﻿ 基于模糊神经网络的电力调度自动化设备健康评估
 计算机系统应用  2019, Vol. 28 Issue (2): 207-212 PDF

1. 中国科学院大学, 北京 100049;
2. 中国科学院 沈阳计算技术研究所, 沈阳 110168;
3. 国家电网东北分部, 沈阳 110180;
4. 美国加州州立大学富勒顿分校, 加利福尼亚州 92834

Health Assessment of Power Dispatching Automation Equipment Based on Fuzzy Neural Network
LI Peng1,2, LI Dan3, LI Xi-Wang2, GAO Yu4
1. University of Chinese Academy of Sciences, Beijing 100049, China;
2. Shenyang Institute of Computing Technology, Chinese Academy of Sciences, Shenyang 110168, China;
3. State Grid Corporation Northeast Division, Shenyang 110180, China;
4. California State University, Fullerton, CA 92834, USA
Foundation item: National Science and Technology Major Program of China (2017ZX01030-201)
Abstract: A health assessment model for power automation equipment based on fuzzy neural network is proposed to solve the problem that the evaluation method is simple, the evaluation method is weak, and the evaluation effect is inaccurate. Using fuzzy theory to analyze, use fuzzy sets to describe evaluation indicators, and use the degree of membership to describe equipment status, combining the adaptive function of neural network to provide more accurate and personalized health evaluation for individual devices.
Key words: fuzzy network     automation equipment     evaluate device status

1 模糊神经网络基本原理及其适用性 1.1 模糊神经网络概述

1.2 模糊神经网络结构

 图 1 传统模糊神经网络结构

 $\begin{gathered} {\mu _{ij}} = \exp ( - {(\frac{{{x_i} - {c_{ij}}}}{{{\sigma _{ij}}}})^2}),\;\; i = 1,2,\cdots,n;\;\;j = 1,2,\cdots,{m_i} \\ \end{gathered}$ (1)
 图 2 四层模糊神经网络结构

 $\begin{gathered} {r_k} = \min \{ {\mu _1}_{{m_{`1}}},{\mu _{2{m_2}}},\cdots,{\mu _n}_{{m_n}}\} \quad k = 1,2,\cdots,R \end{gathered}$ (2)

1.3 模糊神经网络学习算法

 $\tilde y = \frac{{\displaystyle\sum\limits_{j = 1}^R {\displaystyle\sum\limits_{k = 1}^4 {{\omega _{jk}}} .\prod\limits_{i = 1}^n {{\rm{exp}}( - {{(\frac{{{x_i} - {c_{ij}}}}{{{\sigma _{ij}}}})}^2})} } }}{{\displaystyle\sum\limits_{j = 1}^R {\prod\limits_{i = 1}^n {{\rm{exp}}( - {{(\frac{{{x_i} - {c_{ij}}}}{{{\sigma _{ij}}}})}^2})} } }}$ (3)

 $E = \frac{1}{n}\sum\limits_{i = 1}^n {{{(\tilde y - y)}^2}}$ (4)

 ${c_{ij}}^{t + 1} = {c_{ij}}^t - \eta \frac{{\partial E}}{{{c_{ij}}^t}}$ (5)
 ${\sigma _{ij}}^{t + 1} = {\sigma _{ij}}^t - \eta \frac{{\partial E}}{{{\sigma _{ij}}^t}}$ (6)
 ${\omega _{jk}}^{t + 1} = {\omega _{jk}}^t - \eta \frac{{\partial E}}{{{\omega _{jk}}^t}}$ (7)

1.4 模糊神经网络的适用性

2 基于模糊神经网络的电力调度自动化设备健康评估模型

(1)整理存储的设备6个月内的运行信息, 包括: CPU温度、硬盘温度、板卡温度、网口状态、网络流量、网络延迟、内存使用率、硬盘使用率、CPU使用率、网络丢包率、设备运行时间11个指标.

(2)对设备的运行状态进行划分等级. 根据专业人员的分析和历史经验的总结, 将设备运行状态分为四个等级, 如表1所示.

(3)通过计算设备各运行指标之间的皮尔逊相关系数, 删除部分冗余特征. 皮尔逊相关系数是衡量两个随机变量之间线性相关程度的指标, 描述的是一种非确定性相关系数[16], 计算公式如式(8)所示:

 $r = \frac{{Cov(X,Y)}}{{{\sigma _X}{\sigma _Y}}} = \frac{{E((X - {\mu _X})(Y - {\mu _Y}))}}{{{\sigma _X}{\sigma _Y}}}$ (8)

 图 3 电力调度自动化设备健康评估流程

(4) 因为各指标的值域不同, 因此需要对各指标进行归一化处理, 归一化计算公式如式(9)所示:

 ${X_{\rm{norm}}} = \frac{{X - {X_{\min }}}}{{{X_{\max }} - {X_{\min }}}}$ (9)

(5)初始化需要训练的模型参数, 主要包括三类参数: ${c_{ij}},{\sigma _{ij}}$ ${\omega _{jk}}$ . 其中 ${c_{ij}}$ 表示隶属函数的中心值, ${\sigma _{ij}}$ 为隶属函数的宽度值, ${\omega _{jk}}$ 为模糊规则层与反模糊层之间的连接权重.

(6)更新模型参数直到满足模型训练的结束条件. 传统的模型终止条件有两种, 一种是当模型的输出值与真实值的误差小于设置的阈值时终止模型训练, 另一种是当迭代次数到达设置的次数时终止训练. 本文在此基础上增加模型训练的早停技巧, 即当模型在测试集上的误差增大时, 提前停止训练模型, 这样可以有效的避免模型的过拟合问题.

(7)保存模型.当模型训练完成之后需要将模型保存到文件中, 以便之后的模型使用. 采用python语言的pickle模块将模型序列化存储到本地文件中, 当使用模型时, 对序列化后的文件进行反序列化处理, 即可恢复原始模型进行使用.

3 实验分析

3.1 实验数据

3.2 实验结果

 图 4 训练误差与测试误差

3.3 实验对比

4 结论与展望

 图 5 传统神经网络与模糊神经网络结果对比

 [1] 邓力, 马登武, 吴明辉. 基于健康状态监测与预测的装备维修决策方案. 计算机测量与控制, 2013, 21(11): 2895-2897, 2907. DOI:10.3969/j.issn.1671-4598.2013.11.001 [2] 褚健. 维修决策模型和方法的理论与应用研究[博士学位论文]. 杭州: 浙江大学, 2007. [3] 许丽佳, 王厚军, 黄健国. CHMM在发射机状态监测与健康评估中的应用研究. 电子科技大学学报, 2010, 39(6): 875-879, 890. DOI:10.3969/j.issn.1001-0548.2010.06.015 [4] 许丽佳, 黄健国, 王厚军. 基于HMM的模拟电路故障诊断方法. 计算机辅助设计与图形学学报, 2010, 22(7): 1215-1222. [5] 张璇. 电力通信网络设备状态检修系统的开发与应用[硕士学位论文]. 北京: 华北电力大学, 2013. [6] 倪丽, 宋世贤, 卢成光, 等. 电力变压器的实时状态评估. 电气技术, 2012(10): 13-16. DOI:10.3969/j.issn.1673-3800.2012.10.019 [7] 马博, 董海鹰, 任伟. 基于模糊综合支持向量机的特高压变电站二次设备状态评估. 计算机系统应用, 2014, 23(9): 191-197. DOI:10.3969/j.issn.1003-3254.2014.09.038 [8] Horikawa S, Furuhashi T, Uchikawa Y. On fuzzy modeling using fuzzy neural networks with the back-propagation algorithm. IEEE Transactions on Neural Networks, 1992, 3(5): 801-806. DOI:10.1109/72.159069 [9] Yu W, Li XO. Fuzzy identification using fuzzy neural networks with stable learning algorithms. IEEE Transactions on Fuzzy Systems, 2004, 12(3): 411-420. DOI:10.1109/TFUZZ.2004.825067 [10] 张凯, 钱锋, 刘漫丹. 模糊神经网络技术综述. 信息与控制, 2003, 32(5): 431-435. DOI:10.3969/j.issn.1002-0411.2003.05.011 [11] 马秀会. 模糊神经网络研究综述[硕士学位论文]. 长春: 吉林大学, 2008. [12] 薛善良, 杨佩茹, 周奚. 基于模糊神经网络的WSN无线数据收发单元故障诊断. 计算机科学, 2018, 45(5): 38-43. [13] 姜长元. 模糊神经网络模型及其应用研究[硕士学位论文]. 南京: 南京师范大学, 2005. [14] 高德华. 试论模糊化思维与复杂系统研究. 系统科学学报, 2007, 15(3): 64-67. [15] 侯晓凯, 李师谦, 王杰琼, 等. 一种基于神经网络的网络设备故障预测系统. 山东理工大学学报, 2014, 28(6): 29-34. DOI:10.3969/j.issn.1672-6197.2014.06.007 [16] 周金治, 唐肖芳. 基于相关系数分析的脑电信号特征选择. 生物医药工程学杂志, 2015, 32(4): 735-739. [17] 李航. 统计学习方法. 北京: 清华大学出版社, 2012: 20–30.