一种基于bp神经网络算法的运行状态预测方法和系统的制作方法
【技术领域】
[0001] 本申请设及电力技术领域，更具体地说，设及一种基于BP神经网络算法的运行状 态预测方法和系统。
【背景技术】
[0002] 随着电力系统的发展，电力信息系统已逐步融入到电网企业生产经营的各个方 面，逐步成为生产经营环节中不可或缺的组成部分，成为保障企业安全生产的重要因素。目 前的现状是电力信息系统数量多、平台多样，造成运维工作繁重。行业内一直在研究有效的 信息系统运维管理方法，W提高电力信息系统运维管理自动化水平，但无论是自动化运维 工具的安装还是故障自愈机制等，均不能对系统的运行状态进行预测，只能在出现故障时 才能发现，从而造成检修不及时，给电网系统的正常运行造成了不良影响。
【发明内容】
[0003] 有鉴于此，本申请提供一种基于BP神经网络算法的运行状态预测方法和系统，用 于对电力信息系统的运行状态进行预测，W使运维人员能够在电力信息系统将要出现故障 时及时进行检修，避免对电网系统的正常运行造成不良影响。
[0004] 为了实现上述目的，现提出的方案如下： 阳0化]一种基于BP神经网络算法的运行状态预测方法，应用于电力信息系统，包括步 骤：
[0006] 确定所述电力信息系统的待预测设备的多个设备指标；
[0007] 根据历史数据为任意所述设备指标进行多次取值；
[0008] 利用所述多个设备指标的所述多次取值对预设的BP神经网络模型进行训练，得 到运行状态预测模型；
[0009] 将所述待预测设备的实际设备指标输入所述运行状态预测模型，得到所述待预测 设备的预测运行状态。
[0010] 可选的，所述待预测设备包括所述电力信息系统的电源装置；
[0011] 所述多个设备指标包括冗余情况、运行年限及老化情况、外观、告警指示灯状态和 家族性产品。
[0012] 可选的，所述待预测设备包括所述电力信息系统的数据库；
[0013] 所述多个设备指标包括数据库性能、数据库表空间、数据库连接数、数据库备份系 统和数据库日志空间。
[0014] 可选的，所述预测运行状态包括严重异常状态、异常状态、主意状态或正常状态。
[0015] 一种基于BP神经网络算法的运行状态预测系统，应用于电力信息系统，包括：
[0016] 设备指标确定模块，用于确定所述电力信息系统的待预测设备的多个设备指标；
[0017] 赋值模块，用于根据历史数据为任意所述设备指标进行多次取值；
[0018] 训练模块，用于利用所述多个设备指标的所述多次取值对预设的BP神经网络模 型进行训练，得到运行状态预测模型；
[0019]预测模块，用于将所述待预测设备的实际设备指标输入所述运行状态预测模型， 得到所述待预测设备的预测运行状态。
[0020] 可选的，所述待预测设备包括所述电力信息系统的电源装置；
[0021] 所述多个设备指标包括冗余情况、运行年限及老化情况、外观、告警指示灯状态和 家族性产品。
[0022] 可选的，所述待预测设备包括所述电力信息系统的数据库；
[0023] 所述多个设备指标包括数据库性能、数据库表空间、数据库连接数、数据库备份系 统和数据库日志空间。
[0024] 可选的，所述预测运行状态包括严重异常状态、异常状态、主意状态或正常状态。 [00巧]从上述的技术方案可W看出，本申请公开了一种基于BP神经网络算法的运行状 态预测方法和系统，该方法和系统应用于电力信息系统，W对电力信息系统的待预测设备 的运行状态进行预测。具体为首先确定电力信息系统的待预测设备的多个设备指标；根据 历史数据为设备指标进行多次取值；利用该多次取值对预设的BP神经网络模型进行训练， 得到运行状态预测模型；根据待预测设备的实际设备指标和运行状态预测模型得到待预测 设备的预测运行状态。运维人员能够在根据预测运行状态确定待预测设备需要检修时及时 进行检修，从而能够避免对电网系统的正常运行造成不良影响。
【附图说明】
[00%] 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可W 根据运些附图获得其他的附图。
[0027] 图1为本申请实施例提供的一种基于BP神经网络算法的运行状态预测方法的步 骤流程图；
[0028] 图2为本申请提供的一种简单网络BP算法模型；
[0029] 图3为本申请提供的一种训练次数与目标关系图；
[0030]图4为本申请另一实施例提供的一种基于BP神经网络算法的运行状态预测系统 的结构框图。
【具体实施方式】
[0031] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于 本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例，都属于本申请保护的范围。 W巧 实施例一
[0033] 图1为本申请实施例提供的一种基于BP神经网络算法的运行状态预测方法的步 骤流程图。
[0034]BP度ackPropagation)网络是 1986 年由Rume化art和McCelland为首的科学家 小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络 模型之一。BP网络能学习和存胆大量的输入-输出模式映射关系，而无需事前掲示描述运 种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络 的权值和阔值，使网络的误差平方和最小。图2示出了一种简单网络的BP神经网络模型。 阳035] 假设有P个训练样本，既有P个输入输出对（Ip，Tp)，p= 1，2,…P。其中，输入向 量为：Ip=(ipi,. ..，ipm)T，目标输出向量为Tp=(tpi,. ..，tpn)T，网络输出向量（理论上）：
[0036] 0p=(〇pi，...，〇pn)T(l)
[0037] 记Wi.j为从输入向量的第j(j= 1，. . .，m)个到输出向量的第i(i= 1，. . .，n)个 分量的权重。通常理论值与实际值有一定误差，网络学习则是指不断地把与比较，并根据极 小原则修改参数Wi,，使误差平方和达最小：
[0038]
[0039] Delta学习原则： 柳4〇] 记Aw。表示递推一次的修改量，则有：
[0041 ]
阳043] Spi=tpi-〇pi(5)
[0044]n成为学习效率。 W45] 注：由（1)式可知，第i个神经元的输出为：
[0046]ipm= -1，Wim=(第i个神经元的阔值）（6)
:，：
[0047] 特别当f为线性函数时，
[0048]
(7)
[0049] 按照上面描述的神经网络，设其中每个神经元都是线性的，取训练指标为：
[0052] 时，求E的最小值的梯度最速下降法就是Delta学习规则。
[0053] 如图1所示，本实施例提供的运行状态预测方法适用于电力信息系统，具体包括 步骤：
[0054] SlOl:确定待预测设备的多个设备指标。
[0055] 即从需要预测的设备相关设备指标中选取多个能够反映该设备的运行状况的设 备指标。W电力信息系统的电源模块为例，选取电源模块的W下设备指标：
[0056] 冗余情况：指电源模块是否冗余，有无配置冗余电源
[0057] 运行年限及老化情况：指电源投入运行的时间及设备老化情况
[0058] 外观：电源外观是否洁净及有无积尘
[0059] 告警指示灯状态：电源告警指示灯有无告警情况
[0060] 家族性产品：同型号及同批次产品公开隐患缺陷、公布配件寿命情况。
[0061] 电源状态量评价内容及分值见表1，电源状态评价W量化的方式进行，满分为50 分，根据评价内容的重要性分配分值。
[0062] 相关专家给出的分数值，因为电源模块有告警等同于单电源设备，所起两个状态 数值相等，分数都为15分，其余的都为5分，是人为分配的。
[0063]
W64] 表1电源状态量评价内容及分数 阳〇化]S102 :根据历史数据为任意设备指标进行多次取值。
[0066] 假设ipi、ip2、ip3、ip4、ipe分别代表电源的冗余情况、运行年限及老化情况、外观情 况、告警指示灯情况和家族性产品情况的状态量评价分数值，每个值取值20次，根据实际 需要可调整，值的大小为状态检修过程中得出的归一化处理后的数值。
[0067]S103 :利用设备指标对预设的BP神经网络模型进行训练。 W側从上面可知，从状态检修过程中得到最近20个值，即Ipi= . . .，ipi,jT，隐含 层中神经元的个数为4个，隐含层的输入函数为transig，输出层的激活函数为％trsnsig， 训练函数为梯度下降函数，即上面描述的标准学习算法：
[0069]
[0070] T= [0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0. 95 0.95 0.95 0.95 0.95 0.95 0.95 0.95]
[0071] net=newff(([0 1 ;0 1 ;0 1 ;0 1 ;0 1]), [5, 4, 1], { <tansig，，<logsig，},，tra ingd' ）；
[0072] net.trainParam.epochs= 15000 ；
[0073] net.trainParam.goal= 0. 01 ；
[0074] LP.Ir= 0. 1 ;
[00"75]Net=train(net,P,T);
[0076] 从图3中我们可W看出经过184次训练，训练样本即可达到跟目标分数0. 95的误 差为0. 01，误差可W通过增加运行步数和提高预设误差精度业进一步减小。
[0077] 同时，我们可W得到各神经元的权重值，其中输入层到隐含层权值V=net. iw{l, 1}；
[0078]
[0079] 隐含层到输出层权值W=net.Iw{2, 1},
[0080] W= [-1. 4433 -1. 4629 0. 5040 -1. 1062 -1. 4625]
[00川 S104 :得到待预测设备的预测运行状态。
[0082] 在实际检修过程中，可对待预测设备的设备指标进行取值，并代入上述运行状态 预测模型，得到预测结果。
[0083] 当给出一个电源的巡检情况，包括冗余情况、运行年限及老化情况、外观情况、告 警指示灯情况和家族性产品情况，可W根据上面得出的权重值预测该电源模块是否能够达 到0. 95分的标准，从而安排相应的检修工作。
[0084] 分数与评价内容的对应关系见表2所示的电源模块性能评价表。 阳0化]
[0086] 表 2