CN109495296A - 基于聚类与神经网络的智能变电站通信网络状态评价方法 - Google Patents

Abstract

本发明公开了基于聚类与神经网络的智能变电站通信网络状态评价方法，本发明采用层次分析法得到的权值带入标准欧几里得距离空间算法用于数据的降维，然后利用聚类方法将网络异常状态分成5类，将分类结果作为神经网络模型训练样本的理想输出依据，最后搭建了基于9个评价指标的神经网络模型，并对智能变电站通信网络进行了状态评价。本发明利用聚类和模糊神经网络结合的评价模型能有效的对状态进行评价，能够很好地刻画各影响因素间的相互作用，且能够获得更加实时和准确的评价结果。

Description

基于聚类与神经网络的智能变电站通信网络状态评价方法

技术领域

本发明涉及智能变电站技术领域，具体涉及基于聚类与神经网络的智能变电站通信网络状态评价方法。

背景技术

设备状态评估是依据设备的当前工况，依托先进的状态监测手段，识别出早期故障征兆，并对故障的具体部位、严重程度和发展趋势做出评判，进而制定各部件的最佳维修时机。伴随着智能变电站中统一过程层网络的应用，为变电站数据信息的共享提供了极大的便利，所有接入统一通信网络的设备可以获得全站的信息，使变电功能实现方式发生很大的改变^[1]。由于电站安全可靠运行受网络性能的影响越来越大，其可靠性直接关系到变电站的安全，其次在光纤中传输的各种信息不能完全反映在设计图中，对工作人员的日常维护造成很多不便。因此对变电站通信网络系统进行全面的安全评估的研究至关重要。

发明内容

为了解决上述技术问题，本发明提供了基于聚类与神经网络的智能变电站通信网络状态评价方法。本文分析了模糊神经网络学习的过程，其次研究了智能变电站通信网络评价指标与取值标准，采用层次分析法得到的权值带入标准欧几里得距离空间算法用于数据的降维，然后利用聚类方法将网络异常状态分成5种运行状态(注意、较重、严重、特别严重、瘫痪)作为类型集，将分类结果作为神经网络模型训练样本的理想输出依据，其次总揽状态评价过程，得到状态评价模型。最后搭建了基于多个评价指标的神经网络模型，并对智能变电站通信网络进行了状态评价

本发明通过下述技术方案实现：

基于聚类与神经网络的智能变电站通信网络状态评价方法，该方法包括以下步骤：

步骤S1，获取智能变电站通信网络历史运行监测指标数据；

步骤S2，对步骤S1获取的历史数据进行降维预处理；

步骤S3，对经过步骤S2预处理后的数据进行模糊聚类，并给数据加上标签；

步骤S4，将步骤S3获得的标签数据带入模糊神经网络进行训练，得到基于模糊神经网络的状态评价模型；

步骤S5，利用状态评价模型对智能变电站通信网络在线监测指标数据进行实时评价。

优选的，所述指标数据至少包括以下数据中的两种：可用性、响应时间、丢包率、吞吐率、准确度、利用率、冲突率、广播率、组播率、时延和抖动。

优选的，所述步骤S2中，降维预处理具体包括：

步骤S21，利用层次分析法得到各指标的权重，并将该权重值加入标准欧几里得空间距离公式得到加权欧几里得空间距离公式；

步骤S22，将历史运行监测指标数据带入加权欧几里得空间距离公式，将多维数据降为一维数据。

优选的，所述步骤S4具体包括：

步骤S41，构建模糊神经网络并进行初始化设置；

步骤S42，基于步骤S3获得的标签数据构建训练样本和测试样本；

步骤S43，利用训练样本数据对步骤S41构建的模糊神经网络进行训练，得到训练结果，利用误差反向传播学习算法，对参数进行反馈优化调节，直到符合预期，得到基于模糊神经网络的状态评价模型。

进一步，所述步骤S4还包括：

步骤S44，利用测试样本对训练好的状态评价模型进行测试。

优选的，所述步骤S5具体包括：

步骤S51，实时采集智能变电站通信网络在线监测指标数据；

步骤S52，判断实测数据中各指标是否全部处于参数正常范围内，如果是，则通信网络状态良好，继续运行；反之，则执行步骤S53；

步骤S53，利用训练好的状态评价模型对实测数据进行在线评价。

进一步，该方法还包括：

步骤S6，通过状态评价模型得到的评价结果，结合专家意见，对当前智能变电站通信网络运行状态进行综合评价。

本发明具有如下的优点和有益效果：

1、本发明基于智能变电站通信网络运行状态监测指标数据，采用基于聚类和模糊神经网络构建状态评价模型，对智能变电站通信网络运行状态进行实时在线评价，能够获得更加实时和准确的评价结果，提高了智能变电站乃至智能电网的稳定性，为智能电网的建设提供指导；

2、本发明在标准欧几里得空间距离算法中引入了权重，使聚类分析过程更加贴合实际运行情况，且本发明在基于聚类和模糊神经网络方法对变电站通信网络运行状态进行评价不但以各个评价指标数据为基础，同时还结合专家意见，对通信网络状态进行更加可靠的评估，能够很好地刻画变电站通信网络运行状态各影响因素间的相互作用。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为基于T-S模型的模糊神经网络结构图。

图2为模糊神经网络构建原理图。

图3为本发明的方法流程图。

图4为本发明对变电站进行评价结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

1、模糊神经网络原理

T-S模糊系统是一种自适应能力很强的模糊系统，该模型不仅能自动新，而且能不断修正模糊子集的隶属函数。T-S模糊系统用如下的“if-then”规则形式来定义，在规则为Rⁱ的情况下，模糊推理如下：

其中，为模糊系统的模糊集；为模糊系统参数；y_i为根据模糊规则得到的输出，输入部分(即if部分〉是模糊的，输出部分(即then部分)是确定的，该模糊推理表示输出为输入的线性组合。

假设对于输入量x＝[x₁,x₂,…,x_k]，首先根据模糊规则计算各输入变量x_j的隶属度：

式中，分别为隶属度函数的中心和宽度k为输入参数；n为模糊子集数。

将各隶属度进行模糊计算，采用模糊算子为连乘算子：

根据模糊计算结果计算模糊模型的输出值y_i：

基于该T-S模糊模型的模糊神经网络结构如图1所示。

T-S模糊神经网络分为输入层、模糊化层、模糊规则计算层和输出层四层。输入层与输入向量X；连接，节点数与输入向量的维数相同。模糊化层采用隶属度函数(1)对输入值进行模糊化得到模糊隶属度值μ。模糊规则计算层采用模糊连乘公式(2)计算得到ω。输出层采用公式(3)计算模糊神经网络的输出。

模糊神经网络的学习算法如下：

误差计算

式中，y_d是网络期望输出；y_c是网络实际输出；e为期望输出和实际输出的误差。

系数修正

式中为神经网络系数；α为网络学习率；x_j为网络输入参数；ωⁱ为输入参数隶属度连乘积。

参数修正

式中，分别为隶属度函数的中心和宽度。

2、标准欧几里得空间距离原理

标准欧氏距离的思路：一个数据的各个维度之间的尺度不一样。

假设样本集X的均值(mean)为m，标准差(standarddeviation)为s，那么X的“标准化变量”表示为：

而且标准化变量的数学期望为0，方差为1。

因此样本集的标准化过程(standardization)用公式描述就是：

标准化后的值＝(标准化前的值－分量的均值)/分量的标准差

将权重向量ω_Z加入标准欧几里得距离公式如下：

3、模糊聚类

由于模糊聚类没有初始中心点，所以通过计算各数据与最佳数据的距离来进行聚类。

模糊C均值聚类法

在很多分类问题中，分类对象之间没有明确的界限，往往具有亦此亦彼的表现。例如好与坏之间没有明确的界限，我认为某个人是好人，别人未必这么认为；高与矮之间也没有明确的界限，多高的人才是高人，可能每个人有每个人的判断。诸如此类问题，如果用传统的聚类方法(系统聚类或K均值聚类法等)进行分类，把每个待分类的对象严格地划分到某个类中，这也存在一定的不合理性。为此，借助于L.A.Zadeh(20世纪60年代中期)提出的模糊集理论，人们开始用模糊的方法来处理聚类问题，并称之为模糊聚类分析。

给定样本观测数据矩阵：

其中，X的每一行为一个样品(或观测)，每一列为一个变量的n个观测值，也就是说X是由n个样品(x₁,x₂,…,x_n)的p个变量的观测值构成的矩阵。模糊聚类就是将n个样品划分为c类(2≤c≤n)，记V＝{v₁,v₂,…,v_c}为c个类的聚类中心，其中v_i＝(v_i1,v_i2,…,v_ip)(i＝1,2,…,c)。在模糊划分中，每一个样品不是严格地划分为某一类，而是以一定的隶属度属于某一类。

令u_ik表示第k个样品x_k属于第i类的隶属度，这里定义目标函数为：

其中，U＝(u_ik)_c×n为隶属度矩阵，d_ik＝||x_k-v_i||。显然J(U,V)表示了各类中样品到聚类中心的加权平方距离之和，权重是样品x_k属于第i类的隶属度的m次方。模糊C均值聚类法的聚类准则是求U,V，使得J(U,V)取得最小值。模糊C均值聚类法的具体步骤如下：

(1)确定类的个数c，幂指数m＞1和初始隶属度矩阵通常的做法是取[0,1]上的均匀分布随机数来确定初始隶属度矩阵U⁽⁰⁾。令l＝1表示第1步迭代；

(2)通过下式计算第l步的聚类中心V^(l)：

(3)修正隶属度矩阵U^(l)，计算目标函数值J^(l)：

其中，

(4)对给定的隶属度终止容限ε_u＞0(或目标函数终止容限ε_J＞0，或最大迭代步长L_max)，当(或当l＞1,|J^(l)-J^(l+1)|＜ε_J，或l≥L_max)时，停止迭代，否则l＝l+1，然后转(2)。

经过以上步骤的迭代之后，可以求得最终的隶属度矩阵U和聚类中心V，使得目标函数J(U,V)的值达到最小。根据最终的隶属度矩阵U中元素的取值可以确定所有样品的归属，当时，可将样品x_k归为第j类。

本实施例提出了一种基于聚类与神经网络的智能变电站通信网络状态评价方法，如图3所示，该方法包括以下步骤：

步骤S1，获取智能变电站通信网络历史运行监测指标数据；所述指标数据至少包括以下数据中的两种：可用性、响应时间、丢包率、吞吐率、准确度、利用率、冲突率、广播率、组播率、时延和抖动。

本实施例中，选取了9个评价指标(包括可用性、响应时间、丢包率、吞吐率、准确度、利用率、冲突率、广播率和组播率)，获取了智能变电站通信网络历史运行过程中，该9个评价指标的监测指标数据。在另一实施例中，也可以选取11个评价指标(包括可用性、响应时间、丢包率、吞吐率、准确度、利用率、冲突率、广播率、组播率、时延和抖动)。

本实施例中选取如下表1所示的智能变电站通信网络运行状态评价指标及参数范围：

表1

本实施例选取如下表2所示的智能变电站通信网络状态分类及参数：

表2

分类	Ⅰ(最佳)	Ⅱ(良好)	Ⅲ(一般)	Ⅳ(注意)	Ⅴ(严重)
						可用性≥	100	99.99	99.9	49.95	0
响应时间ms≤	1.5	2.75	4	52	100
						丢包率≤	0	0.05	0.1	50	100
吞吐率≥	100	85	70	50	0
						准确度≥	100	99.5	99	49.95	0
利用率≤	10	20	30	65	100
						冲突率≤	0	0	0	50	100
广播率(帧/s)≤	30	40	50	75	100
						组播率(帧/s)≤	20	30	40	70	100

步骤S2，对步骤S1获取的历史数据进行降维预处理；

本实施例中，降维预处理具体包括：

步骤S21，利用层次分析法得到各指标的权重，并将该权重值加入标准欧几里得空间距离公式得到加权欧几里得空间距离公式；

步骤S22，将历史运行监测指标数据带入加权欧几里得空间距离公式，将多维数据降为一维数据。

步骤S3，对经过步骤S2预处理后的数据进行模糊聚类，并给数据加上标签；本实施例中，将变电站通信网络异常状态分为5类(注意、较重、严重、特别严重、瘫痪)，将分类结果作为神经网络模型训练样本的理想输出依据，即将数据聚为5类，并给5类数据从小到大依次打上标签1、2、3、4、5。

本实施例中选取如下表3所示的变电站通信网络异常状态与参数：

表3

理想边界	分类	Ⅰ(注意)	Ⅱ(较重)	Ⅲ(严重)	Ⅳ(特别严重)	Ⅴ(瘫痪)
							100％	可用性≥	99.9	74.925	49.95	24.975	0
0ms	响应时间(ms)≤	4	28	52	76	100
							0％	丢包率≤	0.1	25.075	50.05	75.025	100
100％	吞吐率≥	70	52.5	35	17.5	0
							100％	准确度≥	99	74.25	49.5	24.75	0
0％	利用率(1)≤	30	47.5	65	82.5	100
							0％	利用率(2)≤	50	62.5	75	87.5	100
0％	冲突率≤	0	25	50	75	100
							0帧/s	广播率(帧/s)≤	50	62.5	75	87.5	100
0帧/s	组播率(帧/s)≤	40	55	70	85	100

步骤S4，将步骤S3获得的标签数据带入模糊神经网络进行训练，得到基于模糊神经网络的状态评价模型；

本实施例中，如图2所示，所述步骤S4具体包括：

步骤S41，构建模糊神经网络并进行初始化设置；

步骤S42，基于步骤S3获得的标签数据构建训练样本和测试样本；

步骤S43，利用训练样本数据对步骤S41构建的模糊神经网络进行训练，得到训练结果，利用误差反向传播学习算法，对参数进行反馈优化调节，直到符合预期，得到基于模糊神经网络的状态评价模型。

步骤S44，利用测试样本对训练好的状态评价模型进行测试。

步骤S5，利用状态评价模型对智能变电站通信网络在线监测指标数据进行实时评价。

本实施例中，所示步骤S5具体包括：

步骤S51，实时采集智能变电站通信网络在线监测指标数据；

步骤S52，判断实测数据中各指标是否全部处于参数正常范围内，如果是，则通信网络状态良好，继续运行；反之，则执行步骤S53；

步骤S53，利用训练好的状态评价模型对实测数据进行在线评价。

步骤S6，通过状态评价模型得到的评价结果，结合专家意见，对当前智能变电站通信网络运行状态进行综合评价。

实施例2

本实施例以某供电局中变电站通信系统为例，采用上述实施例1中得到的基于模糊神经网络的状态评价模型对该变电站通信网络运行状态在线监测指标数据进行评价。选取表1中“可用性”、“响应时间”、“丢包率”等9个指标构成评价指标集，并请专家对各因素的重要性打分，利用层次分析法建立各层次因素的判断矩阵，通过求满足一致性检验条件下的最大特征值对应的特征向量而得到各元素的权重向量。具体参数及权重计算结果如下表4所示：

表4

特征参数	权重	实测值
			可用性x1	0.2360	99.95％
响应时间x2	0.1528	1ms
			丢包率x3	0.0950	0.05％
吞吐率x4	0.0572	80％
			准确度x5	0.2360	99.95％
利用率x6	0.0950	20％
			冲突率x7	0.0572	0
广播率x8	0.0354	38帧/s
			组播率x9	0.0354	33帧/s

根据判断条件，如果实测值均处于参数正常范围内，输出评价结果为：通信网络状态良好，继续运行。

如果实测值不完全处于参数正常范围内，利用层次分析法得到的权重值加入标准欧几里得空间距离公式，并将数据带入公式，将9维数据降维一维，之后进行模糊聚类，设置聚类参数：幂指数为3，最大迭代次数为200，目标函数的终止容限为1e-6，将数据聚为5类，根据各数据与最佳数据的9维空间距离大小将5类数据从小到大依次打上标签1、2、3、4、5。

将上述标签数据带入模糊神经网络进行评价，得到评价结果如图4所示。利用本发明的方法能够准确、可靠地实现在线对智能变电站通信网络状态进行有效评价。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于聚类与神经网络的智能变电站通信网络状态评价方法，其特征在于，该方法包括以下步骤：

步骤S1，获取智能变电站通信网络历史运行监测指标数据；

步骤S2，对步骤S1获取的历史数据进行降维预处理；

步骤S3，对经过步骤S2预处理后的数据进行模糊聚类，并给数据加上标签；

步骤S4，将步骤S3获得的标签数据带入模糊神经网络进行训练，得到基于模糊神经网络的状态评价模型；

步骤S5，利用状态评价模型对智能变电站通信网络在线监测指标数据进行实时评价。

2.根据权利要求1所述的方法，其特征在于，所述指标数据至少包括以下数据中的两种：可用性、响应时间、丢包率、吞吐率、准确度、利用率、冲突率、广播率、组播率、时延和抖动。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2中，降维预处理具体包括：

步骤S21，利用层次分析法得到各指标的权重，并将该权重值加入标准欧几里得空间距离公式得到加权欧几里得空间距离公式；

步骤S22，将历史运行监测指标数据带入加权欧几里得空间距离公式，将多维数据降为一维数据。

4.根据权利要求1所述的方法，其特征在于，所述步骤S4具体包括：

步骤S41，构建模糊神经网络并进行初始化设置；

步骤S42，基于步骤S3获得的标签数据构建训练样本和测试样本；

步骤S43，利用训练样本数据对步骤S41构建的模糊神经网络进行训练，得到训练结果，利用误差反向传播学习算法，对参数进行反馈优化调节，直到符合预期，得到基于模糊神经网络的状态评价模型。

5.根据权利要求4所述的方法，其特征在于，所述步骤S4还包括：

步骤S44，利用测试样本对训练好的状态评价模型进行测试。

6.根据权利要求1所述的方法，其特征在于，所述步骤S5具体包括：

步骤S51，实时采集智能变电站通信网络在线监测指标数据；

步骤S52，判断实测数据中各指标是否全部处于参数正常范围内，如果是，则通信网络状态良好，继续运行；反之，则执行步骤S53；

步骤S53，利用训练好的状态评价模型对实测数据进行在线评价。

7.根据权利要求1所述的方法，其特征在于，该方法还包括：

步骤S6，通过状态评价模型得到的评价结果，结合专家意见，对当前智能变电站通信网络运行状态进行综合评价。