摘要：電力工程是國計民生的重要保障，如何高效、準確地識別異常數(shù)據(jù)是實施工程的必要手段。文中基于對電力工程數(shù)據(jù)的分析，利用了分層電網(wǎng)工程數(shù)據(jù)檢測系統(tǒng)，其具有分層體系結構。使用統(tǒng)計模型與神經(jīng)網(wǎng)絡分類器進行數(shù)據(jù)檢測，并測試了5 種不同類型的神經(jīng)網(wǎng)絡的性能，以及在分層數(shù)據(jù)檢測系統(tǒng)上進行的異常數(shù)據(jù)的壓力測試結果。基于此，本文對基于BP神經(jīng)網(wǎng)絡的電力工程異常數(shù)據(jù)識別技術進行探討，以供相關從業(yè)人員參考。

關鍵詞：BP神經(jīng)網(wǎng)絡；電力工程；異常數(shù)據(jù)識別技術

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，信號從輸入層到隱含層，再到輸出層得到期望輸出。期望輸出同實際值做比較，若得不到所期望的值，則誤差反向傳播，調(diào)節(jié)網(wǎng)絡的權值和閾值。BP神經(jīng)網(wǎng)絡作為一種引入隱含層神經(jīng)元的采用多層感知器的神經(jīng)網(wǎng)絡模型，主要由輸入層、中間層和輸出層3 個部分組成。其中，中間層即隱含層，可以是一層或多層結構。

1 BP神經(jīng)網(wǎng)絡概述

BP神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡的分類中的多層前饋型神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡的主要特征為傳遞信號向前傳播，而誤差反向向后傳播。BP神經(jīng)網(wǎng)絡在工作時，信息從輸入層通過隱含層到達輸出層。輸出層達不到所期望的信號，將誤差反向傳播，從而根據(jù)誤差不斷調(diào)整BP神經(jīng)網(wǎng)絡的閾值和權重，從而使BP神經(jīng)網(wǎng)絡的輸出值不斷逼近期望值。

2系統(tǒng)設計

該異常數(shù)據(jù)識別系統(tǒng)利用神經(jīng)網(wǎng)絡對電力系統(tǒng)異常進行識別，實際上是利用神經(jīng)網(wǎng)絡可以以任意精度逼近任一非線性函數(shù)的特性以及通過學習歷史數(shù)據(jù)建模的特點。在各種類型的神經(jīng)網(wǎng)絡中，BP神經(jīng)網(wǎng)絡具有輸入延遲，適合于電力系統(tǒng)異常數(shù)據(jù)識別。根據(jù)電力系統(tǒng)運行的歷史數(shù)據(jù)，設定神經(jīng)網(wǎng)絡的輸入、輸出節(jié)點，以反映系統(tǒng)運行的內(nèi)在規(guī)律，實現(xiàn)識別數(shù)據(jù)異常的目的。所以，利用神經(jīng)網(wǎng)絡對電力系統(tǒng)異常數(shù)據(jù)進行識別，主要就是要設定神經(jīng)網(wǎng)絡的輸入、輸出節(jié)點使其能反映電力系統(tǒng)運行規(guī)律。

3訓練樣本

在BP神經(jīng)網(wǎng)絡模型中，在選擇樣本時，一定要盡可能的表達出系統(tǒng)中全部可能發(fā)生的情況所對應的狀態(tài)，這樣才能表現(xiàn)出來動力參數(shù)與實際測量數(shù)據(jù)一一對應的映射關系。將需要進行反分析的動力參數(shù)作為因素，要在每一個因素里面的各種組合中均要做試驗。假設在一組設計試驗中，有n個因素，并且它自身又有l(wèi)1 ，l2 ，......，ln個水平，那么在進行全面試驗時，至少需要做每個水平之積次試驗。當因素及其自身對應的水平數(shù)量不太多時，運用這種算法是比較準確的。但是，隨著因素及其對應的水平越來越多，需要做的試驗次數(shù)也要幾何級數(shù)般增長。因此，在BP神經(jīng)網(wǎng)絡的學習過程中，如果選擇合適、合理的方法選擇樣本就十分重要。

4 BP網(wǎng)絡模型與訓練算法

BP（BackPropagation，后向傳播）神經(jīng)網(wǎng)絡全稱又叫作誤差反向傳播（errorBackPropagation）網(wǎng)絡。它是一種采用BP算法訓練的多層前饋神經(jīng)網(wǎng)絡，每層網(wǎng)絡均包含一個或多個M-P神經(jīng)單元構成。M-P神經(jīng)單元結構，xi表示第i個輸入值，wi為該輸入值的權重，θ為該神經(jīng)元的閾值，y為該神經(jīng)元輸出值。其中，即神經(jīng)元將n個維度的輸入值加權相加后與神經(jīng)元的閾值進行比較，然后將比較值通過激活函數(shù)f處理后進行輸出。BP網(wǎng)絡通過不同網(wǎng)絡層間神經(jīng)元的全連接構成。在網(wǎng)絡訓練學習過程中，BP算法將輸入數(shù)據(jù)通過輸入層進行輸入，并經(jīng)過隱藏層計算后由輸出層進行輸出。接著輸出值與標記值進行比較，計算誤差（代價函數(shù)）。最后誤差再反向從輸出層向輸入層傳播，反向傳播過程使用梯度下降算法以目標的負梯度方向來對神經(jīng)網(wǎng)絡上的權重和閾值進行調(diào)整。

5神經(jīng)網(wǎng)絡識別實驗

考察5 種不同類型的神經(jīng)網(wǎng)絡，表1 列出了Perceptron、BP、PBH、模糊ARTMAP和RBF的均方根誤差與Perceptron的誤分類率等信息。可以看到，Perceptron神經(jīng)網(wǎng)絡表現(xiàn)不佳，均方根誤差在0.6~0.7 之間；誤分類率在0.1~0.2 之間。Perceptron神經(jīng)網(wǎng)絡對異常數(shù)據(jù)的檢測錯誤與誤分類率較高。隨著隱藏神經(jīng)元數(shù)量的增加，ARTMAP與RBF網(wǎng)絡的性能均會提高。在大多數(shù)情況下，均優(yōu)于Perceptron。BP與PBH網(wǎng)絡具有相似性能，且兩個神經(jīng)網(wǎng)絡始終比其他3 種類型的神經(jīng)網(wǎng)絡表現(xiàn)更優(yōu)。隨著隱藏神經(jīng)元數(shù)量的增加，兩種神經(jīng)網(wǎng)絡錯誤與誤分類率不會降低。

6狼群算法

狼群算法優(yōu)化BP神經(jīng)網(wǎng)絡。狼群算法是一種群智能算法，它通過模仿狼群捕獵的行為來處理優(yōu)化問題。在自然界中，狼在食物鏈中處于捕獵者。狼的外形神似狗和豺，動作迅速，嗅覺靈敏，有天生的捕獵能力。狼群算法最早于2007 年提出，后來有學者發(fā)現(xiàn)其中存在的問題，經(jīng)狼群算法優(yōu)化后提出了新型狼群算法（WCA），最后，2013 年根據(jù)自然界中狼群追捕獵物，捕食，以及分配食物的方式提出的基于狼群群體智能的算法（WPA）。該算法詳細的將狼群內(nèi)的種類分為頭狼、探狼、猛狼三種，并具有圍攻、召喚、奔襲、游走等行為。狼群算法同樣依據(jù)自然界中“勝者為王，適者生存”的更新機制。狼群算法的加入，形成了改進的BP神經(jīng)網(wǎng)絡，防止網(wǎng)絡陷入局部極值點，提高網(wǎng)絡效率。

7遺傳算法

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡。算法主要包括三部分：初始化BP神經(jīng)網(wǎng)絡結構、遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡識別。其中初始化BP神經(jīng)網(wǎng)絡結構包括：確定輸入層、隱含層和輸出層節(jié)點個數(shù)，以及初始化網(wǎng)絡的權值和閾值等參數(shù)。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡是將一個網(wǎng)絡中的所有權值和閾值看作種群中的一個個體，然后通過選擇、交叉和變異的操作得到最優(yōu)的個體，即最優(yōu)權值和閾值，并將該組權值閾值賦給BP神經(jīng)網(wǎng)絡作為初始的權值和閾值。最后的BP神經(jīng)網(wǎng)絡識別部分，是利用遺傳算法優(yōu)化的初始權值和閾值來訓練網(wǎng)絡，再利用訓練好的神經(jīng)網(wǎng)絡進行識別。

結束語

為實現(xiàn)電網(wǎng)工程建設中對異常數(shù)據(jù)的檢測，建立了分布分層的數(shù)據(jù)檢測系統(tǒng)。其是一種使用統(tǒng)計預處理與神經(jīng)網(wǎng)絡分類的異常數(shù)據(jù)檢測算法。通過對5 種不同的神經(jīng)網(wǎng)絡進行對比實驗，可得出結論：BP與PBH網(wǎng)絡的性能優(yōu)于Perceptron、模糊ARTMAP和RBF等3 種神經(jīng)網(wǎng)絡。考慮到構建成本最終選取BP神經(jīng)網(wǎng)絡作為系統(tǒng)的神經(jīng)網(wǎng)絡分類器，在此基礎上還進行了系統(tǒng)測試。結果表明，系統(tǒng)能夠可靠地檢測到異常數(shù)據(jù)，其流量強度僅為背景強度的5%~10%，證明了該系統(tǒng)的有效性。