CN105225020A - 一种基于bp神经网络算法的运行状态预测方法和*** - Google Patents

Abstract

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***，该方法和***应用于电力信息***，以对电力信息***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***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***的正常运行造成不良影响。

Description

一种基于BP神经网络算法的运行状态预测方法和***

技术领域

本申请涉及电力技术领域，更具体地说，涉及一种基于BP神经网络算法的运行状态预测方法和***。

背景技术

随着电力***的发展，电力信息***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***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***运维管理方法，以提高电力信息***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***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***的正常运行造成了不良影响。

发明内容

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***，用于对电力信息***的运行状态进行预测，以使运维人员能够在电力信息***将要出现故障时及时进行检修，避免对电网***的正常运行造成不良影响。

为了实现上述目的，现提出的方案如下：

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***，包括步骤：

确定所述电力信息***的待预测设备的多个设备指标；

根据历史数据为任意所述设备指标进行多次取值；

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；

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。

可选的，所述待预测设备包括所述电力信息***的电源装置；

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。

可选的，所述待预测设备包括所述电力信息***的数据库；

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***和数据库日志空间。

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。

一种基于BP神经网络算法的运行状态预测***，应用于电力信息***，包括：

设备指标确定模块，用于确定所述电力信息***的待预测设备的多个设备指标；

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；

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；

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。

可选的，所述待预测设备包括所述电力信息***的电源装置；

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。

可选的，所述待预测设备包括所述电力信息***的数据库；

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***和数据库日志空间。

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。

从上述的技术方案可以看出，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***，该方法和***应用于电力信息***，以对电力信息***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***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***的正常运行造成不良影响。

附图说明

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，还可以根据这些附图获得其他的附图。

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；

图2为本申请提供的一种简单网络BP算法模型；

图3为本申请提供的一种训练次数与目标关系图；

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***的结构框图。

具体实施方式

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。

实施例一

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。

BP(BackPropagation)网络是1986年由Rumelhart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***方和最小。图2示出了一种简单网络的BP神经网络模型。

假设有P个训练样本，既有P个输入输出对(I_p,T_p),p＝1,2,…P。其中，输入向量为：I_p＝(i_p1,...,i_pm)^T，目标输出向量为T_p＝(t_p1,...,t_pn)^T，网络输出向量(理论上)：

O_p＝(o_p1,...,o_pn)^T(1)

记w_ij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***方和达最小：

$min\underset{i=1}{\overset{n}{\Σ}}{(t_{pi}-o_{pi})}^2(p=1,...,P)---\left(2\right)$

Delta学习原则：

记Δw_ij表示递推一次的修改量，则有：

$w_{\mathrm{ij}}+\mathrm{\Δ}{w}_{\mathrm{ij}}\⇒w_{\mathrm{ij}}$

${\mathrm{\Δw}}_{ij}=\underset{p=1}{\overset{P}{\Σ}}\mathrm{\η}(t_{pi}-o_{pi})i_{pj}=\underset{p=1}{\overset{P}{\Σ}}{\mathrm{\η\δ}}_{pi}{i}_{pj}---\left(4\right)$

δ_pi＝t_pi-o_pi(5)

η成为学习效率。

注：由(1)式可知，第i个神经元的输出为：

i_pm＝-1，w_im＝(第i个神经元的阈值)(6)

特别当f为线性函数时，

$o_{pi}=a(\underset{j=1}{\overset{m}{\Σ}}{w}_{ij}{i}_{pj})+b---\left(7\right)$

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：

$E=\underset{p=1}{\overset{P}{\Σ}}{E}_p---\left(8\right)$

$E_p=\frac{1}{2}\underset{i=1}{\overset{n}{\Σ}}{(t_{pi}-o_{pi})}^2---\left(9\right)$

时，求E的最小值的梯度最速下降法就是Delta学习规则。

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***，具体包括步骤：

S101：确定待预测设备的多个设备指标。

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。以电力信息***的电源模块为例，选取电源模块的以下设备指标：

冗余情况：指电源模块是否冗余，有无配置冗余电源

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

外观：电源外观是否洁净及有无积尘

告警指示灯状态：电源告警指示灯有无告警情况

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。

电源状态量评价内容及分值见表1，电源状态评价以量化的方式进行，满分为50分，根据评价内容的重要性分配分值。

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。

评价内容	状态量	分数
			冗余情况	电源模块是否冗余，有无配置冗余电源	15
运行年限及老化情况	电源投入运行的时间及设备老化情况	10
			外观情况	电源外观是否洁净及有无积尘	5
告警指示灯状态	电源告警指示灯有无告警情况	15
			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	5

表1电源状态量评价内容及分数

S102：根据历史数据为任意设备指标进行多次取值。

假设i_p1、i_p2、i_p3、i_p4、i_p5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。

S103：利用设备指标对预设的BP神经网络模型进行训练。

从上面可知，从状态检修过程中得到最近20个值，即I_p1＝(i_p1，1,...,i_p1，20)^T，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：

$P=\left[\begin{array}{c}{i}_{p_{1,1}},\mathrm{...},i_{p_{1,20}}\\ i_{p_{2,1}},\mathrm{...},i_{p_{2,20}}\\ .\\ .\\ .\\ i_{p_{5,1}},\mathrm{...},i_{p_{5,20}}\end{array}\right]=\left[\begin{array}{cccccccccccccccccccc}0.33& 0.67& 0.67& 0.67& 0.67& 0.33& 0.67& 0.67& 0.33& 0.67& 1.00& 0.67& 0.33& 0.00& 0.00& 0.00& 0.33& 0.33& 0.67& 1.00\\ 0.50& 0.50& 1.00& 1.00& 1.00& 1.00& 1.00& 1.00& 1.00& 1.00& 0.50& 0.50& 0.50& 0.50& 0.00& 0.00& 0.00& 0.50& 0.50& 1.00\\ 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.50& 0.50& 0.50& 0.50& 0.50& 0.50& 0.50& 1.00& 1.00& 1.00& 1.00\\ 0.33& 0.67& 0.67& 0.67& 0.67& 0.33& 0.67& 0.67& 0.33& 0.67& 1.00& 0.67& 0.33& 0.00& 0.00& 0.00& 0.33& 0.33& 0.67& 1.00\\ 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.50& 0.50& 0.50& 0.50& 0.50& 0.50& 0.50& 1.00& 1.00& 1.00& 1.00\end{array}\right]$

T＝[0.950.950.950.950.950.950.950.950.950.950.950.950.950.950.950.950.950.950.950.95]

net＝newff(([01；01；01；01；01]),[5,4,1],{‘tansig’,‘logsig’},’traingd’)；

net.trainParam.epochs＝15000；

net.trainParam.goal＝0.01；

LP.lr＝0.1；

Net＝train(net,P,T)；

从图3中我们可以看出经过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，误差可以通过增加运行步数和提高预设误差精度业进一步减小。

同时，我们可以得到各神经元的权重值，其中输入层到隐含层权值V＝net.iw{1,1}；

$V=\left[\begin{array}{ccccc}2.4868& 1.4480& 0.6377& -0.5209& -2.4425\\ -1.7060& -0.2762& 1.8524& 2.7631& -0.9336\\ 0.4958& -2.2344& 1.9574& 1.9346& 1.4533\\ -0.0847& 1.9427& 1.4398& -0.5423& -2.9625\\ 2.0452& -0.2890& -1.6920& 2.0575& -1.8874\end{array}\right]$

隐含层到输出层权值W＝net.lw{2,1},

W＝[-1.4433-1.46290.5040-1.1062-1.4625]

S104：得到待预测设备的预测运行状态。

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。

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，可以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。

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。

评价内容	良好状态	正常状态	注意状态	异常状态	严重异常状态
						目标输出值	0.98-1	0.95-0.98	0.90-0.95	0.85-0.90	≤0.85

表2

在对电源模块进行检修时，按表3所示的检修分类即项目表。

检修分类	检修项目
		A类检修	A.1整体设备更换
B类检修	B.1端口更换B.2电源更换B.3端口更换B.4诊断试验
		C类检修	C.1常规性能测试 C.2清扫、检查、维修
D类检修	D.1带电测试 D.2维修、保养 D.3检修人员专业检查巡视

表3

表3给出了检修分类和相应的检修项目，可以根据设备运行的状态选择选择相应的检修策略：

“严重异常状态”检修策略：设备整体状态为严重状态，检修建议为执行A类检修。

“异常状态”检修策略：设备整体状态为异常状态，检修建议为执行B类检修。

“注意状态”检修策略：设备整体状态为注意状态，检修建议为执行C类检修。

“正常状态”检修策略：设备整体状态为正常状态，检修建议为执行D类检修。

从上述技术方案可以看出，本实施例提供了一种基于BP神经网络算法的运行状态预测方法，该方法应用于电力信息***，以对电力信息***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***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***的正常运行造成不良影响。

目前，数据库状态检修工作已经逐步实现自动化，可在运维的数据库上完成多个容量类指标和性能类指标的自动化状态检修指标部署，具备了容量及部分性能问题的提前发现和数据分析能力。数据库状态主要评价内容及分值如表4所示。

评价内容	状态量	分数
			数据库性能	会话数、每秒事物数、数据库锁数量、死锁数量等	15
数据库表空间	表空间状态、使用率、已用空间、剩余率等	15
			数据库连接数	用户呼叫速率、连接数、连接利用率	10
数据库备份***	数据库数据能否及时备份，归档空间能否及时清除	5
			数据库日志空间	数据库日志空间是否已满	5

表4

同上，假设i_p1、i_p2、i_p3、i_p4、i_p5分别代表数据库的性能、表空间、连接数、备份***和日志空间情况等状态变量的评价分数，每个状态变量评价分数取值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。根据Delta学习规则也可以得到最优训练序列,从而判断数据库状态是否异常，从而根据数据库健康状态选择相应的检修策略。

实施例二

图4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***的结构框图。

如图4所示，本实施例提供的运行状态预测***适用于电力信息***，具体包括设备指标确定模块10、赋值模块20、训练模块30和预测模块40。

设备指标确定模块10用于确定待预测设备的多个设备指标。

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。以电力信息***的电源模块为例，选取电源模块的以下设备指标：

冗余情况：指电源模块是否冗余，有无配置冗余电源

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

外观：电源外观是否洁净及有无积尘

告警指示灯状态：电源告警指示灯有无告警情况

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。

电源状态量评价内容及分值见是上一实施例的表1，电源状态评价以量化的方式进行，满分为50分，根据评价内容的重要性分配分值。

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。

赋值模块20用于根据历史数据为任意设备指标进行多次取值。

假设i_p1、i_p2、i_p3、i_p4、i_p5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。

训练模块30用于利用设备指标对预设的BP神经网络模型进行训练。

从上面可知，从状态检修过程中得到最近20个值，即Ip1＝(ip₁，1,...,ip1，2₀)^T，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：

$P=\left[\begin{array}{c}{i}_{p_{1,1}},\mathrm{...},i_{p_{1,20}}\\ i_{p_{2,1}},\mathrm{...},i_{p_{2,20}}\\ .\\ .\\ .\\ i_{p_{5,1}},\mathrm{...},i_{p_{5,20}}\end{array}\right]=\left[\begin{array}{cccccccccccccccccccc}0.33& 0.67& 0.67& 0.67& 0.67& 0.33& 0.67& 0.67& 0.33& 0.67& 1.00& 0.67& 0.33& 0.00& 0.00& 0.00& 0.33& 0.33& 0.67& 1.00\\ 0.50& 0.50& 1.00& 1.00& 1.00& 1.00& 1.00& 1.00& 1.00& 1.00& 0.50& 0.50& 0.50& 0.50& 0.00& 0.00& 0.00& 0.50& 0.50& 1.00\\ 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.50& 0.50& 0.50& 0.50& 0.50& 0.50& 0.50& 1.00& 1.00& 1.00& 1.00\\ 0.33& 0.67& 0.67& 0.67& 0.67& 0.33& 0.67& 0.67& 0.33& 0.67& 1.00& 0.67& 0.33& 0.00& 0.00& 0.00& 0.33& 0.33& 0.67& 1.00\\ 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.00& 0.50& 0.50& 0.50& 0.50& 0.50& 0.50& 0.50& 1.00& 1.00& 1.00& 1.00\end{array}\right]$

T＝[0.950.950.950.950.950.950.950.950.950.95０.950.950.950.950.950.950.950.950.950.95]

net＝newff(([01；01；01；01；01]),[5,4,1],{‘tansig’,‘logsig’},’traingd’)；

net.trainParam.epochs＝15000；

net.trainParam.goal＝0.01；

LP.lr＝0.1；

Net＝train(net,P,T)；

从图3中我们可以看出经过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，误差可以通过增加运行步数和提高预设误差精度业进一步减小。

同时，我们可以得到各神经元的权重值，其中输入层到隐含层权值V＝net.iw{1,1}；

$V=\left[\begin{array}{ccccc}2.4868& 1.4480& 0.6377& -0.5209& -2.4425\\ -1.7060& -0.2762& 1.8524& 2.7631& -0.9336\\ 0.4958& -2.2344& 1.9574& 1.9346& 1.4533\\ -0.0847& 1.9427& 1.4398& -0.5423& -2.9625\\ 2.0452& -0.2890& -1.6920& 2.0575& -1.8874\end{array}\right]$

隐含层到输出层权值W＝net.lw{2,1},

W＝[-1.4433-1.46290.5040-1.1062-1.4625]

预测模块40用于得到待预测设备的预测运行状态。

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。

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，可以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。

分数与评价内容的对应关系见上一实施例的表2所示的电源模块性能评价表。

在对电源模块进行检修时，按上一实施例的表3所示的检修分类即项目表。

表3给出了检修分类和相应的检修项目，可以根据设备运行的状态选择选择相应的检修策略：

“严重异常状态”检修策略：设备整体状态为严重状态，检修建议为执行A类检修。

“异常状态”检修策略：设备整体状态为异常状态，检修建议为执行B类检修。

“注意状态”检修策略：设备整体状态为注意状态，检修建议为执行C类检修。

“正常状态”检修策略：设备整体状态为正常状态，检修建议为执行D类检修。

从上述技术方案可以看出，本实施例提供了一种基于BP神经网络算法的运行状态预测***，该***应用于电力信息***，以对电力信息***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***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***的正常运行造成不良影响。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于BP神经网络算法的运行状态预测方法，应用于电力信息***，其特征在于，包括步骤：

确定所述电力信息***的待预测设备的多个设备指标；

根据历史数据为每一所述设备指标进行多次取值；

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；

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。

2.如权利要求1所述的运行状态预测方法，其特征在于，所述待预测设备包括所述电力信息***的电源装置；

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。

3.如权利要求1所述的运行状态预测方法，其特征在于，所述待预测设备包括所述电力信息***的数据库；

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***和数据库日志空间。

4.如权利要求1～3任一项所述的运行状态预测方法，其特征在于，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。

5.一种基于BP神经网络算法的运行状态预测***，应用于电力信息***，其特征在于，包括：

设备指标确定模块，用于确定所述电力信息***的待预测设备的多个设备指标；

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；

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；

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。

6.如权利要求5所述的运行状态预测***，其特征在于，所述待预测设备包括所述电力信息***的电源装置；

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。

7.如权利要求5所述的运行状态预测***，其特征在于，所述待预测设备包括所述电力信息***的数据库；

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***和数据库日志空间。

8.如权利要求5～7任一项所述的运行状态预测***，其特征在于，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。