基于ANFIS的电力通信网的可靠性评估

浦同争， 宗 容， 施继红， 董建伟

(1.中国人民武装警察边防部队士官学校 信息技术系， 云南 昆明 650214; 2.云南大学 信息学院, 云南 昆明 650091)

0 引言

通信网作为信息资源传递的重要支撑，随着Internet商业及个人应用的急速增长，通信网的可靠性已成为大家关注的一个重点[1].电力通信网作为电力系统的重要组成部分，是保证电力系统正常运行的神经线，承载着电力系统的重要业务，涉及语音、传真、数据、图像传输、远动继电保护、电力监控、移动通信等领域，是电网调度自动化、网络运营市场化和管理现代化的基础，是确保电网安全、稳定、经济运行的重要保证[2].

以往对通信网的评估只是单纯从网络系统结构进行评价，提出了基于贝叶斯、K-端网络、蒙特卡洛、神经网络、微粒群优化算法等可靠性算法[3-6]，对通信网的网络结构的可靠性进行了评估及优化.作为通信网重要构成类型，电力通信网除具有通信网的基本特性，还具有一些特殊的特性.以往单纯地对电力通信网的拓扑结构进行评估并不能反映电力通信网的整体可靠性，需要结合电力通信网的业务及相关因素从管理的角度对电力通信网综合评估.对此，本文从整体综合考虑电力通信网，根据层次分析法分析影响电力通信网可靠性的因素，构建一个电力通信网可靠性的综合指标体系，并利用熵权法分析各影响因素之间的关系，确定出相应的权值，最后利用ANFIS算法得出电力通信网可靠性的最终结果，并将结果与神经网络、蒙特卡洛、贝叶斯算法相比较，最终结果显示ANFIS算法得出的结果客观准确.

1 ANFIS理论及熵权法

1.1 ANFIS模型及理论

ANFIS(Adaptive Network-based Fuzzy Inference System),也称为自适应神经模糊推理系统，融合了模糊推理系统与神经网络的智能方法，具有两者的优点，具有较强的学习机制及模糊推理能力，被广泛应用于各种领域[7,8].假定系统为二输入(x,y)，单输出(f)的系统，采用一阶Takagi-Sugeno模糊模型，存在两条if-then规则的普通规则集如下：

规则1：IfxisA1ANDyisB1, thenf1=p1x+q1y+r1

规则2：IfxisA2ANDyisB2, thenf2=p2x+q2y+r2

模糊推理的输出采用加权平均法，即：

(1)

ANFIS的典型结构如图1 所示.

图1 ANFIS的体系结构

第一层:在这一层的每个节点i是一个有节点函数的自适应节点:

(2)

(3)

或者高斯函数:

(4)

其中{ai,bi,ci}是第一层节点的参数集，本层的参数是非线性的，由于其位于模糊规则的if部分，所以该层的参数又称为前提参数，为非线性参数.

第二层:在这一层的每一个节点是固定节点.它的输出是所有输入信号的乘积:

wi=μAi(x)×μBi(y),i=1,2.

(5)

每个节点的输出表示一条规则的激励强度.一般来说，该层的节点函数可以用任意其它执行“模糊与”(AND)的T范式算子.

第三层:在这一层的每个节点是一个标以N的固定节点.第i个节点计算第i条规则的激励强度与所有规则的激励强度之和的比值:

(6)

第四层:在这一层的每个节点i是一个具有节点函数的自适应节点:

(7)

第五层:这一层的单节点是一个带有∑的固定节点，它计算所有前四层传来的信号之和以此来作为总的系统的输出:

(8)

1.2 熵权法基本理论

对于给定的可靠性指标(特性因素)，如何确定其权值在电力通信网可靠性的计算中占据重要位置.一般情况下，在没有任何经验信息的时候可以把各个系数的权重均值化，即等概率进行处理.对于该种处理方式，权重系数没有参考价值[7].另外，还可以采用专家经验确定各因素之间的权值，使得权值更加真实可靠.以往的权值方法均是单纯的在主观的基础上建立的，不能完全考虑各方面的因素.在此，本文采用一种结合了主观及客观的权重确定方法[9].

其数学模型如下：

(9)

2 基于ANFIS的电力通信网可靠性评估模型

2.1 电力通信网可靠性指标体系

电力通信网作为一个复杂的系统，影响其可靠性的因素众多，单独某个指标并不能真实反映整个网络的运行状态，对此需要进行整理分析和处理建立一个完整的指标体系[10].从综合管理的角度，涉及一个系统的可靠性因素不仅仅只有硬件及软件，还包括了人的因素、地理区域等因素[11].

首先，根据层次分析法对影响电力通信可靠性的指标进行分析，并参考网络的生存性、有效性、抗毁性、完成性等来综合评估电力通信网的可靠性，得出了完整的指标评估体系.根据分析，影响电力通信网可靠性的因素可以分为：系统结构、环境变量、管理.这三个方面又分别依靠若干主要技术性能指标来支撑.对这三个方面的可靠性指标能进行量化计算，并进行了归一化处理，即用相对指标值来表示.具体指标如表1所示.针对日常运营维护，确定电力通信网可靠性属性集，建立电力通信网可靠性评价论域集，如表2所示.

表1 电力通信网可靠性指标

表2 电力通信网可靠性评价论域集L

其次，确定可靠性各指标的权重，并对其进行修正.结合电力通信网自身的特点，可靠性指标在可靠性评估中贡献不同，在评价之前需要对各指标的权重进行修正，使得最终的评价结果更加合理.在此采用熵权法对可靠性各指标的权重进行分配.

最后，对电力通信网可靠性的评价模型进行评估，通过对数据进行训练后对评价结果进行验证，得到训练数据与校验数据的分布曲线.

电力通信网可靠性评价算法的具体步骤如下：

(1)建立电力通信网可靠性评价体系，模糊化各指标属性；

(2)收集三级指标数据，并进行归一化及逆向化(反向指标)处理，综合专家评价重要性因子，利用极大熵准则确定各指标之间的相对权重系数；

(3)利用权重系数对各指标进行修正，并将修正后的指标作为可靠性评价模型的输入；

(4)通过模糊综合评价方法获取用于可靠性评价模型的训练数据，从而对其进行训练；

(5)用训练成功的可靠性评价模型对电力通信网的可靠性进行评价.

2.2 实例

选取某市2004年至2012年电力通信网可靠性相关运行数据，如表3所示.以系统结构、环境变量、管理作为输入节点，电力通信网可靠性作为输出结果.为提高网络训练的精度，采用插值法将标准参考数据增加，将增加的电力通信网可靠性标准作为训练数据.将表3中的9组数据代入训练好的ANFIS结构，得到相应的电力通信网可靠性评估结果.在训练过程中，改变训练次数，输出数据几乎没有变化，得到的结果基本稳定.

根据电力通信网可靠性评价论域集，得出电力通信网可靠性基本处于理想状态(除2008年由于冰雪灾害某些支线受到损害),并将结果与神经网络、贝叶斯网络、蒙特卡洛等方法做比较，在贝叶斯网络设计中应用贝叶斯因子对整个可靠性模型进行了定量分析，证明结果的有效性及正确性，如图2所示.

表3 2008年～2012年某市电力

将选取的相应数据进行训练及检验，使得模型更加准确，并将训练数据及校验数据进行对比，得到训练数据与校验数据的分布图，如图3所示.设定步长，对训练数据及校验数据的误差进行评估，通过图4的曲线可以看出，相应数据的误差保持在10-6之下，证明了模型的正确性.

图2 2004年～2012年某市电力通信网可靠性评估结果

图3 训练数据及校验数据的分布曲线

图4 训练步长与误差曲线示意图

3 结果及结论

本文通过对电力通信网可靠性指标影响因素进行梳理，建立了电力通信网可靠性指标体系.改变以往单纯从系统结构评估的模式，构建了统一管理的电力通信网可靠性模型.采用熵权法确定各指标之间的关系，使得权重更加真实可靠；并利用自适应神经网络模糊系统对电力通信网可靠性的评估，改变了以往基于专家经验对电力通信网的评估模式，利用模糊隶属度函数及模糊规则对已知的大量数据进行学习，使得评估结果更加真实可靠.

[1] 梁雄健，孙清华.通信网可靠性管理[M].北京:北京邮电大学出版社，2004.

[2] 赵子岩，陈 希，刘建明.建立电力系统通信网可靠性管理体系相关问题的探讨[J].电力系统通信，2006，30(10):58-61.

[3] Fulya Altiparmak,Berna Dengiz,Alice E.Smith.A general neural network model for estimating telecommunications network reliability[J].IEEE Transactions on Reliability,2009,58(1):2-9.

[4] Doguc O.,Ramirez-Marquez J.E.A generic method for estimating system reliability using Bayesian networks[J].Reliability Engineering and System Safety,2009,94(2):542-550.

[5] Satitsatian S,Kapur K.An algorithm for lower reliability bounds of multistate two-terminal networks[J].IEEE Trans.on Reliability,2006,55(2):199-206.

[6] Yeh Weichang,Lin Yicheng.A particle swarm optimization approach based on monte carlo simulation for solving the complex network reliability problem[J].IEEE Trans.on Reliability,2010,59(1):212-221.

[7] Jang,J.S.R.ANFIS:adaptive-network-based fuzzy inference systems[J].IEEE Transactions on Systems, Man, and Cybernetics,1993,23(3):665-685

[8] 吴晓莉,林哲辉.MATLAB辅助模糊系统设计[M].西安:西安电子科技大学出版社,2002.

[9] Fulya Altiparmak，Berna Dengiz.A cross entropy approach to design of reliable networks[J].European Journal of Operational Research，2009,199(2):542-552.

[10] 杨 静，张宣江，盛慧慧，等.电力企业对标指标评价方法研究[J].华北电力技术，2009,39(5):10-13.

[11] 南方电网公司.通信专业评价指标体系研究报告(初稿)[R].南方电网，2009.