进行说明，图3为本实施例中动态阈值调整流程图；

步骤四具体包括以下步骤：

S401、比较所述最优行向量的权值和阈值，若最优行向量的权值大于所述阈值，则保留权值大于阈值的个体神经网络，删除其余神经网络不予考虑；

S402、根据保留的个体神经网络构成神经网络组合模型；

S403、将所述测试样本集输入所述神经网络组合模型中，根据相对多数投票原则确定分类结果，计算分类准确率；

如图4所示，图4为本实施例中神经网络模型分类流程图；确定个体神经网络1-N后，采用相对多数投票原则确定分类结果。

S404、若所述分类准确率低于预期目标，则对阈值进行修正，按下式在原有阈值基础上引入修正量δ调整：

th(i+1)＝th(i)+δ

S405、初始阈值大小为生成个体神经网络个数的倒数，返回步骤S401。

步骤五、输出最优神经网络组合模型和分类结果。

最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (5)

1.一种基于神经网络的电网业务分类方法，其特征在于：所述方法包括以下步骤：

I、预处理数据集；

II、根据个体网络训练集训练并生成n个体神经网络，5≤n≤12；

III、根据网络选择训练集确定所述个体神经网络的权值系数；

IV、根据所述权值系数判断是否保留所述个体神经网络，生成神经网络组合模型；根据测试样本集测试所述神经网络组合模型，根据阈值调整所述神经网络组合模型；

V、输出最优神经网络组合模型和分类结果。

2.如权利要求1所述的一种基于神经网络的电网业务分类方法，其特征在于：所述步骤I中，获取电网业务中的数据作为待处理数据，剔除所述待处理数据中有误数据，将剩余所述划分为个体网络训练集、网络选择训练集和测试样本集；

所述网络选择训练集和所述测试样本集的数据个数相等，所述个体网络训练集的个数是所述网络选择训练集或所述测试样本集个数的3至5倍。

3.如权利要求1所述的一种基于神经网络的电网业务分类方法，其特征在于：所述步骤III包括以下步骤：

S301、所述网络选择训练集输入训练后的所述个体神经网络，计算并保存各个体神经网络的适应度函数值；

S302、运用改进的CS算法确定所述个体神经网络的权值系数。

4.如权利要求3所述的一种基于神经网络的电网业务分类方法，其特征在于：所述步骤S302包括以下步骤：

S3021、初始化所述CS算法的参数，包括发现概率p_a、最大迭代次数itermax和生成的行向量个数cnt；

S3022、根据所述行向量个数cnt和所述个体神经网络确定行向量个数n随机生成cnt×n的矩阵，确定所述行向量中大于元素阈值的元素所对应个体神经网络的适应度函数值，根据所述适应度函数值寻找最优行向量；

S3023、根据所述行向量按下式生成行向量一：

式中，表示在第t次迭代时的第i个行向量；α为动态步长调节因子，α＝||s-best||，s为任意行向量best为所述最优行向量；Levy(λ)为Levy飞行随机路径，Levy(λ)～u＝t^-λ(1＜λ≤3)，k为(0,1)之间的随机数，服从柯西分布；

S3024、确定所述行向量一的适应度函数值，若所述行向量一的适应度函数值大于原所述行向量的适应度函数值，则所述行向量一替换原行向量及对应的适应度函数值，在替换后的行向量中根据适应度函数值确定最优行向量；

S3025、随机生成cnt×n的矩阵二，所述矩阵二的元素与所述发现概率p_a对比，保留所述发现概率较小的分量，将其他分量加入随机扰动，获得行向量二；

S3026、判断所述行向量二的适应度函数值是否大于所述步骤S4024中最优行向量的适应度函数值，若大于则用行向量二替换对应的行向量，重新寻找最优行向量并记录最优适应度函数值；

S3027、判断迭代次数是否到达所述最大迭代次数，若未到达则回到步骤S3023，否则停止搜索，确定最优行向量为所述个体神经网络的权值系数。

5.如权利要求1所述的一种基于神经网络的电网业务分类方法，其特征在于：所述步骤IV包括以下步骤：

S401、比较所述权值系数和阈值，若所述权值系数大于所述阈值，则保留权值大于阈值的个体神经网络，删除其余神经网络不予考虑；

S402、根据保留的个体神经网络构成神经网络组合模型；

S403、将所述测试样本集输入所述神经网络组合模型中，根据相对多数投票原则确定分类结果，计算分类准确率；

S404、若所述分类准确率低于预期目标，按下式调整所述阈值th(i)：

th(i+1)＝th(i)+δ

式中，δ为修正量，th(i)为原阈值，所述阈值的初始大小为所述个体神经网络个数的倒数；

S405、返回步骤S401。