電力通信網(wǎng)設(shè)備故障評估方法的研究

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(shè)備故障的研究，因此，對電力通信網(wǎng)設(shè)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(luò)方法對故障分類情況建立神經(jīng)網(wǎng)絡(luò)模型，其中，采用粗糙集方法降低訓(xùn)練神經(jīng)網(wǎng)絡(luò)時的網(wǎng)絡(luò)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(guān)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(luò)

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(zhì)運行的三大支柱之一[1]，提高電力通信網(wǎng)的通信質(zhì)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]。可靠性問題起源于故障，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(shè)備故障與網(wǎng)絡(luò)故障兩個層面，網(wǎng)絡(luò)故障是設(shè)備故障的深層次反映。隨著電力通信網(wǎng)的不斷發(fā)展，設(shè)備的不斷更新，有必要對現(xiàn)代電力通信網(wǎng)的設(shè)備故障情況進行進一步研究。

聚類分析試圖將一組未標(biāo)記樣本按照一定的相似度準(zhǔn)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(xué)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(zhì)量的前提下對指標(biāo)體系進行約簡，去除冗余和相關(guān)的指標(biāo)[5]。徑向基神經(jīng)網(wǎng)絡(luò)(Radial Based Function Neural Network，RBFNN)是20世紀(jì)90年代提出的一種具有全局收斂特性的線性學(xué)習(xí)算法的前饋網(wǎng)絡(luò)，因其學(xué)習(xí)速度快的優(yōu)點，廣泛應(yīng)用于數(shù)據(jù)的分類和時間序列的預(yù)測等方面。本文基于以上方法，對電力通信網(wǎng)設(shè)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(shè)備故障評估指標(biāo)體系，使用K-均值聚類方法對設(shè)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(luò)進行訓(xùn)練，訓(xùn)練網(wǎng)絡(luò)前利用粗糙集方法降低輸入維數(shù)，提高網(wǎng)絡(luò)訓(xùn)練速度，然后從訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)中提取指標(biāo)重要度作為指標(biāo)權(quán)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(luò)具備故障評估能力。原理框圖如圖1所示。

2.1 指標(biāo)體系

目前，電力通信網(wǎng)設(shè)備主要包括光纖通信設(shè)備、光纜線路、交換機設(shè)備、調(diào)度總機設(shè)備、無線設(shè)備、電力線載波設(shè)備、微波通信設(shè)備以及圖傳終端設(shè)備等，據(jù)此可以得到電力系統(tǒng)通信設(shè)備故障的7個一級指標(biāo)，然后根據(jù)故障的三因素描述方法，可將每種設(shè)備故障情況用故障強度、持續(xù)時間和故障程度三個指標(biāo)來描述，即每個一級指標(biāo)具有3個二級指標(biāo)。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(biāo)的一個電力系統(tǒng)通信設(shè)備故障評估指標(biāo)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(shè)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(yīng)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(fù)上述過程就可獲得最終的聚類結(jié)果。

2.3 粗糙集

本文利用粗糙集方法對指標(biāo)集進行有效約簡。首先，將指標(biāo)集作為條件屬性，聚類結(jié)果作為決策屬性，構(gòu)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(biāo)質(zhì)量值，刪減掉指標(biāo)質(zhì)量較小的指標(biāo)，保留質(zhì)量較大的指標(biāo)，最終得到一個有效約簡后的電力通信網(wǎng)設(shè)備故障評估指標(biāo)集。

2.4 徑向基神經(jīng)網(wǎng)絡(luò)

徑向基神經(jīng)網(wǎng)絡(luò)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(gòu)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(yīng)。

將使用粗糙集方法約簡后的指標(biāo)集所對應(yīng)的數(shù)據(jù)樣本作為徑向基神經(jīng)網(wǎng)絡(luò)的輸入，K-均值聚類結(jié)果作為網(wǎng)絡(luò)輸出，以此來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其具備故障分類能力，然后從訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中提取指標(biāo)的重要性，以此作為指標(biāo)權(quán)重，根據(jù)數(shù)據(jù)樣本和指標(biāo)權(quán)重，計算各局電力通信網(wǎng)設(shè)備故障情況綜合指數(shù)，從而便可以判斷出各聚類所對應(yīng)的故障等級。

3 實例

3.1 信息表

通過調(diào)研得到某省各局電力系統(tǒng)通信設(shè)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(shè)備中電力線載波設(shè)備與圖傳終端設(shè)備并未發(fā)生過故障，所以本例中指標(biāo)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(biāo)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(biāo)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(shè)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(jié)果如表3所示。

可見A、B、C、E、F、I、J、K局的通信設(shè)備故障情況相同，為3類，而D、H、L局的通信設(shè)備故障情況相同，為1類，G局通信設(shè)備故障情況與其他局均不同，為2類。

3.3 粗糙集約簡

指標(biāo)屬性作為條件屬性，聚類結(jié)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(biāo)質(zhì)量如圖2所示。

剔除掉質(zhì)量較低的指標(biāo)，最終可以得到約簡后的指標(biāo)集為{T1，T2，T3，T4，T5，T6，T10， T11，T12}。

3.4 徑向基神經(jīng)網(wǎng)絡(luò)

將約簡后的指標(biāo)集所對應(yīng)的樣本數(shù)據(jù)作為網(wǎng)絡(luò)輸入，聚類結(jié)果作為網(wǎng)絡(luò)輸出，根據(jù)數(shù)據(jù)樣本對網(wǎng)絡(luò)進行訓(xùn)練。具體網(wǎng)絡(luò)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(luò)。然后從該神經(jīng)網(wǎng)絡(luò)中提取各自變量的重要性，即指標(biāo)重要性，如表5所示。

將指標(biāo)重要性作為指標(biāo)權(quán)重，再依據(jù)樣本數(shù)據(jù)，利用加權(quán)平均的計算方法求得各局電力通信網(wǎng)設(shè)備故障的綜合指數(shù)，并與聚類結(jié)果比較，如表6所示。由于電力通信網(wǎng)設(shè)備故障指標(biāo)對故障評估都是正向指標(biāo)，所以，故障綜合指數(shù)較大的局的故障也較嚴(yán)重。

根據(jù)表6所示，可以定義“1”類故障情況為“嚴(yán)重”，“2”類故障情況為“一般”，“3”類故障情況為“輕微”。

3.5 結(jié)果

根據(jù)該電力系統(tǒng)通信設(shè)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(shè)備故障較嚴(yán)重，需要引起重視，G局通信設(shè)備的故障情況一般，其他局通信設(shè)備的故障情況較輕微。

4 結(jié)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(luò)方法提出了電力通信網(wǎng)設(shè)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(jié)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(biāo)權(quán)重的依賴，也避免了常用的灰色聚類方法對白化權(quán)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(jié)果的客觀性、真實性。

參考文獻(xiàn)：

[1]穆琦.電力通信網(wǎng)中通信電源的運行維護管理[J].內(nèi)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(guān)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(yīng)用，2009，45（28）：137-139.

[4]云俊，李遠(yuǎn)遠(yuǎn).項目評價中指標(biāo)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(dá)數(shù)據(jù)融合算法研究[J].計算機工程與應(yīng)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(xué)學(xué)報（自然科學(xué)版），2007，47(S2):1774-1777.