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

本发明专利技术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，本发明专利技术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。本发明专利技术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。

State Evaluation Method of Communication Network in Intelligent Substation Based on Clustering and Neural Network

The present invention discloses an intelligent substation communication network state evaluation method based on clustering and neural network. The weights obtained by the analytic hierarchy process are brought into the standard Euclidean distance space algorithm for data dimensionality reduction. Then the network abnormal states are divided into five categories by clustering method, and the classification results are used as the ideal output basis of training samples of the neural network model. A neural network model based on nine evaluation indices is established, and the state evaluation of the communication network in intelligent substation is carried out. The evaluation model combined with clustering and fuzzy neural network can effectively evaluate the state, depict the interaction among various influencing factors, and obtain more real-time and accurate evaluation results.

【技术实现步骤摘要】
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
本专利技术涉及智能变电站
，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。
技术介绍
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。
技术实现思路
为了解决上述技术问题，本专利技术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专利技术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。本专利技术具有如下的优点和有益效果：1、本专利技术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、本专利技术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，且本专利技术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专利技术实施例的进一步理解，构成本申请的一部分，并不构成对本专利技术实施例的限定。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为本专利技术的方法流程图。图4为本专利技术对变电站进行评价结果图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本专利技术作进一步的详细说明，本专利技术的示意性实施方式及其说明仅用于解释本专利技术，并不作为对本专利技术的限定。实施例11、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；yi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,…,xk]，首先根据模糊规则计算各输入变量xj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yi：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，yd是网络期望输出；yc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；xj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ωZ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本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：郑永康，李凯，谭夕柳，刘勇，周竞峰，陈长清，姜华，李红军，陆旭，朱祚恒，贾虎，陈运华，陈小平，王晓涛，周召均，杨凯，蒲敏，周文越，朱鑫，潘南西，张艺，
申请(专利权)人：国网四川省电力公司电力科学研究院，国网四川省电力公司攀枝花供电公司，国网四川省电力公司阿坝供电公司，国网四川省电力公司内江供电公司，
类型：发明
国别省市：四川,51