【技术实现步骤摘要】
本专利技术涉及电网运维，尤其是一种基于改进bp神经网络的电力网络鲁棒性预测方法。
技术介绍
1、电力调度数据网是专为电力调度生产服务设计的广域数据网络，作为电力网络的重要组成部分，负责传输着包括电力调度实时数据、通信监测数据、生产管理数据等重要信息，其安全性与可靠性影响着电力系统的生产管理和调度运行。网络鲁棒性指的是系统在遭受内部故障或外部攻击时，能够维持其基本功能的能力。在实际运行中，电力网络常常面临着各种不可预测的因素，如极端天气、设备故障、恶意攻击等。这些因素可能会导致电力系统的故障或崩溃，从而给国家经济和社会带来不可估量的损失。为了减轻这些灾难的带来的负面影响，进一步深入探索电力网络鲁棒性的机理和影响因素，完善鲁棒性评估方法和控制策略，有利于提高电力网络的鲁棒性，以适应系统面临的复杂和多变的运行环境，推动电力行业的可持续发展。准确有效地对网络鲁棒性进行评估与预测，有利于系统人员了解网络现状，及时采取措施应对风险。
技术实现思路
1、本专利技术提出一种基于改进bp神经网络的电力网络鲁棒性预测方法，通过混沌映射自适应权重鲸鱼优化算法用于优化神经网络训练并完成对电力调度数据网网络鲁棒性的预测工作；为电力网络鲁棒性预测研究提供了一套切实可行的解决方案。
2、本专利技术采用以下技术方案。
3、一种基于改进bp神经网络的电力网络鲁棒性预测方法，包括以下步骤；
4、步骤一、通过对系统运行数据进行采集，选取并进一步抽象影响系统鲁棒性的字段，计算得到反映指
5、步骤二、使用混沌映射自适应鲸鱼优化算法ca-woa进行bp神经网络权值与阈值的寻优。以找到具有更好训练效果的初始参数；
6、步骤三、在接收到ca-woa传递的参数后，bp神经网络采用前向传播和反向传播进一步进行调整以达到更好的训练效果，并最终得到对电力调度数据网鲁棒性的预测值。
7、步骤一中，通过采用有效字段提取和公式映射的方法，研究基于信息熵的多维数据融合技术，实现数据降维，构建了影响电力调度数据网鲁棒性的指标体系；具体为：将电力调度网络的原始数据进行提取和转换，得到主要影响网络质量和输送质量的字段，字段包括设备节点的cpu利用率、链路负载率、网络丢包率、链路传输时延以及拓扑结构的连通性，根据上述监测得到的运行数据字段抽象出链路稳定性、传输稳定性、丢包可用性、系统连通度和设备可用性多个指标；最后利用这些指标进一步建立鲁棒性指标体系。
8、步骤一的具体包括以下步骤；
9、步骤s1、提取并定义电力网络的鲁棒性指标体系指标：
10、针对电力调度数据网运行过程中监测数据多源异构的情况，对原始数据进行指标的提取和转换，以提高模型的训练和预测效率并使模型具有更强的泛化能力；从电力调度网络质量和输送质量影响因素考虑，最终根据节点综合重要度以及可监测得到的运行数据，抽象出下表所示的五个指标：链路稳定性、传输稳定性、丢包可用性、系统连通度及设备可用性，其描述如下表1所示：
11、表1鲁棒性指标体系tab.1 robustness index
12、
13、步骤s2、量化上述相应指标：
14、根据所选择的影响电力调度网的数据字段分析，得到各指标的计算方法如下所示：
15、a1、链路稳定性：若网络中各链路负载与平均负载越接近，说明业务分配越合理，业务的并发压力越小，网络处理能力越强，使用采集到的系统各链路负载进行指标计算，计算方法如公式一所示：
16、
17、其中，bj为链路j的负载利用率，为链路的平均负载率，m为链路数量；
18、a2、传输稳定性：为了确保电力调度数据网业务的及时送达，系统必须要有低的时延以避免影响服务质量，通过系统中端到端时延考虑系统整体的传输稳定性计算，其计算方法如公式二所示：
19、
20、其中，di为网络传输时延，为观测到的平均网络传输时延，n为对网络拓扑的观测次数；
21、a3、丢包可用性：丢包率是指在数据传输过程中，因为各种原因导致部分数据包没有成功到达目的地的现象；丢包率过大将会影响网络的传输和业务的送达，该指标用于评估当前网络设备丢包情况对业务的影响。其计算方法如公式三所示：
22、
23、其中，mutloss为该时间段内网络丢包率小于行业标准阈值的时间，mdtloss为超过阈值的时间；
24、a4、系统连通性：系统连通性是维持系统功能正常运转的首要因素，使用最大连通分量所占比例表示系统的连通性程度；其计算方法如公式四所示，
25、
26、其中，largest_comp(g)为拓扑最大连通分量包含的节点数，n为节点总数；
27、a5、设备可用性：使用节点设备的重要度与cpu利用率、内存利用率、基于熵权法求解设备的可用性程度；熵权法的核心就是根据指标的无序程度来计算不同指标的权重；其具体的计算方法如公式五至公式七所示：
28、
29、
30、
31、其中，aij表示第j个指标的第i个属性值，pij表示第j个指标下第i个属性值所占的比重，n表示属性值的个数，ej表示第j个指标的信息熵，m表示指标的个数，wj表示第j个指标的权重；
32、再通过公式八计算设备可用性；
33、
34、其中，impi为节点i的重要度，cpui为节点i的cpu利用率，memi为节点i的内存利用率；w1、w2、w3分别为三者的权重系数，n为节点个数；
35、本步骤中，为消除指标之间的量纲影响，使各指标处于同一数量级，对各指标得到的初始数据进行归一化处理。
36、所述步骤二中，从提高预测精度的角度，提出了基于混沌映射与自适应权重的鲸鱼优化算法用于改进bp神经网络；在bp神经网络训练过程中使用混沌映射自适应鲸鱼优化算法ca-woa计算权重大小，优化bp神经网络的训练，也就是使用混沌映射自适应鲸鱼优化算法对bp神经网络中的神经元权重进行求解以优化bp神经网络训练模型。
37、所述步骤二实现方式为：
38、步骤a1、定义适应度函数：为了达到对bp神经网络的优化，选取bp神经网络的训练集和测试集的均方误差的平均值作为适应度函数，适应度函数值越小，表明模型的预测精度越高，表明训练越准确。其计算方式如公式九所示。
39、
40、其中，mse(train)为训练集均方误差，mse(test)为测试集均方误差；
41、步骤a2、初始化鲸鱼位置，设置各初始参数：由于cubic map混沌映射具有初值不敏感、遍历均衡、收敛较快的优点，所以使用cubic map混沌映射来生成初始解，即采用cubic map混沌映射初始化鲸鱼位置，设置各初始参数；cubic map混沌映射表达式如公式十所示：
42、
本文档来自技高网...【技术保护点】
1.一种基于改进BP神经网络的电力网络鲁棒性预测方法，其特征在于：包括以下步骤；
2.根据权利要求1所述的一种基于改进BP神经网络的电力网络鲁棒性预测方法，其特征在于：步骤一中，通过采用有效字段提取和公式映射的方法，研究基于信息熵的多维数据融合技术，实现数据降维，构建了影响电力调度数据网鲁棒性的指标体系；具体为：将电力调度网络的原始数据进行提取和转换，得到主要影响网络质量和输送质量的字段，字段包括设备节点的CPU利用率、链路负载率、网络丢包率、链路传输时延以及拓扑结构的连通性，根据上述监测得到的运行数据字段抽象出链路稳定性、传输稳定性、丢包可用性、系统连通度和设备可用性多个指标；最后利用这些指标进一步建立鲁棒性指标体系。
3.根据权利要求2所述的一种基于改进BP神经网络的电力网络鲁棒性预测方法，其特征在于：步骤一的具体包括以下步骤；
4.根据权利要求1所述的一种基于改进BP神经网络的电力网络鲁棒性预测方法，其特征在于：所述步骤二中，从提高预测精度的角度，提出了基于混沌映射与自适应权重的鲸鱼优化算法用于改进BP神经网络；在BP神经网络训练过程中使
5.根据权利要求1所述的一种基于改进BP神经网络的电力网络鲁棒性预测方法，其特征在于：所述步骤二实现方式为：
6.根据权利要求1所述的一种基于改进BP神经网络的电力网络鲁棒性预测方法，其特征在于：所述步骤三实现方式为：
...【技术特征摘要】
1.一种基于改进bp神经网络的电力网络鲁棒性预测方法，其特征在于：包括以下步骤；
2.根据权利要求1所述的一种基于改进bp神经网络的电力网络鲁棒性预测方法，其特征在于：步骤一中，通过采用有效字段提取和公式映射的方法，研究基于信息熵的多维数据融合技术，实现数据降维，构建了影响电力调度数据网鲁棒性的指标体系；具体为：将电力调度网络的原始数据进行提取和转换，得到主要影响网络质量和输送质量的字段，字段包括设备节点的cpu利用率、链路负载率、网络丢包率、链路传输时延以及拓扑结构的连通性，根据上述监测得到的运行数据字段抽象出链路稳定性、传输稳定性、丢包可用性、系统连通度和设备可用性多个指标；最后利用这些指标进一步建立鲁棒性指标体系。
3.根据权利要求2所述的一种基于改进bp神经网络的电力...
【专利技术属性】
技术研发人员：刘延华，陈惠文，熊英，林钟馨，陈洪，陈新清，林浩强，林睫菲，
申请(专利权)人：福州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。