一種基于bp神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀態(tài)預(yù)測(cè)方法和系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本申請(qǐng)?jiān)O(shè)及電力技術(shù)領(lǐng)域，更具體地說，設(shè)及一種基于BP神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀 態(tài)預(yù)測(cè)方法和系統(tǒng)。
【背景技術(shù)】
[0002] 隨著電力系統(tǒng)的發(fā)展，電力信息系統(tǒng)已逐步融入到電網(wǎng)企業(yè)生產(chǎn)經(jīng)營(yíng)的各個(gè)方 面，逐步成為生產(chǎn)經(jīng)營(yíng)環(huán)節(jié)中不可或缺的組成部分，成為保障企業(yè)安全生產(chǎn)的重要因素。目 前的現(xiàn)狀是電力信息系統(tǒng)數(shù)量多、平臺(tái)多樣，造成運(yùn)維工作繁重。行業(yè)內(nèi)一直在研究有效的 信息系統(tǒng)運(yùn)維管理方法，W提高電力信息系統(tǒng)運(yùn)維管理自動(dòng)化水平，但無論是自動(dòng)化運(yùn)維 工具的安裝還是故障自愈機(jī)制等，均不能對(duì)系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)，只能在出現(xiàn)故障時(shí) 才能發(fā)現(xiàn)，從而造成檢修不及時(shí)，給電網(wǎng)系統(tǒng)的正常運(yùn)行造成了不良影響。

【發(fā)明內(nèi)容】

[0003] 有鑒于此，本申請(qǐng)?zhí)峁┮环N基于BP神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀態(tài)預(yù)測(cè)方法和系統(tǒng)，用 于對(duì)電力信息系統(tǒng)的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)，W使運(yùn)維人員能夠在電力信息系統(tǒng)將要出現(xiàn)故障 時(shí)及時(shí)進(jìn)行檢修，避免對(duì)電網(wǎng)系統(tǒng)的正常運(yùn)行造成不良影響。
[0004] 為了實(shí)現(xiàn)上述目的，現(xiàn)提出的方案如下： 陽0化]一種基于BP神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀態(tài)預(yù)測(cè)方法，應(yīng)用于電力信息系統(tǒng)，包括步 驟：
[0006] 確定所述電力信息系統(tǒng)的待預(yù)測(cè)設(shè)備的多個(gè)設(shè)備指標(biāo)；
[0007] 根據(jù)歷史數(shù)據(jù)為任意所述設(shè)備指標(biāo)進(jìn)行多次取值；
[0008] 利用所述多個(gè)設(shè)備指標(biāo)的所述多次取值對(duì)預(yù)設(shè)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得 到運(yùn)行狀態(tài)預(yù)測(cè)模型；
[0009] 將所述待預(yù)測(cè)設(shè)備的實(shí)際設(shè)備指標(biāo)輸入所述運(yùn)行狀態(tài)預(yù)測(cè)模型，得到所述待預(yù)測(cè) 設(shè)備的預(yù)測(cè)運(yùn)行狀態(tài)。
[0010] 可選的，所述待預(yù)測(cè)設(shè)備包括所述電力信息系統(tǒng)的電源裝置；
[0011] 所述多個(gè)設(shè)備指標(biāo)包括冗余情況、運(yùn)行年限及老化情況、外觀、告警指示燈狀態(tài)和 家族性產(chǎn)品。
[0012] 可選的，所述待預(yù)測(cè)設(shè)備包括所述電力信息系統(tǒng)的數(shù)據(jù)庫；
[0013] 所述多個(gè)設(shè)備指標(biāo)包括數(shù)據(jù)庫性能、數(shù)據(jù)庫表空間、數(shù)據(jù)庫連接數(shù)、數(shù)據(jù)庫備份系 統(tǒng)和數(shù)據(jù)庫日志空間。
[0014] 可選的，所述預(yù)測(cè)運(yùn)行狀態(tài)包括嚴(yán)重異常狀態(tài)、異常狀態(tài)、主意狀態(tài)或正常狀態(tài)。
[0015] 一種基于BP神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀態(tài)預(yù)測(cè)系統(tǒng)，應(yīng)用于電力信息系統(tǒng)，包括：
[0016] 設(shè)備指標(biāo)確定模塊，用于確定所述電力信息系統(tǒng)的待預(yù)測(cè)設(shè)備的多個(gè)設(shè)備指標(biāo)；
[0017] 賦值模塊，用于根據(jù)歷史數(shù)據(jù)為任意所述設(shè)備指標(biāo)進(jìn)行多次取值；
[0018] 訓(xùn)練模塊，用于利用所述多個(gè)設(shè)備指標(biāo)的所述多次取值對(duì)預(yù)設(shè)的BP神經(jīng)網(wǎng)絡(luò)模 型進(jìn)行訓(xùn)練，得到運(yùn)行狀態(tài)預(yù)測(cè)模型；
[0019]預(yù)測(cè)模塊，用于將所述待預(yù)測(cè)設(shè)備的實(shí)際設(shè)備指標(biāo)輸入所述運(yùn)行狀態(tài)預(yù)測(cè)模型， 得到所述待預(yù)測(cè)設(shè)備的預(yù)測(cè)運(yùn)行狀態(tài)。
[0020] 可選的，所述待預(yù)測(cè)設(shè)備包括所述電力信息系統(tǒng)的電源裝置；
[0021] 所述多個(gè)設(shè)備指標(biāo)包括冗余情況、運(yùn)行年限及老化情況、外觀、告警指示燈狀態(tài)和 家族性產(chǎn)品。
[0022] 可選的，所述待預(yù)測(cè)設(shè)備包括所述電力信息系統(tǒng)的數(shù)據(jù)庫；
[0023] 所述多個(gè)設(shè)備指標(biāo)包括數(shù)據(jù)庫性能、數(shù)據(jù)庫表空間、數(shù)據(jù)庫連接數(shù)、數(shù)據(jù)庫備份系 統(tǒng)和數(shù)據(jù)庫日志空間。
[0024] 可選的，所述預(yù)測(cè)運(yùn)行狀態(tài)包括嚴(yán)重異常狀態(tài)、異常狀態(tài)、主意狀態(tài)或正常狀態(tài)。 [00巧]從上述的技術(shù)方案可W看出，本申請(qǐng)公開了一種基于BP神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀 態(tài)預(yù)測(cè)方法和系統(tǒng)，該方法和系統(tǒng)應(yīng)用于電力信息系統(tǒng)，W對(duì)電力信息系統(tǒng)的待預(yù)測(cè)設(shè)備 的運(yùn)行狀態(tài)進(jìn)行預(yù)測(cè)。具體為首先確定電力信息系統(tǒng)的待預(yù)測(cè)設(shè)備的多個(gè)設(shè)備指標(biāo)；根據(jù) 歷史數(shù)據(jù)為設(shè)備指標(biāo)進(jìn)行多次取值；利用該多次取值對(duì)預(yù)設(shè)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練， 得到運(yùn)行狀態(tài)預(yù)測(cè)模型；根據(jù)待預(yù)測(cè)設(shè)備的實(shí)際設(shè)備指標(biāo)和運(yùn)行狀態(tài)預(yù)測(cè)模型得到待預(yù)測(cè) 設(shè)備的預(yù)測(cè)運(yùn)行狀態(tài)。運(yùn)維人員能夠在根據(jù)預(yù)測(cè)運(yùn)行狀態(tài)確定待預(yù)測(cè)設(shè)備需要檢修時(shí)及時(shí) 進(jìn)行檢修，從而能夠避免對(duì)電網(wǎng)系統(tǒng)的正常運(yùn)行造成不良影響。
【附圖說明】
[00%] 為了更清楚地說明本申請(qǐng)實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本 申請(qǐng)的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可W 根據(jù)運(yùn)些附圖獲得其他的附圖。
[0027] 圖1為本申請(qǐng)實(shí)施例提供的一種基于BP神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀態(tài)預(yù)測(cè)方法的步 驟流程圖；
[0028] 圖2為本申請(qǐng)?zhí)峁┑囊环N簡(jiǎn)單網(wǎng)絡(luò)BP算法模型；
[0029] 圖3為本申請(qǐng)?zhí)峁┑囊环N訓(xùn)練次數(shù)與目標(biāo)關(guān)系圖；
[0030]圖4為本申請(qǐng)另一實(shí)施例提供的一種基于BP神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀態(tài)預(yù)測(cè)系統(tǒng) 的結(jié)構(gòu)框圖。
【具體實(shí)施方式】
[0031] 下面將結(jié)合本申請(qǐng)實(shí)施例中的附圖，對(duì)本申請(qǐng)實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本申請(qǐng)一部分實(shí)施例，而不是全部的實(shí)施例?；?本申請(qǐng)中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本申請(qǐng)保護(hù)的范圍。 W巧 實(shí)施例一
[0033] 圖1為本申請(qǐng)實(shí)施例提供的一種基于BP神經(jīng)網(wǎng)絡(luò)算法的運(yùn)行狀態(tài)預(yù)測(cè)方法的步 驟流程圖。
[0034]BP度ackPropagation)網(wǎng)絡(luò)是 1986 年由Rume化art和McCelland為首的科學(xué)家 小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò) 模型之一。BP網(wǎng)絡(luò)能學(xué)習(xí)和存膽大量的輸入-輸出模式映射關(guān)系，而無需事前掲示描述運(yùn) 種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò) 的權(quán)值和闊值，使網(wǎng)絡(luò)的誤差平方和最小。圖2示出了一種簡(jiǎn)單網(wǎng)絡(luò)的BP神經(jīng)網(wǎng)絡(luò)模型。 陽035] 假設(shè)有P個(gè)訓(xùn)練樣本，既有P個(gè)輸入輸出對(duì)（Ip，Tp)，p= 1，2,…P。其中，輸入向 量為：Ip=(ipi,. ..，ipm)T，目標(biāo)輸出向量為Tp=(tpi,. ..，tpn)T，網(wǎng)絡(luò)輸出向量（理論上）：
[0036] 0p=(〇pi，...，〇pn)T(l)
[0037] 記Wi.j為從輸入向量的第j(j= 1，. . .，m)個(gè)到輸出向量的第i(i= 1，. . .，n)個(gè) 分量的權(quán)重。通常理論值與實(shí)際值有一定誤差，網(wǎng)絡(luò)學(xué)習(xí)則是指不斷地把與比較，并根據(jù)極 小原則修改參數(shù)Wi,，使誤差平方和達(dá)最?。?br>[0038]
[0039] Delta學(xué)習(xí)原則： 柳4〇] 記Aw。表示遞推一次的修改量，則有：
[0041 ]
陽043] Spi=tpi-〇pi(5)
[0044]n成為學(xué)習(xí)效率。 W45] 注：由（1)式可知，第i個(gè)神經(jīng)元的輸出為：
[0046]ipm= -1，Wim=(第i個(gè)神經(jīng)元的闊值）（6)
:，：
[0047] 特別當(dāng)f為線性函數(shù)時(shí)，
[0048]
(7)
[0049] 按照上面描述的神經(jīng)網(wǎng)絡(luò)，設(shè)其中每個(gè)神經(jīng)元都是線性的，取訓(xùn)練指標(biāo)為：
[0052] 時(shí)，求E的最小值的梯度最速下降法就是Delta學(xué)習(xí)規(guī)則。
[0053] 如圖1所示，本實(shí)施例提供的運(yùn)行狀態(tài)預(yù)測(cè)方法適用于電力信息系統(tǒng)，具體包括 步驟：
[0054] SlOl:確定待預(yù)測(cè)設(shè)備的多個(gè)設(shè)備指標(biāo)。
[0055] 即從需要預(yù)測(cè)的設(shè)備相關(guān)設(shè)備指標(biāo)中選取多個(gè)能夠反映該設(shè)備的運(yùn)行狀況的設(shè) 備指標(biāo)。W電力信息系統(tǒng)的電源模塊為例，選取電源模塊的W下設(shè)備指標(biāo)：
[0056] 冗余情況：指電源模塊是否冗余，有無配置冗余電源
[0057] 運(yùn)行年限及老化情況：指電源投入運(yùn)行的時(shí)間及設(shè)備老化情況
[0058] 外觀：電源外觀是否潔凈及有無積塵
[0059] 告警指示燈狀態(tài)：電源告警指示燈有無告警情況
[0060] 家族性產(chǎn)品：同型號(hào)及同批次產(chǎn)品公開隱患缺陷、公布配件壽命情況。
[0061] 電源狀態(tài)量評(píng)價(jià)內(nèi)容及分值見表1，電源狀態(tài)評(píng)價(jià)W量化的方式進(jìn)行，滿分為50 分，根據(jù)評(píng)價(jià)內(nèi)容的重要性分配分值。
[0062] 相關(guān)專家給出的分?jǐn)?shù)值，因?yàn)殡娫茨K有告警等同于單電源設(shè)備，所起兩個(gè)狀態(tài) 數(shù)值相等，分?jǐn)?shù)都為15分，其余的都為5分，是人為分配的。
[0063]
W64] 表1電源狀態(tài)量評(píng)價(jià)內(nèi)容及分?jǐn)?shù) 陽〇化]S102 :根據(jù)歷史數(shù)據(jù)為任意設(shè)備指標(biāo)進(jìn)行多次取值。
[0066] 假設(shè)ipi、ip2、ip3、ip4、ipe分別代表電源的冗余情況、運(yùn)行年限及老化情況、外觀情 況、告警指示燈情況和家族性產(chǎn)品情況的狀態(tài)量評(píng)價(jià)分?jǐn)?shù)值，每個(gè)值取值20次，根據(jù)實(shí)際 需要可調(diào)整，值的大小為狀態(tài)檢修過程中得出的歸一化處理后的數(shù)值。
[0067]S103 :利用設(shè)備指標(biāo)對(duì)預(yù)設(shè)的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。 W側(cè)從上面可知，從狀態(tài)檢修過程中得到最近20個(gè)值，即Ipi= . . .，ipi,jT，隱含 層中神經(jīng)元的個(gè)數(shù)為4個(gè)，隱含層的輸入函數(shù)為transig，輸出層的激活函數(shù)為％trsnsig， 訓(xùn)練函數(shù)為梯度下降函數(shù)，即上面描述的標(biāo)準(zhǔn)學(xué)習(xí)算法：
[0069]
[0070] T= [0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0.95 0.95 0.95 0.95 0.95 0.95 0.95]
[0071] net=newff(([0 1 ;0 1 ;0 1 ;0 1 ;0 1]), [5, 4, 1], { <tansig，，<logsig，},，tra ingd' ）；
[0072] net.trainParam.epochs= 15000 ；
[0073] net.trainParam.goal= 0. 01 ；
[0074] LP.Ir= 0. 1 ;
[00"75]Net=train(net,P,T);
[0076] 從圖3中我們可W看出經(jīng)過184次訓(xùn)練，訓(xùn)練樣本即可達(dá)到跟目標(biāo)分?jǐn)?shù)0. 95的誤 差為0. 01，誤差可W通過增加運(yùn)行步數(shù)和提高預(yù)設(shè)誤差精度業(yè)進(jìn)一步減小。
[0077] 同時(shí)，我們可W得到各神經(jīng)元的權(quán)重值，其中輸入層到隱含層權(quán)值V=net. iw{l, 1}；
[0078]
[0079] 隱含層到輸出層權(quán)值W=net.Iw{2, 1},
[0080] W= [-1. 4433 -1. 4629 0. 5040 -1. 1062 -1. 4625]
[00川 S104 :得到待預(yù)測(cè)設(shè)備的預(yù)測(cè)運(yùn)行狀態(tài)。
[0082] 在實(shí)際檢修過程中，可對(duì)待預(yù)測(cè)設(shè)備的設(shè)備指標(biāo)進(jìn)行取值，并代入上述運(yùn)行狀態(tài) 預(yù)測(cè)模型，得到預(yù)測(cè)結(jié)果。
[0083] 當(dāng)給出一個(gè)電源的巡檢情況，包括冗余情況、運(yùn)行年限及老化情況、外觀情況、告 警指示燈情況和家族性產(chǎn)品情況，可W根據(jù)上面得出的權(quán)重值預(yù)測(cè)該電源模塊是否能夠達(dá) 到0. 95分的標(biāo)準(zhǔn)，從而安排相應(yīng)的檢修工作。
[0084] 分?jǐn)?shù)與評(píng)價(jià)內(nèi)容的對(duì)應(yīng)關(guān)系見表2所示的電源模塊性能評(píng)價(jià)表。 陽0化]
[0086] 表 2