基于Hop field神经网络的变电站数据负载均衡系统研究

邓 科，李 挺，蔡 昂，金 石，王 汇

（1.国网湖北省电力公司检修公司，武汉 430050；2.国网湖北省电力公司，武汉 430077）

0 引言

伴随着电力产业的不断发展，电网系统数据量大幅增加，数据的沉积和堆叠对现有电网数据负载均衡系统提出了更高的要求[1]。Hopfield神经网络作为一种递归神经网络，能够实现对局部的极小收敛，可以应用于电力系统数据的负载均衡，实现电力网络的更新和稳定[2]。在目前的变电站电力自动化系统中，服务器均为类Unix系统[3～6]，服务器设备通过网络交换机进行数据交换，并且通过图形网关机管理网络中所有模块的服务器[7,8]。本文提出一种基于Hopfield神经网络的变电站网络负载分配算法，用于变电站的网络服务器当中，同时采集服务器的硬件和软件信息[9,10]，提出一种基于快速傅立叶变换、多元线性回归和学习算法的监测算法，维持电力网络的稳定。

1 Hop field神经网络

1.1 Hop field算法

Hopfield神经网络是典型的循环神经网络，实现了所有环节的输出输入反馈，单个神经元与其他神经元实现完全的相互连接。可以利用Hopfield能量函数分析来显示网络的稳定性。

将神经网络中的Nc作为Hopfield类型的反馈重复网络，Hopfield神经网络使用客户端的异步状态变化。利用C1，C2，…，Cn作为客户机的状态和，作为通信链路的连接强度。网络的稳定状态为：

图1 Hop field算法变换示意图

在将Hopfield能量函数与Nc的每个输出状态相关联时，在Nc的任何状态处的客户机的能量可以被表示为：

1.2 Hop field神经网络状态

网络的突触动力学将修改连接强度以反映网络中的变化，如下所示：

由于权重变化和其他节点的状态，任何节点i的新状态可以表示为：

考虑由于节点k的更新，在某个瞬间的Nc中状态的变化。在改变和重量改变之前和之后的能量表达可以写为：

所以有：

整个网络中的节点将按照上面讨论的策略更新它们的状态。在节点的状态发生变化之前，节点的更新过程将继续进行，即：

2 变电站数据负载

2.1 网络负载数据

Hopfield能量函数将用于分析随机选择的、状态改变的客户机及服务器。变电站数据包含：电压V、电流I、功率P（包括有功功率、无功功率），功率因数t，电能计量读数O，此外还包含各类设备的运行参数， 如变压器的温度、油位等，气体绝缘设备的压力值（密度）， 避雷器泄露电流i、动作次数n，断路器的跳闸报告、测距报告、动作次数等等数据。

服务器与每个客户端连接，而所有客户端在完全连接模式下相互连接。客户端之间的连接优势是对称的，而客户端和服务器之间的连接是不对称的。将客户网络解释为全连通Hopfield神经网络。本设计中，可以将电力设备N个客户端和一个服务器组成的客户端服务器组成一个网络拓扑结构。节点总数为N+1，网络中的节点完全连通。客户之间的通信可以看作是整个网络的一个子网络，即：NC⊂N。节点wi和wj的通信链路或连接定义为：。f为系统的传递函数；Ot为系统的输出。

2.2 电力网络数据拓扑化

变电站数据交换较为庞大，涉及到SCADA、WEB、网络交换机、维护模块、通信站、路由器以及调度站等模块[11]。每一个模块涉及的数据量都很大、数据类型众多、信息交换频率高，而且还存在着数据传输的同步和异步现象[12]。

本设计中，将变电站数据负载均衡系统设计为分布式数据交换系统，如图2所示为服务器与客户端之间的拓扑关系图。其中维护、通信站、路由器、调度站等均为电力网络负载，而服务器与各负载之间是分布式数据传输。

图2 服务器S和客户端C之间的全连接拓扑

3 基于Hop field神经网络的负载均衡系统

3.1 网络数据更新

客户端采集的数据为变电站实际运行中涉及到的各类数据（电压V、电力I、功率P等数据），各类数据经过拓扑处理后形成客户端负载。本文设计的神经网络中，F1可如下式表示：

所以，第k个客户端的状态更新规则如下：

可以看出，第k个客户端状态变化时选用任意可能和实例，都得出F1＜0。

3.2 服务器数据稳定性协调

网络的大小并不影响网络的稳定性和最小能量状态，因为在网络的不同大小下，得到了相同的最小能态[13]。系统的最小能态近似于客户端网络的最小能态。一旦获得了客户网络的稳定性值，由于服务器的功能所引起的扰动是可调的，网络获得了稳定的状态，但是平衡区域保持不变[14,15]。随着网络规模的增大，各种网络大小的回归线也得到了相应的稳定性。

服务器S的状态更新规则：

可以看出F2并不总是小于零，但是服务器S在更新时候，F2并不存在大于0的情况的。

F3和F2基本相同，就是服务器的更新顺序有点小变化。

F3与F2的条件是相同的，所以服务器S在更新时候，F3并不存在大于0的情况的。所以，服务器状态数据的更新是稳定的。

3.3 自学习负载分配

自学习负载分配，标记为F4：

服务器S状态和任何客户端k的更新规则可视为：

可以看出当Ck(t)=Ck(t+1)时，F4＜0。

可以看出当Ck(t)Ck(t+1)＞1时，F4＜0。

从ΔE公式中可知，对于F1、F2、F3、F4、F5的值，能量的变化小于等于零。因此可以从ΔE公式中监测ΔE＜0。那么，F1到F5的值大于0，这最坏情况的ΔE可以表示为：

因此，在这种状态变化的规则中，对于能量情况都有ΔE＜0。且当选择客户机或服务器进行修改时，能量总是减少。由于客户端或服务器的扰动，网络均衡状态下的最终最优连接强度反映了客户端与服务器端之间负载的最优分布。因此，网络将节点之间的负载均衡为稳定。这意味着网络中最优负荷分布可以对不同节点的噪声和畸变具有容忍度。

3.4 Hop field能量均衡

确定了Hopfield神经网络的反馈方式，只要根据反馈获得的最新数据，对训练数据集更新之后，在进行自学习的负载分配算法，并且负载分配系统对客户端状态更新和服务器状态更新进行集成。为了使得电网系统稳定的运作，监测系统时刻控制电网客户端与服务器之间的能量差异值应当最小，理想为小于0，即ΔE＜0。那么则需要F1，F2，F3，F4，F5都小于0。对异步网络数控状态是变化的，对于整个网络节点N将更新他们的状态，一个是服务器，另一个是各类电力负载节点，能量的变化则是：

4 系统测试

4.1 测试环境构建

本实验的测试环境为电力系统常用的Unix操作系统，数据使用MATLAB软件进行处理。为了确定客户端服务器网络的最优负荷分布，并建立网络的稳定性判据。实验中确定了在节点中对摄动的托架极限。整个网络的稳定性分析分两阶段进行。在第一阶段，建立了客户网络的稳定性，并在引入服务器后的第二阶段对整个网络的稳定性进行了研究。神经网络架构随着客户机节点的数量而变化。

客户端和服务器节点表示为具有双相状态输出的神经网络结构的处理单元。神经网络中的连接强度被随机赋值，并保持每个单元的阈值为零。节点被初始化为-1或1。采用Hebbian学习方法进行连接强度修正。在随机生成的状态下，每个网络都进行了5次试验。对每个试验的能量最小值进行了检验，并使用结果来确定网络的最终状态。

4.2 测试结果

由服务器S和4个客户机组成的客户端服务器网络，即C1、C2、C3、C4，所有客户机都通过通信链接连接到系统。如果四个神经元输入场与第五个神经元相连，则由四维空间中的向量输入变换或映射到五维空间中第五个神经元的信号向量。

确定了该网络工作的稳定性。最后确定了最小能态客户网络的最终连接强度。这些连接强度反映了客户网络中的负载分布，以保持网络处于平衡状态。在这个阶段，服务器被激活，由于这个原因，整个网络变得不稳定。

本实验测试了网络对扰动的稳定性和公差。通过使用Hopfield能量函数，成功地获得了网络的最小能量状态。分析中使用的4种不同的网络客户端服务器组成，分别有4-1、5-1、8-1和12-1。每个测试网络中客户端网络的平均能量为零。客户端和客户端网络之间的方差、协方差和相关性已经计算出来，如表1所示。

可利用Hebbian规则对网络的连接强度进行改进，从而将系统导向稳定状态。在每个网络上进行测试（4-1，5-1，8-1和12-1个客户机-服务器配置），以获得与不同输入探针对应的能量，其中Hopfield神经网络表现了网络稳定性，如图3服务器-客户端负载数据关联图所示。

图3 服务器-客户端负载数据关联图

该算法的编码如图4所示已在MATLAB中完成。已经测试了几组网络示例来检查程序的效率。这些能量的平均值和标准差计算如图5所示。

图4 UNIX环境下的部分宏定义

如图6所示，通过800组数据的测试，不难看出，训练200次之后的网络负载平衡会有很大的干扰和不确定性。随着测试的进行，数据集的增加，训练800次之后，网络负载平衡度得到很大的提高，系统能够准确的分配出过多的负载，并且得到非常好的收敛性和平衡。

表1 网络负载数据

图5 网络负载分析图

图6 训练200次和800次之后的网络负载平衡图

4.3 本设计存在的不足

本算法利用神经网络的反向传播对客户端-服务器网络中的负载分布进行了研究，增加了网络分配的合理性，保证服务器的安全，但是也存在一些问题：

1）在状态不断的更新下，数据集会越来越大，数据的处理能力会逐步下降，数据更新的实时性就降低；

2）本算法注重讨论了对于服务器安全性能的保障。然而实际系统中还存在系统的持续性能等问题。

后续解决第一个问题可以从Hopfield算法函数构建中进一步优化，优化的方向在于函数处理速度与大型数据处理稳定性之间的协调。解决第二问题需依赖算法函数采样扩展与算法函数的进一步稳定。

5 结论

Hopfield能量函数分析已经在人工神经网络问题上得到了广泛的应用。只要给定能量函数或问题的目标函数，并给出相关变量和约束条件，就可以利用识别与函数中的各类常数项系数相对应的权重建立反馈网络。本文研究的变电站有一套专门的电力管理系统运行在双网络架构设计的局域网上，将变电站电力管理系统的服务器和客户端网络设计为Hopfield型全连接网络，则可以用Hopfield能量函数分析来定义网络中的负载分布，并实现对变电站网络负载的数据均衡。最终最优值也反映了整个网络中对应的负载分布，以维持稳定状态景观中的网络，且负载分布上，网络可以容忍小的扰动，并且可以扩展到多个服务器和多个客户端。