電力通信網(wǎng)設備故障評估方法的研究

申請免費試用、咨詢電話：400-8352-114

摘要：對電力通信網(wǎng)可靠性的研究來源于對電力通信網(wǎng)設備故障的研究，因此，對電力通信網(wǎng)設備故障評估方法的研究是非常有意義的。本文采用k-均值聚類方法對電力通信網(wǎng)故障情況進行分類，采用徑向基神經(jīng)網(wǎng)絡方法對故障分類情況建立神經(jīng)網(wǎng)絡模型，其中，采用粗糙集方法降低訓練神經(jīng)網(wǎng)絡時的網(wǎng)絡輸入維數(shù)，利用反映故障情況的故障綜合指數(shù)確定故障等級。最后，用該方法解決一個實例問題來展現(xiàn)其優(yōu)勢。 

關鍵詞：電力通信網(wǎng)  故障評估  k-均值聚類  粗糙集  徑向基神經(jīng)網(wǎng)絡  1 概述  電力通信網(wǎng)是現(xiàn)代電網(wǎng)不可分割的組成部分，是電網(wǎng)安全、穩(wěn)定、經(jīng)濟、優(yōu)質運行的三大支柱之一[1]，提高電力通信網(wǎng)的通信質量、增加電力通信網(wǎng)的可靠性是國家電網(wǎng)公司對電力通信網(wǎng)提出的一貫要求，這是貫穿整個電力通信網(wǎng)生命周期的持續(xù)過程[2]?？煽啃詥栴}起源于故障，通信網(wǎng)可靠性測度的演變與故障的研究是分不開的。在通信網(wǎng)中，故障測度的范疇可以分為設備故障與網(wǎng)絡故障兩個層面，網(wǎng)絡故障是設備故障的深層次反映。隨著電力通信網(wǎng)的不斷發(fā)展，設備的不斷更新，有必要對現(xiàn)代電力通信網(wǎng)的設備故障情況進行進一步研究。  聚類分析試圖將一組未標記樣本按照一定的相似度準則分到幾個類中去，使得在同一個類中的樣本有著較大的相似度，不同類間的樣本的相似度較小[3]。k-均值聚類算法是macqueen在1967年首次提出的一種經(jīng)典聚類算法，具有能對大型數(shù)據(jù)集進行高效分類的優(yōu)點。粗糙集理論（rough set）是波蘭數(shù)學家z.pawlak教授于1982年提出的一種數(shù)據(jù)分析理論[4]。粗糙集方法能有效處理不確定、不精確、需要主觀判斷的問題，并能保證在不降低評價效果和質量的前提下對指標體系進行約簡，去除冗余和相關的指標[5]。徑向基神經(jīng)網(wǎng)絡(radial based function neural network，rbfnn)是20世紀90年代提出的一種具有全局收斂特性的線性學習算法的前饋網(wǎng)絡，因其學習速度快的優(yōu)點，廣泛應用于數(shù)據(jù)的分類和時間序列的預測等方面。本文基于以上方法，對電力通信網(wǎng)設備故障評估進行研究。  2 方法原理  首先建立一套電力通信網(wǎng)設備故障評估指標體系，使用k-均值聚類方法對設備故障情況進行分類，然后用數(shù)據(jù)樣本對徑向基神經(jīng)網(wǎng)絡進行訓練，訓練網(wǎng)絡前利用粗糙集方法降低輸入維數(shù)，提高網(wǎng)絡訓練速度，然后從訓練后的神經(jīng)網(wǎng)絡中提取指標重要度作為指標權重，從而求得綜合指數(shù)來判斷聚類的故障等級，使徑向基神經(jīng)網(wǎng)絡具備故障評估能力。原理框圖如圖1所示。  2.1 指標體系  目前，電力通信網(wǎng)設備主要包括光纖通信設備、光纜線路、交換機設備、調度總機設備、無線設備、電力線載波設備、微波通信設備以及圖傳終端設備等，據(jù)此可以得到電力系統(tǒng)通信設備故障的7個一級指標，然后根據(jù)故障的三因素描述方法，可將每種設備故障情況用故障強度、持續(xù)時間和故障程度三個指標來描述，即每個一級指標具有3個二級指標。其中，故障強度是指故障對每一使用單位的作用力的大小，如故障概率和故障閾值的差值，持續(xù)時間是故障所持續(xù)存在的時間長度，故障程度是指故障所擴散的度量，如故障范圍。從而可以得到具有21個二級指標的一個電力系統(tǒng)通信設備故障評估指標體系，如表1所示。  2.2 k-均值聚類  本文利用k-均值聚類方法將某省各局電力通信網(wǎng)設備故障情況分為三個等級類。首先，從觀測數(shù)據(jù)集中任意選擇3個觀測值作為初始聚類中心，其余觀測值則根據(jù)與這3個聚類中心的距離和最近距離原則，逐個分別聚類到這3個聚類中心所代表的聚類中。然后在完成第一輪聚類之后，各聚類中心發(fā)生了變化，繼而更新3個聚類的聚類中心，也就是分別根據(jù)各聚類中的觀測值計算相應聚類的均值。根據(jù)所獲得的3個新聚類中心，以及各對象與這3個聚類中心的距離，根據(jù)最近距離原則對所有觀測值進行重新歸類。重復上述過程就可獲得最終的聚類結果。  2.3 粗糙集  本文利用粗糙集方法對指標集進行有效約簡。首先，將指標集作為條件屬性，聚類結果作為決策屬性，構造決策信息表。然后利用粗糙集方法對決策信息表中的數(shù)據(jù)進行分析，然后根據(jù)得到的指標質量值，刪減掉指標質量較小的指標，保留質量較大的指標，最終得到一個有效約簡后的電力通信網(wǎng)設備故障評估指標集。  2.4 徑向基神經(jīng)網(wǎng)絡  徑向基神經(jīng)網(wǎng)絡第一層為輸入層，由信號源節(jié)點組成，第二層為隱含層，用徑向基函數(shù)作為隱單元的“基”構成隱含層空間，其單元數(shù)視作所面對問題的需要而定，第三層為輸出層，它對輸入模式的作用做出響應。  將使用粗糙集方法約簡后的指標集所對應的數(shù)據(jù)樣本作為徑向基神經(jīng)網(wǎng)絡的輸入，k-均值聚類結果作為網(wǎng)絡輸出，以此來訓練神經(jīng)網(wǎng)絡，使其具備故障分類能力，然后從訓練好的神經(jīng)網(wǎng)絡中提取指標的重要性，以此作為指標權重，根據(jù)數(shù)據(jù)樣本和指標權重，計算各局電力通信網(wǎng)設備故障情況綜合指數(shù)，從而便可以判斷出各聚類所對應的故障等級。  3 實例  3.1 信息表  通過調研得到某省各局電力系統(tǒng)通信設備故障報告，經(jīng)過數(shù)據(jù)的整理，得到數(shù)據(jù)樣本。  由于該省各局電力通信網(wǎng)設備中電力線載波設備與圖傳終端設備并未發(fā)生過故障，所以本例中指標t16～t21對各局故障的情況綜合評估沒有價值，所以剔除掉指標t16～t21。最終的信息表如表2所示。  3.2 k-均值聚類分析  將指標t1～t15作為聚類變量，根據(jù)表2中的統(tǒng)計數(shù)據(jù)對各局故障情況進行聚類。設置聚類數(shù)k=3，使用運行均值，迭代29次后，聚類中心收斂。初始中心間的最小距離為2.396。最終聚類中心間的距離為1.402。聚類結果如表3所示。  可見a、b、c、e、f、i、j、k局的通信設備故障情況相同，為3類，而d、h、l局的通信設備故障情況相同，為1類，g局通信設備故障情況與其他局均不同，為2類。  3.3 粗糙集約簡  指標屬性作為條件屬性，聚類結果作為決策屬性，形成決策表，利用粗糙集方法進行分析，得到指標質量如圖2所示。  剔除掉質量較低的指標，最終可以得到約簡后的指標集為{t1，t2，t3，t4，t5，t6，t10， t11，t12}。  3.4 徑向基神經(jīng)網(wǎng)絡  將約簡后的指標集所對應的樣本數(shù)據(jù)作為網(wǎng)絡輸入，聚類結果作為網(wǎng)絡輸出，根據(jù)數(shù)據(jù)樣本對網(wǎng)絡進行訓練。具體網(wǎng)絡參數(shù)如表4所示。  由此得到了一個具有故障分類能力的徑向基神經(jīng)網(wǎng)絡。然后從該神經(jīng)網(wǎng)絡中提取各自變量的重要性，即指標重要性，如表5所示。  將指標重要性作為指標權重，再依據(jù)樣本數(shù)據(jù)，利用加權平均的計算方法求得各局電力通信網(wǎng)設備故障的綜合指數(shù)，并與聚類結果比較，如表6所示。由于電力通信網(wǎng)設備故障指標對故障評估都是正向指標，所以，故障綜合指數(shù)較大的局的故障也較嚴重。  根據(jù)表6所示，可以定義“1”類故障情況為“嚴重”，“2”類故障情況為“一般”，“3”類故障情況為“輕微”。  3.5 結果  根據(jù)該電力系統(tǒng)通信設備故障評估方法對實例的分析，得到d局、h局、l局的通信設備故障較嚴重，需要引起重視，g局通信設備的故障情況一般，其他局通信設備的故障情況較輕微。  4 結論  本文基于k-均值聚類評估方法、粗糙集理論以及徑向基神經(jīng)網(wǎng)絡方法提出了電力通信網(wǎng)設備故障評估方法，并對一實例進行分析，最終得到了其評估結果。在該評估方法中基于k-均值聚類方法對故障情況進行分類，再用綜合指數(shù)確定聚類的故障等級，避免了傳統(tǒng)評估方法對評估前指標權重的依賴，也避免了常用的灰色聚類方法對白化權函數(shù)的依賴，排除了諸多主觀因素的的干擾，加強了故障評估結果的客觀性、真實性。  參考文獻：  [1]穆琦.電力通信網(wǎng)中通信電源的運行維護管理[j].內蒙古石油化工，2008，5：71-73．  [2]趙子巖，陳希，劉建明.建立電力系統(tǒng)通信網(wǎng)可靠性管理體系相關問題的探討[j].電力系統(tǒng)通信，2006，27(168)：58-61．  [3]汪軍，王傳玉，周鳴爭.半監(jiān)督的改進k-均值聚類算法[j].計算機工程與應用，2009，45（28）：137-139.  [4]云俊,李遠遠.項目評價中指標體系選取的有效性及優(yōu)化[j].商業(yè)時代，2009，（9）：47-48.  [5]舒紅平，王運峰，徐振明，鄒書蓉.基于k-均值聚類的多雷達數(shù)據(jù)融合算法研究[j].計算機工程與應用，2007，43（16）：183-185.  [6]張建明，曾建武，謝磊，王樹青.基于粗糙集的支持向量機故障診斷[j].清華大學學報（自然科學版），2007，47(s2):1774-1777.