基于LS-SVM的電力通信網(wǎng)性能劣化評估與預(yù)測模型研究*

施　健　繆巍巍　吳海洋

(1.南京南瑞集團(tuán)公司　南京　210003)(2.江蘇省電力公司　南京　210024)

?

基于LS-SVM的電力通信網(wǎng)性能劣化評估與預(yù)測模型研究*

施健1繆巍巍2吳海洋2

(1.南京南瑞集團(tuán)公司南京210003)(2.江蘇省電力公司南京210024)

摘要隨著電力通信網(wǎng)絡(luò)規(guī)模越來越大,運行維護(hù)人員對通信網(wǎng)運行狀態(tài)的實時有效監(jiān)控,對設(shè)備故障的快速準(zhǔn)確判斷越來越困難,需要對通信網(wǎng)運行的健康狀態(tài)進(jìn)行科學(xué)評估,以及對網(wǎng)絡(luò)性能的劣化進(jìn)行趨勢預(yù)測,從而可以提前預(yù)知網(wǎng)絡(luò)可能存在的隱患。論文充分利用通信網(wǎng)現(xiàn)有的海量狀態(tài)監(jiān)測數(shù)據(jù),提出基于健康狀態(tài)數(shù)據(jù)的電力通信網(wǎng)性能劣化評估模型,在此基礎(chǔ)上利用最小二乘支持向量機(LS-SVM)性能劣化時間序列進(jìn)行預(yù)測,預(yù)警通信網(wǎng)的異常狀態(tài),提高通信網(wǎng)運行維護(hù)的水平,減少故障導(dǎo)致的斷網(wǎng)損失。

關(guān)鍵詞電力通信網(wǎng); 劣化評估; 預(yù)測模型

Class NumberTP391

1　引言

電力通信網(wǎng)運行狀態(tài)的實時監(jiān)測與在線診斷直接關(guān)系到電網(wǎng)的安全穩(wěn)定運行,隨著電力通信網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大,通信網(wǎng)中需要控制和監(jiān)測的數(shù)量信息量越來越大,運行維護(hù)人員對通信網(wǎng)運行狀態(tài)的實時有效監(jiān)控,對設(shè)備故障的快速準(zhǔn)確判斷越來越困難。特別是隨著通信設(shè)備在網(wǎng)運行時間的增加,由于材料磨損、疲勞或環(huán)境造成的變形、腐蝕、老化等原因,使得通信網(wǎng)原有性能逐漸降低。這種性能劣化在初期并不影響通信網(wǎng)的運行,但是在后期卻會對通信網(wǎng)的安全穩(wěn)定運行造成巨大影響,甚至?xí)裣掳踩[患。如果在通信網(wǎng)從正常(健康)運行到劣化直到失效的過程中監(jiān)測其劣化程度,并根據(jù)通信網(wǎng)劣化指標(biāo)的變化趨勢,再參考?xì)v史運行數(shù)據(jù),就可以對網(wǎng)絡(luò)的運行狀態(tài)進(jìn)行預(yù)估,從而在性能指標(biāo)惡化到影響網(wǎng)絡(luò)正常運行之前提前進(jìn)行處理。這種方法既可以合理制定通信設(shè)備的維修計劃,做到防止設(shè)備失修而引起的事故;同時又能防止設(shè)備過修而帶來的設(shè)備損失或浪費,保證了生產(chǎn)效率的最大化。

本文基于此理念提出了基于LS-SVM的通信網(wǎng)性能劣化評估標(biāo)準(zhǔn)模型。通過篩選出表征通信網(wǎng)運行狀態(tài)的指標(biāo)參數(shù),將其代入訓(xùn)練好的模型,從而評判當(dāng)前工況下通信網(wǎng)運行性能是否偏離正常狀態(tài),實現(xiàn)通信網(wǎng)運行狀態(tài)的健康評估。并基于性能劣化時間序列,提出了基于LS-SVM的通信網(wǎng)性能劣化預(yù)測模型,通過實時采集的現(xiàn)場狀態(tài)監(jiān)測數(shù)據(jù)對所提模型進(jìn)行驗證。本文的研究實現(xiàn)了通信網(wǎng)運行狀態(tài)的健康評估和故障預(yù)警,避免和預(yù)防故障的發(fā)生;同時通過預(yù)測通信網(wǎng)運行狀態(tài)的發(fā)展趨勢,對通信網(wǎng)性能劣化趨勢進(jìn)行評估與預(yù)測,從而為制定合理的檢維修決策提供技術(shù)保障。

2　最小二乘支持向量機回歸原理

支持向量機(Support Vector Machine,SVM)是20世紀(jì)90年代中期發(fā)展起來的基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法。最小二乘支持向量機(1east square support vector machine,LS-SVM)作為標(biāo)準(zhǔn)支持向量機的一種擴(kuò)展[1～4],它將二次規(guī)劃問題轉(zhuǎn)化為線性方程組進(jìn)行求解,具有較快的求解速度,在回歸分析(時間序列分析)、模式識別(分類問題、判別分析)等諸多領(lǐng)域有廣泛的應(yīng)用,并可推廣應(yīng)用到預(yù)測和綜合評價等領(lǐng)域。

最小二乘支持向量機的回歸原理如下:設(shè)樣本集S={(x1,y1),(x2,y2),…,(xn,yn)}∈Rn×R,將其映射到一個高維的特征空間中,使得原來的樣本空間中非線性可分的問題轉(zhuǎn)化為在特征空間中的線性可分的問題。在此高維特征空間上構(gòu)建最優(yōu)線性回歸函數(shù):

f(x)=wTφ(x)+b

(1)

式(1)中:φ(x)為從輸入空間到高維特征空間的非線性映射;w為權(quán)值向量;b為偏置常數(shù)。

LS-SVM算法的回歸問題是根據(jù)結(jié)構(gòu)風(fēng)險最小化原理求解約束優(yōu)化,LS-SVM優(yōu)化目標(biāo)可表示為

(2)

式(2)中,γ為正規(guī)化參數(shù),用于控制超出誤差的樣本處罰程度;ei為估計誤差。

其約束條件yi為

yi=wTφ(xi)+b+ei

(3)

對上述等式約束化問題引入拉格朗日函數(shù),式(3)的優(yōu)化問題變換到對偶空間,則

(4)

式(4)中ai為拉格朗日乘子,γ為常數(shù)。

利用卡羅需-庫恩-塔克最優(yōu)化條件(Karush-Kuhn-Tucker Conditions,KKT條件)對式(4)進(jìn)行處理,經(jīng)過變換得到線性方程組

yi=wTφ(xi)+b

(5)

計算后消去ei與w,則優(yōu)化問題可轉(zhuǎn)化為求解線性方程組。

(6)

(7)

3　基于LS-SVM的電力通信網(wǎng)性能劣化評估模型

通過對電力通信網(wǎng)采集的海量數(shù)據(jù)綜合分析,靈敏度和誤碼率(Bit Error Ratio,BER)是影響通信網(wǎng)運行狀態(tài)的兩個主要因素。通過建立綜合考慮靈敏度和誤碼率等多源信息的通信網(wǎng)健康標(biāo)準(zhǔn)三維曲面模型υ=f(O,B),υ為通信網(wǎng)狀態(tài)參數(shù),O為靈敏度,B為誤碼率。所構(gòu)建的基于最小二乘支持向量機的電力通信網(wǎng)性能劣化評估模型,具體步驟如下:

1) 通信網(wǎng)運行健康狀態(tài)的確定

在通信網(wǎng)絡(luò)運行過程中,誤碼率和靈敏度不是一成不變的,會因為各種原因發(fā)生變動。比如設(shè)備出現(xiàn)了故障、某個站點的接線發(fā)生松動、光纖出現(xiàn)劣化,或是正常運行時信號的漂移、靈敏度長時間的累積,都會引起這些指標(biāo)的劣化。通過采集分析通信網(wǎng)在不同靈敏度、不同誤碼率條件下的海量狀態(tài)監(jiān)測數(shù)據(jù),結(jié)合設(shè)備廠家的建議值、行業(yè)標(biāo)準(zhǔn)值以及實際運維的經(jīng)驗值,確定電力通信網(wǎng)運行健康狀態(tài)的標(biāo)準(zhǔn)。

2) 電力通信網(wǎng)運行健康模型的建立與驗證

選取能反映電力通信網(wǎng)運行狀態(tài)的敏感特征參數(shù),建立并驗證健康模型υ(t)=f(O(t),B(t)),獲得電力通信網(wǎng)運行健康模型,采用LS-SVM建立三維曲面模型[5～8]。該建模方法能更真實、客觀地反映影響通信網(wǎng)運行狀態(tài)的工況因素(誤碼率、靈敏度等),從而有效地利用現(xiàn)有正常海量數(shù)據(jù)。

模型驗證時分別定義模型計算值與實測值之間的絕對誤差A(yù)E、相對誤差RE和平均相對誤差MAPE[2]。

AE(t)=c(t)-r(t)

(8)

(9)

(10)

式(10)中,r(t)為通信網(wǎng)在運行時刻t時的實測值,c(t)為異常狀態(tài)檢測模型計算標(biāo)準(zhǔn)值,N為樣本采集點數(shù)。

3) 電力通信網(wǎng)性能劣化評估模型的建立

將通信網(wǎng)在線采集到的靈敏度、誤碼率等實時性能數(shù)據(jù)代入到運行健康模型υ(t)=f(O(t),B(t)),計算當(dāng)前工況下的狀態(tài)參數(shù)健康標(biāo)準(zhǔn)值υ(t),并和當(dāng)前工況的實測值比較,獲得通信網(wǎng)當(dāng)前的劣化度D(t),其定義為

(11)

式(11)中,t表示電力通信網(wǎng)運行時刻。

4　基于LS-SVM的電力通信網(wǎng)性能趨勢預(yù)測模型

采用LS-SVM建立電力通信網(wǎng)性能趨勢預(yù)測模型,具體步驟如下:

1) 采用Cao算法[9～10]計算性能趨勢時間序列相空間重構(gòu)時的嵌入維度

選取重構(gòu)相空間中的飽和嵌入維數(shù)m作為LS-SVM的輸入節(jié)點數(shù),能夠有效避免輸入節(jié)點數(shù)選取的任意性和丟失信息的問題。

2) 構(gòu)建基于LS-SVM的預(yù)測器,對時間序列進(jìn)行趨勢預(yù)測

設(shè)m為嵌入維數(shù),假設(shè)有時間序列s(t),(t=1,2,3,…,n),由t時刻前的m個逼近數(shù)據(jù)預(yù)測t時刻的逼近值,預(yù)測模型可表示為

s(t)=f[s(t-1),s(t-2),…,s(t-m)]

(12)

式(12)中,f為非線性函數(shù)。

最終所構(gòu)建的LS-SVM多輸入單輸出結(jié)構(gòu)的預(yù)測器如表1所示。

表1　LS-SVM預(yù)測器結(jié)構(gòu)

5　實例分析

本節(jié)以一個實際的電力通信網(wǎng)為例,利用前述的相關(guān)方法采集相應(yīng)的實測狀態(tài)監(jiān)測數(shù)據(jù)作為樣本進(jìn)行研究,驗證基于LS-SVM的電力通信網(wǎng)性能劣化評估與預(yù)測模型的有效性。

通過光傳輸設(shè)備網(wǎng)管系統(tǒng)的北向接口獲取運行狀態(tài)良好無故障的靈敏度和誤碼率數(shù)據(jù),建立通信網(wǎng)健康狀態(tài)下的性能標(biāo)準(zhǔn)模型。在時間段為三個月,采集周期為1個小時,共獲取2160組數(shù)據(jù),抽取1900組能覆蓋通信網(wǎng)靈敏度和誤碼率變化區(qū)間的健康標(biāo)準(zhǔn)數(shù)據(jù)建立LS-SVM健康模型,將剩下的260組數(shù)據(jù)作為測試樣本進(jìn)行模型驗證。經(jīng)分析可以看出,基于LS-SVM的通信網(wǎng)運行狀態(tài)健康標(biāo)準(zhǔn)模型計算值和實測值基本吻合,計算平均相對誤差為2.65%。圖1給出了通信網(wǎng)運行狀態(tài)健康模型驗證結(jié)果。

圖1　通信網(wǎng)運行狀態(tài)健康模型驗證結(jié)果

將2160組狀態(tài)監(jiān)測中的靈敏度和誤碼率等實時在線數(shù)據(jù)代入通信網(wǎng)性能劣化評估模型,獲得通信網(wǎng)當(dāng)前劣化度D(t),如圖2所示。從圖中可以看出,通信網(wǎng)運行性能同樣出現(xiàn)劣化。

圖2　通信網(wǎng)性能劣化趨勢圖

對計算得到的通信網(wǎng)性能劣化時間序列進(jìn)行相空間重構(gòu)(嵌入維數(shù)m=8),構(gòu)建基于LS-SVM的預(yù)測器對其進(jìn)行預(yù)測。用前1500個數(shù)據(jù)進(jìn)行相空間重構(gòu),第1501～2160點數(shù)據(jù)進(jìn)行預(yù)測,預(yù)測結(jié)果如圖3所示。從圖中可以看出,電力通信網(wǎng)性能劣化時間序列預(yù)測值和實際值有較好的擬合,預(yù)測平均相對誤差為15.32%。

圖3　通信網(wǎng)性能退化趨勢結(jié)果

通過研究發(fā)現(xiàn),采用LS-SVM預(yù)測模型對通信網(wǎng)運行性能退化時間序列進(jìn)行預(yù)測,同樣能取得較為滿意的效果。

6　結(jié)語

通過分析電力通信網(wǎng)運行狀態(tài)特性,本章首先提出了充分考慮靈敏度和誤碼率對通信網(wǎng)運行狀態(tài)特性影響的,提出基于LS-SVM的通信網(wǎng)性能劣化評估模型。通過對通信網(wǎng)在線監(jiān)測數(shù)據(jù)的采集,對光功能、誤碼率和性能三維標(biāo)準(zhǔn)模型進(jìn)行驗證,結(jié)果表明該模型具有很好的精度和實用性。將通信網(wǎng)實時運行的靈敏度和誤碼率代入訓(xùn)練好的模型,即可獲取當(dāng)前工況下通信網(wǎng)運行性能是否偏離正常狀態(tài)。如果偏離較多,就要對通信網(wǎng)進(jìn)行及時排查,以便排除通信網(wǎng)絡(luò)中存在的潛在故障。基于通信網(wǎng)運行性能劣化時間序列,提出了基于LS-SVM的通信網(wǎng)性能劣化預(yù)測模型,通過現(xiàn)場狀態(tài)監(jiān)測數(shù)據(jù)對所提模型進(jìn)行驗證。結(jié)果表明,該模型能較好地對通信網(wǎng)性能劣化進(jìn)行評估和預(yù)測,具有很好的應(yīng)用前景。

本文提出的基于LS-SVM的電力通信網(wǎng)性能劣化趨勢預(yù)測側(cè)重于通信設(shè)備運行狀態(tài)的異常監(jiān)測和預(yù)測,對可能出現(xiàn)的異常狀態(tài)經(jīng)過系統(tǒng)診斷或人工輔助診斷后可形成故障診斷樣本。通過不斷完善故障診斷樣本庫,最終可實現(xiàn)精確的故障診斷。然而在實際運維過程中,故障診斷樣本的收集和梳理,以及故障發(fā)生機理的研究與探索是一個長期的積累沉淀過程,故障診斷樣本庫的建成與完善對于系統(tǒng)精確預(yù)測與智能診斷是必不可少的基礎(chǔ)。因此,后續(xù)還需要進(jìn)一步開展故障診斷樣本的系統(tǒng)梳理,深層級故障產(chǎn)生機制的研究,以及異常樣本與故障之間關(guān)聯(lián)關(guān)系的分析,從而實現(xiàn)具有實用化價值的系統(tǒng)精確診斷。

參 考 文 獻(xiàn)

[1] 周濠,孫威,任海軍,等.基于最小二乘支持向量機和負(fù)荷密度指標(biāo)法的配電網(wǎng)空間負(fù)荷預(yù)測[J].電網(wǎng)技術(shù),2011,35(1):66-71.

ZHOU Quan, SUN Wei, REN Haijun, et al. Spatial Load Forecasting of Distribution Network Based on Least Squares Support Vector Machine and Load Density Index System[J]. Power System Technology,2011,35(1):66-71.

[2] 方瑞明.支持向量機理論及其應(yīng)用分析[M].北京:中國電力出版社,2007:37-70.

FANG Ruiming. Support vector machine theory and its application[M]. Beijing: China Electric Power Press,2007:37-70.

[3] 白鵬,張喜斌,張斌,等.支持向量機理論及工程應(yīng)用實例[M].西安:西安電子科技大學(xué)出版社,2008:20-63.

BAI Peng, ZHANG Xibin, ZHANG Bin. Support Vector Machine and its Application in Mixed Gas Infrared Spectrum Analysis[M]. Xi’an: Xi’an Electronic and Science University Press,2008:20-63.

[4] 顧燕萍,趙文杰,吳占松.最小二乘支持向量機的算法研究[J].清華大學(xué)學(xué)報(自然科學(xué)版),2010,50(7):1063-1071.

GU Yanping, ZHAO Wenjie, WU Zhansong. Least squares support vector machine algorithm[J]. J T singhua Univ(Sci & Tech),2010,50(7):1063-1071.

[5] Xueli An, Dongxiang Jiang, Chao Liu, et al. Wind farm power prediction based on wavelet decomposition and chaotic time series[J]. Expert Systems with Applications,2011,38(9):11280-11285.

[6] SUYKENSJ. Least Squares Support Vector Machines[M]. Singapore: World Scientific,2002,9:71-89.

[7] Wang XD, Zhang CJ, Zhang HR. Sensor dynamic modeling using least square support vector machines[J]. Chinese Journalof Scientific Instrument,2006,27(7):730-733.

[8] 郭新辰.最小二乘支持向量機算法及其研究[D].長春:吉林大學(xué),2008:71-85.

GUO Xinchen. Study on least square support vector machine algorithms and their applications[D]. Changchun: Jilin University,2008:71-85.

[9] Cao L. Practical method for determining the minimum embedding dimension of a scalar time series[J]. Physical D,1997,110:43-50.

[10] GRASSBERGER P, PROCACCIA I. Measuring the Strangeness of Strange Attractors[J]. Physics D,1983,9:189-208.

收稿日期:2015年10月13日,修回日期:2015年11月30日

作者簡介:施健,男,碩士,高級工程師,研究方向:通信網(wǎng)管、專家系統(tǒng)。繆巍巍,男,碩士,高級工程師,研究方向:電力通信傳輸網(wǎng)絡(luò)、智能電網(wǎng)、通信網(wǎng)絡(luò)運維。吳海洋,男,博士,工程師,研究方向:電力通信網(wǎng)絡(luò)、模式識別、信號處理。

中圖分類號TP391

DOI:10.3969/j.issn.1672-9722.2016.04.011

Performance Degradation Assessment and Prediction Model of Power Communication Network Based on LS-SVM

SHI Jian1MIAO Weiwei2WU Haiyang2

(1. Nanjing NARI Group Corporation, Nanjing210003)(2. Jiangsu Provincial Power Company, Nanjing210024)

AbstractWith the increasing scale of power communication network, the operation and maintenance personnel are more and more difficult to effectively monitor the real-time operational status and accurately determine equipment failure. Therefore, it is necessary to study the health state evaluation and performance degradation trend prediction of communication network operation. In this paper, making full use of the existing mass communications network status monitoring data, power communication network performance evaluation model based on the deterioration of the health status of the data is proposed. On this basis, least squares support vector machine(LS-SVM) time series is used to forecast performance degradation, in order to timely complete the communication network abnormal state early warning, improve communication network operation and maintenance level, reduce the fault caused by the loss of the network.

Key Wordspower communication network, degradation assessment, prediction model