基于LS-SVM的电力通信网性能劣化评估与预测模型研究*

施　健　缪巍巍　吴海洋

(1.南京南瑞集团公司　南京　210003)(2.江苏省电力公司　南京　210024)



基于LS-SVM的电力通信网性能劣化评估与预测模型研究*

施健1缪巍巍2吴海洋2

(1.南京南瑞集团公司南京210003)(2.江苏省电力公司南京210024)

摘要随着电力通信网络规模越来越大,运行维护人员对通信网运行状态的实时有效监控,对设备故障的快速准确判断越来越困难,需要对通信网运行的健康状态进行科学评估,以及对网络性能的劣化进行趋势预测,从而可以提前预知网络可能存在的隐患。论文充分利用通信网现有的海量状态监测数据,提出基于健康状态数据的电力通信网性能劣化评估模型,在此基础上利用最小二乘支持向量机(LS-SVM)性能劣化时间序列进行预测,预警通信网的异常状态,提高通信网运行维护的水平,减少故障导致的断网损失。

关键词电力通信网; 劣化评估; 预测模型

Class NumberTP391

1　引言

电力通信网运行状态的实时监测与在线诊断直接关系到电网的安全稳定运行,随着电力通信网络规模的不断扩大,通信网中需要控制和监测的数量信息量越来越大,运行维护人员对通信网运行状态的实时有效监控,对设备故障的快速准确判断越来越困难。特别是随着通信设备在网运行时间的增加,由于材料磨损、疲劳或环境造成的变形、腐蚀、老化等原因,使得通信网原有性能逐渐降低。这种性能劣化在初期并不影响通信网的运行,但是在后期却会对通信网的安全稳定运行造成巨大影响,甚至会埋下安全隐患。如果在通信网从正常(健康)运行到劣化直到失效的过程中监测其劣化程度,并根据通信网劣化指标的变化趋势,再参考历史运行数据,就可以对网络的运行状态进行预估,从而在性能指标恶化到影响网络正常运行之前提前进行处理。这种方法既可以合理制定通信设备的维修计划,做到防止设备失修而引起的事故;同时又能防止设备过修而带来的设备损失或浪费,保证了生产效率的最大化。

本文基于此理念提出了基于LS-SVM的通信网性能劣化评估标准模型。通过筛选出表征通信网运行状态的指标参数,将其代入训练好的模型,从而评判当前工况下通信网运行性能是否偏离正常状态,实现通信网运行状态的健康评估。并基于性能劣化时间序列,提出了基于LS-SVM的通信网性能劣化预测模型,通过实时采集的现场状态监测数据对所提模型进行验证。本文的研究实现了通信网运行状态的健康评估和故障预警,避免和预防故障的发生;同时通过预测通信网运行状态的发展趋势,对通信网性能劣化趋势进行评估与预测,从而为制定合理的检维修决策提供技术保障。

2　最小二乘支持向量机回归原理

支持向量机(Support Vector Machine,SVM)是20世纪90年代中期发展起来的基于统计学习理论的一种机器学习方法。最小二乘支持向量机(1east square support vector machine,LS-SVM)作为标准支持向量机的一种扩展[1～4],它将二次规划问题转化为线性方程组进行求解,具有较快的求解速度,在回归分析(时间序列分析)、模式识别(分类问题、判别分析)等诸多领域有广泛的应用,并可推广应用到预测和综合评价等领域。

最小二乘支持向量机的回归原理如下:设样本集S={(x1,y1),(x2,y2),…,(xn,yn)}∈Rn×R,将其映射到一个高维的特征空间中,使得原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题。在此高维特征空间上构建最优线性回归函数:

f(x)=wTφ(x)+b

(1)

式(1)中:φ(x)为从输入空间到高维特征空间的非线性映射;w为权值向量;b为偏置常数。

LS-SVM算法的回归问题是根据结构风险最小化原理求解约束优化,LS-SVM优化目标可表示为

(2)

式(2)中,γ为正规化参数,用于控制超出误差的样本处罚程度;ei为估计误差。

其约束条件yi为

yi=wTφ(xi)+b+ei

(3)

对上述等式约束化问题引入拉格朗日函数,式(3)的优化问题变换到对偶空间,则

(4)

式(4)中ai为拉格朗日乘子,γ为常数。

利用卡罗需-库恩-塔克最优化条件(Karush-Kuhn-Tucker Conditions,KKT条件)对式(4)进行处理,经过变换得到线性方程组

yi=wTφ(xi)+b

(5)

计算后消去ei与w,则优化问题可转化为求解线性方程组。

(6)

(7)

3　基于LS-SVM的电力通信网性能劣化评估模型

通过对电力通信网采集的海量数据综合分析,灵敏度和误码率(Bit Error Ratio,BER)是影响通信网运行状态的两个主要因素。通过建立综合考虑灵敏度和误码率等多源信息的通信网健康标准三维曲面模型υ=f(O,B),υ为通信网状态参数,O为灵敏度,B为误码率。所构建的基于最小二乘支持向量机的电力通信网性能劣化评估模型,具体步骤如下:

1) 通信网运行健康状态的确定

在通信网络运行过程中,误码率和灵敏度不是一成不变的,会因为各种原因发生变动。比如设备出现了故障、某个站点的接线发生松动、光纤出现劣化,或是正常运行时信号的漂移、灵敏度长时间的累积,都会引起这些指标的劣化。通过采集分析通信网在不同灵敏度、不同误码率条件下的海量状态监测数据,结合设备厂家的建议值、行业标准值以及实际运维的经验值,确定电力通信网运行健康状态的标准。

2) 电力通信网运行健康模型的建立与验证

选取能反映电力通信网运行状态的敏感特征参数,建立并验证健康模型υ(t)=f(O(t),B(t)),获得电力通信网运行健康模型,采用LS-SVM建立三维曲面模型[5～8]。该建模方法能更真实、客观地反映影响通信网运行状态的工况因素(误码率、灵敏度等),从而有效地利用现有正常海量数据。

模型验证时分别定义模型计算值与实测值之间的绝对误差AE、相对误差RE和平均相对误差MAPE[2]。

AE(t)=c(t)-r(t)

(8)

(9)

(10)

式(10)中,r(t)为通信网在运行时刻t时的实测值,c(t)为异常状态检测模型计算标准值,N为样本采集点数。

3) 电力通信网性能劣化评估模型的建立

将通信网在线采集到的灵敏度、误码率等实时性能数据代入到运行健康模型υ(t)=f(O(t),B(t)),计算当前工况下的状态参数健康标准值υ(t),并和当前工况的实测值比较,获得通信网当前的劣化度D(t),其定义为

(11)

式(11)中,t表示电力通信网运行时刻。

4　基于LS-SVM的电力通信网性能趋势预测模型

采用LS-SVM建立电力通信网性能趋势预测模型,具体步骤如下:

1) 采用Cao算法[9～10]计算性能趋势时间序列相空间重构时的嵌入维度

选取重构相空间中的饱和嵌入维数m作为LS-SVM的输入节点数,能够有效避免输入节点数选取的任意性和丢失信息的问题。

2) 构建基于LS-SVM的预测器,对时间序列进行趋势预测

设m为嵌入维数,假设有时间序列s(t),(t=1,2,3,…,n),由t时刻前的m个逼近数据预测t时刻的逼近值,预测模型可表示为

s(t)=f[s(t-1),s(t-2),…,s(t-m)]

(12)

式(12)中,f为非线性函数。

最终所构建的LS-SVM多输入单输出结构的预测器如表1所示。

表1　LS-SVM预测器结构

5　实例分析

本节以一个实际的电力通信网为例,利用前述的相关方法采集相应的实测状态监测数据作为样本进行研究,验证基于LS-SVM的电力通信网性能劣化评估与预测模型的有效性。

通过光传输设备网管系统的北向接口获取运行状态良好无故障的灵敏度和误码率数据,建立通信网健康状态下的性能标准模型。在时间段为三个月,采集周期为1个小时,共获取2160组数据,抽取1900组能覆盖通信网灵敏度和误码率变化区间的健康标准数据建立LS-SVM健康模型,将剩下的260组数据作为测试样本进行模型验证。经分析可以看出,基于LS-SVM的通信网运行状态健康标准模型计算值和实测值基本吻合,计算平均相对误差为2.65%。图1给出了通信网运行状态健康模型验证结果。

图1　通信网运行状态健康模型验证结果

将2160组状态监测中的灵敏度和误码率等实时在线数据代入通信网性能劣化评估模型,获得通信网当前劣化度D(t),如图2所示。从图中可以看出,通信网运行性能同样出现劣化。

图2　通信网性能劣化趋势图

对计算得到的通信网性能劣化时间序列进行相空间重构(嵌入维数m=8),构建基于LS-SVM的预测器对其进行预测。用前1500个数据进行相空间重构,第1501～2160点数据进行预测,预测结果如图3所示。从图中可以看出,电力通信网性能劣化时间序列预测值和实际值有较好的拟合,预测平均相对误差为15.32%。

图3　通信网性能退化趋势结果

通过研究发现,采用LS-SVM预测模型对通信网运行性能退化时间序列进行预测,同样能取得较为满意的效果。

6　结语

通过分析电力通信网运行状态特性,本章首先提出了充分考虑灵敏度和误码率对通信网运行状态特性影响的,提出基于LS-SVM的通信网性能劣化评估模型。通过对通信网在线监测数据的采集,对光功能、误码率和性能三维标准模型进行验证,结果表明该模型具有很好的精度和实用性。将通信网实时运行的灵敏度和误码率代入训练好的模型,即可获取当前工况下通信网运行性能是否偏离正常状态。如果偏离较多,就要对通信网进行及时排查,以便排除通信网络中存在的潜在故障。基于通信网运行性能劣化时间序列,提出了基于LS-SVM的通信网性能劣化预测模型,通过现场状态监测数据对所提模型进行验证。结果表明,该模型能较好地对通信网性能劣化进行评估和预测,具有很好的应用前景。

本文提出的基于LS-SVM的电力通信网性能劣化趋势预测侧重于通信设备运行状态的异常监测和预测,对可能出现的异常状态经过系统诊断或人工辅助诊断后可形成故障诊断样本。通过不断完善故障诊断样本库,最终可实现精确的故障诊断。然而在实际运维过程中,故障诊断样本的收集和梳理,以及故障发生机理的研究与探索是一个长期的积累沉淀过程,故障诊断样本库的建成与完善对于系统精确预测与智能诊断是必不可少的基础。因此,后续还需要进一步开展故障诊断样本的系统梳理,深层级故障产生机制的研究,以及异常样本与故障之间关联关系的分析,从而实现具有实用化价值的系统精确诊断。

参 考 文 献

[1] 周濠,孙威,任海军,等.基于最小二乘支持向量机和负荷密度指标法的配电网空间负荷预测[J].电网技术,2011,35(1):66-71.

ZHOU Quan, SUN Wei, REN Haijun, et al. Spatial Load Forecasting of Distribution Network Based on Least Squares Support Vector Machine and Load Density Index System[J]. Power System Technology,2011,35(1):66-71.

[2] 方瑞明.支持向量机理论及其应用分析[M].北京:中国电力出版社,2007:37-70.

FANG Ruiming. Support vector machine theory and its application[M]. Beijing: China Electric Power Press,2007:37-70.

[3] 白鹏,张喜斌,张斌,等.支持向量机理论及工程应用实例[M].西安:西安电子科技大学出版社,2008:20-63.

BAI Peng, ZHANG Xibin, ZHANG Bin. Support Vector Machine and its Application in Mixed Gas Infrared Spectrum Analysis[M]. Xi’an: Xi’an Electronic and Science University Press,2008:20-63.

[4] 顾燕萍,赵文杰,吴占松.最小二乘支持向量机的算法研究[J].清华大学学报(自然科学版),2010,50(7):1063-1071.

GU Yanping, ZHAO Wenjie, WU Zhansong. Least squares support vector machine algorithm[J]. J T singhua Univ(Sci & Tech),2010,50(7):1063-1071.

[5] Xueli An, Dongxiang Jiang, Chao Liu, et al. Wind farm power prediction based on wavelet decomposition and chaotic time series[J]. Expert Systems with Applications,2011,38(9):11280-11285.

[6] SUYKENSJ. Least Squares Support Vector Machines[M]. Singapore: World Scientific,2002,9:71-89.

[7] Wang XD, Zhang CJ, Zhang HR. Sensor dynamic modeling using least square support vector machines[J]. Chinese Journalof Scientific Instrument,2006,27(7):730-733.

[8] 郭新辰.最小二乘支持向量机算法及其研究[D].长春:吉林大学,2008:71-85.

GUO Xinchen. Study on least square support vector machine algorithms and their applications[D]. Changchun: Jilin University,2008:71-85.

[9] Cao L. Practical method for determining the minimum embedding dimension of a scalar time series[J]. Physical D,1997,110:43-50.

[10] GRASSBERGER P, PROCACCIA I. Measuring the Strangeness of Strange Attractors[J]. Physics D,1983,9:189-208.

收稿日期:2015年10月13日,修回日期:2015年11月30日

作者简介: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:电力通信网络、模式识别、信号处理。

中图分类号TP391

DOI:10.3969/j.issn.1672-9722.2016.04.011

Performance Degradation Assessment and Prediction Model of Power Communication Network Based on LS-SVM

SHI Jian1MIAO Weiwei2WU Haiyang2

(1. Nanjing NARI Group Corporation, Nanjing210003)(2. Jiangsu Provincial Power Company, Nanjing210024)

AbstractWith the increasing scale of power communication network, the operation and maintenance personnel are more and more difficult to effectively monitor the real-time operational status and accurately determine equipment failure. Therefore, it is necessary to study the health state evaluation and performance degradation trend prediction of communication network operation. In this paper, making full use of the existing mass communications network status monitoring data, power communication network performance evaluation model based on the deterioration of the health status of the data is proposed. On this basis, least squares support vector machine(LS-SVM) time series is used to forecast performance degradation, in order to timely complete the communication network abnormal state early warning, improve communication network operation and maintenance level, reduce the fault caused by the loss of the network.

Key Wordspower communication network, degradation assessment, prediction model