吕顺利 施 健 缪巍巍 吴海洋 陆 涛

(1.南瑞集团公司(国网电力科学研究院) 南京 210003)(2.江苏省电力公司 南京 210024)

基于Apriori-BPNN分析的继电保护通信电路风险评估研究及应用*

吕顺利1施 健1缪巍巍2吴海洋2陆 涛1

(1.南瑞集团公司(国网电力科学研究院) 南京 210003)(2.江苏省电力公司 南京 210024)

为解决“海量数据”和“有限知识”之间的矛盾,提高继电保护通信电路风险评估准确性和算法效率,提升事前预警能力,论文提出一种融合关联规则分析和神经网络的风险评估方法Apriori-BPNN。该方法首先基于多源异构的数据构建初始指标体系,在此基础上采用改进的Apriori算法确定多种因素与目标的关联度,实现指标筛选;采用BP神经网络算法确定各因素的权重,并加权求得最终的综合风险评估指标。仿真结果表明,Apriori-BPNN既避免了传统层次分析法的不足,又简化了神经网络的结构,提高了继电保护通信电路风险评估准确度和算法效率,使运维人员能及时发现存在的隐患和风险,指导继电保护通信电路的主动预警与智能检修,提高继电保护业务运行的安全性和稳定性。

关联规则分析; 神经网络; Apriori-BPNN分析; 继电保护通信电路; 风险评估

1 引言

2015年乌克兰停电事件是由信息攻击引发的大规模停电事故,事故发生不久便获得了广泛关注,同时也将电力系统的信息安全问题摆在了人们面前,成为建设与完善电力系统乃至未来的能源互联网所不可回避的重要挑战[1]。

继电保护装置在电力系统运行过程中具有极其重要的作用[2～3],继电保护装置的正常工作离不开电力通信网,电力通信系统作为基础承载实体网络,不仅为各类电力信息系统提供通道支撑,同时还直接负责电网继电保护控制信号的实时、可靠传输,为电网生产安全控制提供通信基础[4]。

随着电力通信网络规模的不断扩大,传输网层次的逐渐增多,网络结构的日趋复杂,对继电保护通信电路的安全运行提出了新的挑战。研究发现,国内继电保护通信电路风险评估体系和方法很不完备,存在如下问题:

1) 指标零碎,缺乏有效的大数据分析能力。继电保护通信电路的风险评估涉及电力通信网光缆层、传输层、业务层等各层级的多源异构信息,导致评估多而杂,尚未形成系统的体系,不同网省公司有各自的手段和指标,信息不能有效共享,未形成电力系统统一、高效的风险评估体系和方法;

2) 风险评估准确性低,事前预警能力较差。目前继电保护通信电路风险评估指标的权重以定性为主,大多通过专家咨询法和层次分析法来计算,使得评估结果在很大程度上受到专家权威和个人偏好等主观因素影响,降低了评估的客观性,导致隐患和风险未能及时被发现,事前预警能力较差。

为解决上述问题,本文提出一种融合关联规则分析和神经网络的风险评估方法Apriori-BPNN:针对当前现状,基于多源异构的海量数据构建初始指标体系,采用改进的Apriori算法确定多种因素与目标的关联度,实现指标筛选,建立统一、高效的评估体系和方法;采用BP神经网络算法对各因素的权重进行智能测算,加权求得综合风险评估指标,避免了传统层次分析法主观因素的影响,提高了评估准确性。仿真结果表明,Apriori-BPNN有效提高了继电保护通信电路风险评估准确性和算法效率,使运维人员能及时发现存在的隐患和风险,提高了继电保护业务运行的安全性和稳定性。

2 继电保护通信电路风险评估的数学模型

电力信息通信作为能源与信息通信技术的交叉与融合点[5],将发挥更大的作用,承担更大的责任。电力通信网是电力系统安全、稳定运行的重要支柱,而电力通信网承载的继电保护装置运行的可靠性直接关系着电力系统的运行[6～7]。

图1 典型继电保护通信电路示意图

继电保护通信电路示意如图1所示,一条继电保护业务由多套保护装置、多条通信电路采取主备方式保护。继电保护通信电路通常被定义为单套保护装置(图中深色阴影)或者单个保护模块(图中浅色阴影区域的A或B模块)间的通信电路,本文研究对象为如上定义的继电保护通信电路的风险评估。

图2 电力通信网络分层模型

继电保护通信电路属于电力通信网络的一部分,从模型层次上分析,电力通信网络可分为光缆层、传输层、业务层,如图2所示。其中光缆层涉及光缆类型、敷设方式、途经地域的气象和环境条件、是否包含三跨等因素;传输层涉及厂家类型、设备型号、家族缺陷、传输拓扑、时隙占用、保护方式等因素;业务层涉及业务承载情况、业务开通方式、历史故障和检修记录、运维人员管理水平等因素。

由上可知,继电保护通信电路作为能源与信息通信技术的交叉与融合点,涉及电力通信网光缆层、传输层、业务层等各层级的多源异构海量信息,导致评估不成体系,存在“海量数据”和“有限知识”之间的矛盾,急需有效的大数据分析能力,提高继电保护通信电路风险评估准确性和算法效率,提升事前预警能力。

继电保护通信电路风险评估是利用继电保护通信电路的层级结构、运行特点及相关理论技术,特别是大数据分析挖掘相关的算法,对继电保护通信电路可靠性是否达到一定安全要求所做出的价值判断,目的是提前发现系统存在的隐患,指导继电保护通信电路的主动预警与智能检修,提高继电保护业务运行的安全性和稳定性。

继电保护通信电路受光缆层、传输层、业务层多个层级诸多因素影响,且各因素影响程度也不相同,导致风险评估的输入和输出之间呈现复杂的非线性关系,难以建立用一个合理、精确的数学解析式。

本文首先构建继电保护通信电路评估模型的初始指标集,设为{x1,x2,…,xn},那么风险评估的数学模型为

y=f(x1,x2,…,xn)

(1)

式(1)中,y为风险评估函数。继电保护通信电路风险评估的建模,就是要找到一个最适合的风险评估函数y,该函数能很好地反映继电保护通信电路风险评估系统的输入和输出之间复杂的非线性关系。风险评估函数y为连续值,取值范围经过归一化后为0到1,其中风险阈值是根据生产厂家推荐的性能参数值及历史运行数据计算出的,根据实际计算得到的值同风险阈值对比,判断系统所处状态,并采取适当的检修策略。

由于BP神经网络(BPNN)具有良好的非线性学习能力,因此本文采用BPNN对该函数进行逼近。考虑到初始指标集规模可能很庞大,单纯依赖神经网络算法效率会很低,故引入Apriori关联规则算法[8～9],先基于Apriori分析筛选出关联指标,然后再应用BPNN算法[10～12],可大为减少神经网络的结构,提高算法效率。基于上述考虑,本文提出一种融合关联规则分析和神经网络的风险评估方法Apriori-BPNN。

3 Apriori-BPNN风险评估模型

3.1 构建初始指标体系

针对当前现状,建立继电保护通信电路评估模型的第一步是构建初始的指标体系。继电保护通信电路可靠运行评价,涉及光缆层、传输层、业务层等各层级的海量原始数据,包括光缆状态、设备告警、性能数据、运行维护数据和专业管理数据等,结合实际情况及各网省公司多年的指标分析经验,梳理得到图3所示的初始指标体系,其中文本、日志等半结构数据及图片、视频等非结构化数据,需通过分词、聚类、特征提取、模式识别等处理手段,先行转化为结构化数据。

图3 继电保护通信电路风险评估指标体系

图中所示的初始指标集,基于多源异构的海量原始数据得到,但由于这些指标杂而多、较为零碎,需要经过指标筛选和权重测算两个关键步骤,才能得到最终有效、可行的综合风险评估结果。

3.2 基于Apriori的指标筛选设计

Apriori算法[8～9]是布尔关联规则挖掘频繁项集的原创性算法。它采取逐层搜索的迭代方法生成所有频繁项集。

针对构建的初始指标集,本文通过改进的Apriori关联分析,实现对继电保护通信电路有影响的关联指标的分析挖掘,主要步骤为

1) 依据支持度找出所有频繁项集(频度),找出初始指标集的所有频繁项集;

2) 依据置信度产生关联规则(强度),找出对继电保护通信电路有影响的关联指标。

步骤1算法实现:

首先,通过扫描所有初始指标集,累计每个项的计数,并收集满足最小支持度的项,找出频繁1-项集的集合,即集合L1;然后,L1用于找频繁2-项集的集合L2,L2用于找L3,如此下去,直到不能再找到频繁k-项集,找每个需要一次初始指标全扫描。该步骤依据支持度找出初始指标集的所有频繁项集。

步骤2算法实现:

依据置信度,找出对继电保护通信电路有影响的强关联指标。

为提高关联规则分析的效率,本文对Apriori算法做了如下改进:

1) 通过构建支持度计算支撑数组来简化支持度的计算,减少读取数据库的次数。

2) 通过构建邻接字典链表,动态发现满足支持度要求的二项频繁集。

3) 通过分支筛选优化策略,动态删除无效分支,快速生成二项频繁集。

通过Apriori算法,筛选出对评估结果有重要影响的指标,用于确定BPNN的初始参数。通过基于Apriori的指标筛选,可大大减少神经网络分析的输入节点,简化BPNN的网络结构,提高风险评估算法的效率。

3.3 基于BPNN的权重测算设计

BP(error back proragation)神经网络[8～9]是一种误差反向传播神经网,它由输入层、隐含层和输出层构成,是使用广泛的一种人工神经网络,结合继电保护电路风险评估的需求,本文采用三层结构BPNN[13～14]。

利用Apriori关联规则分析,筛选得到对继电保护通信电路有影响的关联指标,确定BPNN的输入节点数n,故:

输入层包含n个节点(对应训练样本的n个评价指标),其输入向量为

X=(x1,x2,…,xi,…,xn)T

(2)

隐含层包含k个节点(隐含层神经元个数可通过逐步增长的方法确定),其输出向量为

Y=(y1,y2,…,yj,…,ym)T

(3)

Apriori-BPNN输出为继电保护通信电路的综合风险评估结果,故输出层只包含一个节点,其输出为o。

输入层到隐含层之间的连接权(表示各节点联系的紧密程度)用矩阵V表示:

V=(vij)nm

(4)

其中元素vij表示输入层第i个节点与隐含层第j个节点间的连接权。

隐含层到输出层之间的连接权向量:

W=(w1,w2,…,wj,…,wm)

(5)

其中wj表示输出层与隐含层第j个节点间的连接权。

隐含层和输出层激活函数均选最常用的单极性Sigmoid函数

(6)

初始化BPNN参数,并选取足够的继电保护通信电路评估样本,采用BPNN对其进行训练和学习。当所有样本训练结束并达到网络精度要求后,由输入层到隐含层之间的连接权矩阵V,计算各输入层节点到所有隐含层节点间连接权的绝对值之和,并归一化,得到n个指标的权重。具体公式如下:

(7)

确定各输入指标权重,建立继电保护通信电路评估模型后,即可对待评价继电保护通信电路进行评估,输出评价结果。

3.4 Apriori-BPNN风险评估流程

Apriori-BPNN风险评估流程含两个步骤,步骤一基于Apriori完成指标筛选;步骤二基于BPNN完成权重测算,生成最优风险评估模型,并对待评价对象进行评估,输出评估结果。

步骤一包括:

1) 搜集数据,并依据业务专家、经验积累及实际要求,建立继电保护通信电路风险评估的初始指标体系;

2) 基于Apriori关联规则分析,筛选出对继电保护通信电路有影响的关键指标。

步骤二包括:

1) 根据Apriori筛选出的评价指标确定BPNN输入层的神经元个数,将继电保护通信电路风险评估的结果作为模型的输出,隐含层神经元个数可通过逐步增长的方法确定,确定BPNN模型的拓扑结构。

2) 对指标进行归一化处理,消除指标量纲差异的不利影响。

3) 初始化BPNN参数,并选取足够的继电保护通信电路评估样本,采用BPNN对其进行训练和学习,建立继电保护通信电路评估模型。

4) 采用建立的评估模型对待评价继电保护通信电路进行评估,输出评价结果,使得运维人员能够及时发现存在的隐患和风险,并对潜在故障类型和影响范围做进一步分析,指导主动预警和智能检修。

Apriori-BPNN的风险评估流程如图4所示。

图4 Apriori-BPNN风险评估流程

4 算例分析

4.1 数据来源

为了检验Apriori-BPNN风险评估模型的性能,在RStudio 0.99平台下对其进行仿真实验。实验数据来自某省电力公司的电力通信网络风险评估数据库,该库包含近五年的继电保护通信电路风险评估及实际运行情况记录,从中选取1000条记录作为模型的训练及测试验证数据,其中700条数据作为训练样本集,剩余300条数据作为测试样本集。

4.2 继电保护通信电路Apriori-BPNN风险评估模型实现

首先基于多源异构的海量原始数据,构建初始的指标体系,并采用改进的Apriori对初始风险评估指标集进行关联规则分析,过程如图5步骤一所示,分析得到敷设方式评价、环境温度评价、传输拓扑评价、保护方式评价、历史故障情况、光缆衰耗情况等六个关联指标,对数据进行处理得到新的数据集。

将训练样本输入到BP神经网络进行训练。其中采样方式选择Bootstap方法,避免由于采样不均导致结果偏差。BP神经网络具体训练过程如图4步骤二所示,由于步骤一的筛选简化了BP神经网络的输入节点和网络结构,算法收敛效果很好,如图5所示。

图5 Apriori-BPNN收敛曲线

图6 Apriori-BPNN实际值与模型输出相关性

采用建立的继电保护通信电路风险评估模型对测试集进行检测,得到实际输出与模型输出如图6所示,两者之间的相关系数为0.9132,评价精度达到90.95%,其中评价精度用来衡量预测值与实际值的拟合程度,计算公式为(|预测值-实际值|/实际值)*100%。评价结果的精度相当高。结果表明,融合了关联规则分析和BP神经网络的Apriori-BPNN评估方法是准确、可行的。

4.3 同其他方法的对比

传统的继电保护通信电路风险评估指标多而杂,尚未形成系统的体系,不同网省公司有各自的手段和指标,指标的权重以定性为主,大多通过专家咨询法和层次分析法来计算。

Apriori-BPNN方法则建立了统一、高效的评估体系和方法,为了进一步评价Apriori-BPNN模型的优劣,选择传统的层次分析法(AHP)及单独的BPNN进行对比实验,采用评价精度和相关系数作为模型的衡量标准,对比结果如表1所示。

表1 三种算法的对比

AHP实际输出与模型输出相关性如图7所示。

图7 AHP实际值与模型输出相关性

单独BPNN实际输出与模型输出相关性如图8所示。

图8 BPNN实际值与模型输出相关性

对表1和图6～8的仿真结果进行对比和分析,可以得到如下结论:

Apriori-BPNN的评价精度更高,采用关联规则分析筛选出对评估结果有重要影响的指标,然后采用非线性逼近能力强的BP神经网络进行风险评估,充分结合两者的优势,提高了继电保护通信电路风险评估精度和算法效率,是一种可行、有效的风险评估方法,使运维人员能及时发现存在的隐患和风险,提高了继电保护业务运行的安全性和稳定性。

4.4 实际应用效果对比

根据该省公司历年电力通信运维故障记录的统计分析,63.7%～80.5%的继电保护通信电路故障都是可以提前预警的。基于Apriori-BPNN分析的风险评估方法在该省公司实际应用一年以来,28项在运继电保护通信电路的隐患被及时发现,未能及时预警的五个故障,是由于超高卡车挂断光缆、系统外临时施工挖断光缆等突发的人为破坏导致,实际预警率达到了84.85%。为了做对比分析,借助传统层次分析法也同步开展了风险评估,实际情况如表2所示。

从表中可看出,采用Apriori-BPNN方法后,实际的预警效果得到明显提升,避免了继电保护通信电路潜在的故障,极大地降低了故障造成的损失及运维人力成本,提高了继电保护业务运行的安全性和稳定性。

表2 实际应用效果对比

5 结语

为解决“海量数据”和“有限知识”之间的矛盾,提高继电保护通信电路风险评估的准确性和算法效率,提出一种基于Apriori-BPNN分析的风险评估方法。

1) 基于电力通信信息化建设积累的多源异构海量数据,构建初始指标体系,在此基础上采用改进的关联规则分析确定多种因素与目标的关联度,实现指标筛选,简化了模型结构,提高了算法效率。

2) 针对传统层次分析法的不足,采用具备非线性逼近能力的BP神经网络对复杂的继电保护通信电路进行评价,提高了评估精度,使评估结果更具科学性和准确性。

仿真结果表明,相较于传统的层次分析方法,Apriori-BPNN有效提高了继电保护通信电路风险评估的准确性和算法效率,使运维人员能及时发现存在的隐患和风险,提高了继电保护业务运行的安全性和稳定性。成果具有显著的经济效益、社会效益和管理效益,对电网安全稳定运行及管理具有重大意义。

[1] 郭庆来.由乌克兰停电事件看信息能源系统综合安全评估[J].电力系统自动化,2016,40(5):145-147. GUO Qinglai. Comprehensive Security Assessment for a Cyber Physical Energy System: a Lesson from Ukraine’s Blackout[J]. Automation of Electric Power Systems,2016,40(5):145-147.

[2] 赵丽莉,李雪明,倪明,等.继电保护与安全稳定控制系统隐性故障研究综述及展望[J].电力系统自动化,2014,22:128-135. ZHAO Lili, LI Xueming, NI Ming, et al. Review and Prospect of Research on Hidden Failures of Protection System and Security and Stability Control System[J]. Automation of Electric Power Systems,2014,22:128-135.

[3] 黄淑琼,高强.光纤通信通道异常对继电保护的影响[J].电力系统通信,2007,28(12):42-45.

HUANG Shuqiong, GAO Qian. Influence on relay protection caused by abnorm al optical fiber comm unication channel[J]. Telecommunications for Electric Power System,2007,28(12):42-45.

[4] 赵子岩,刘建明.基于业务风险均衡度的电力通信网可靠性评估算法[J].电网技术,2011,35(10):209-213. ZHAO Ziyan, LIU Jianming. A New Service Risk Balancing Based Method to Evaluate Reliability of Electric Power Communication Network[J]. Power System Technology,2011,35(10):209-213.

[5] 赵俊华,文福拴,薛禹胜,等.电力CPS的架构及其实现技术与挑战[J].电力系统自动化,2010(16):1-7. ZHAO Junhua, WEN Fushuan, XUE Yusheng, et al. Cyber Physical Power Systems: Architecture, Implementation Techniques and Challenges[J]. Automation of Electric Power Systems,2010(16):1-7.

[6] 曾瑛.电力通信网可靠性分析评估方法研究[J].电力系统通信,2011,32(8):13-16. ZENG Ying. Power Communication Network Reliability Analysis and Evaluation Methods[J]. Telecommunications for Electric Power System,2011,32(8):13-16.

[7] 缪巍巍,何迎利,朱斌.基于IP网络的电力远动传输通道监测方法[J].电力系统自动化,2003,27(24):59-62. Miao Weiwei, HE Yingli, ZHU Bin. An ip-based method for supervising the electric power telecontrol transm ISSIoN channel[J]. Automation of Electric Power Systems,2003,27(24):59-62.

[8] Agrawal R, Imielinski T, Swami A. Mining asaz～ation rules between sets of items in large databases[J]. ACM SIGMOD Record,1993,22(2):207-216.

[9] Agrawal R, Imielinski T, Swami A. Databasemining: a peaorrii Rrlce perspective[J]. Knowledge and Data Engineering, IEEE Transactions,1993,5(6):914-925.

[10] 冯莹莹,于干,周红志.层次分析法和神经网络相融合的教学质量评价[J].计算机工程与应用,2013,49(17):235-245 FENG Yingying, YU Gan, ZHOU Hongzhi. Teaching quality evaluation model based on neural network and analytic hierarchy process[J]. Computer Engineering and Applications,2013,49(17):235-238.

[11] Dunham M H.数据挖掘教程[M].郭崇慧,田凤占,靳晓明,译.北京:清华大学出版社,2005:79-88. Dunham M H. Data Mining Tutorial[M]. GUO Chonghui, TAN Zhanfeng, JIN Xiaoming, translation. Beijing: Tsinghua University Press,2005:79-88.

[12] 孙晓玲,王宁,梁艳.应用BP神经网络的教学评价模型及仿真[J].计算机仿真,2010,27(11):314-317. SUN Xiaoling, WANG Ning, LIANG Yan. A Method of Teaching Quality Evaluation Making Use of BP Neural Networks[J]. Computer Simulation,2010,27(11):314-317.

[13] 许敏,王士同.PSO优化的神经网络在教学质量评价中的应用[J].计算机工程与设计,2008,29(20):5327-5330. XU Min, WANG Shitong. Application of neural network based on particle swarm algorithm for teaching quality evaluation[J]. Computer Engineering and Design,2008,29(20):5327-5330.

[14] 谢金亮.基于BP神经网络的公立医院运行监管指标权重测算研究[D].武汉:华中科技大学,2013. XIE Jinliang. Study on weight measurement of public hospital operation supervision index based on BP neural network[D]. Wuhan: Huazhong University of Science and Technology,2013.

Research and Application of Risk Assessment of Relay Protection Communication Circuit Based on Apriori-BPNN Analysis

LV Shunli1SHI Jian1MIU Weiwei2WU Haiyang2LU Tao1

(1. NARI Group Corporation, Nanjing 210003)(2. Jiangsu Electric Power Company, Nanjing 210024)

With combination of both association rules analysis and neural network method, an algorithm named "Apriori-BPNN" for assessing the risk is proposed in order to solve the contradiction between the "massive data" and "limited knowledge" and improve accuracy and efficiency of risk assessment on the relay protection communication circuit. After an intimal index system is set up based on the heterogeneous multi data, the improved Apriori algorithm is used to determine the correlation of various factors and objectives to achieve the index screening. The BP neural network algorithm is used to determine the weight of each factor to obtain the final comprehensive risk evaluation index. Simulation results indicate that the Apriori-BPNN avoids disadvantages of the traditional analytic hierarchy process, simplifies the structure of neural network and improves accuracy and efficiency of the risk assessment algorithm of the relay protection communication circuit. The operation and maintenance staff can timely detect the hidden dangers and risks so as to guide relaying protection communication circuit of active warning and intelligent maintenance, finally improves the security and stability of the relay protection operation.

association rule analysis, neural network, Apriori-BPNN analysis, relay protection communication circuit, risk assessment Class Number TM73

2016年10月13日,

2016年11月27日

江苏省电力公司运用大数据技术的通信网络全景监测与智能调配技术研究与应用项目(编号:500327478)资助。

吕顺利,男,硕士,高级工程师,研究方向:通信网管、电力信息通信大数据研究及应用。施健,男,硕士,高级工程师,研究方向:通信网管、专家系统。缪巍巍,男,硕士,高级工程师,研究方向:电力通信传输网络、智能电网、通信网络运维。吴海洋,男,博士,工程师,研究方向:电力通信传输网络、智能电网、通信网络运维。陆涛,男,硕士,工程师,研究方向:电力通信网络管理研究及应用。

TM73

10.3969/j.issn.1672-9722.2017.04.023