（通信与信息系统专业论文）基于bp神经网络的电力监测多规约识别系统的设计与实现.pdf

江 苏 大 学硕 士 学位 论 文 摘要 在数字化电力监测系统中，电力数据信息的传递必须遵循一定的 通信规约。由于不同的终端设备生产厂家存在技术上和利益上的不 同，通信规约的统一还将是一长期的过程。实现不同型号、不同规约 的设备之间的方便而高效的互联是当前电力监测系统需迫切解决的 问题。 论文在对各种标准、流行规约进行收集和整理的基础上，深入分 析了不同规约之间的差异，设计了一种基于b p 人工神经网络的多规 约的识别系统。论文的具体研究内容包括：多规约识别特征值的设计， 将帧头一定长度的数据作为特征码，并进行归一化处理后得到特征 值；多规约学习算法的选择，仿真分析比较了几种bp 神经网络的算 法，根据收敛速度及识别率选择共轭梯度下降法作为多规约识别系统 b p 神经网络的识别算法；多规约识别网络的建立，通过仿真，依据 识别率得出适合于本文多规约识别系统的b p 神经网络隐含层最佳节 点数为9 0 ；多规约识别系统的设计，针对电力传输中监测终端地址 相对固定的特点，采用在系统中建立识别表、识别前先判断是否已有 该终端地址所发数据帧等措施，提高识别系统的实时性。 论文最后利用v c + + 完成了基于b p 神经网络的多规约识别系统 的软件实现，给出了主要的类及其函数，以及网络初始化时的数据格 式等，并对实际识别性能进行了测试，实际测试结果与仿真结果相近。 关键词：通信规约，电力监测，识别系统，b p 神经网络 江 苏大 学 项 士 学 位论文 a b s t r a c t i ne l e c t r i cp o w e rs y s t 锄，t h et r a n s f e ro ft h ee l e c t r i cp o w e rc o m m u n i c a t i o nm u s t c o m p l yw i t ht h ec o m m u n i c a t i o np r o t o c 0 1 n o wt h a tu n i f y i n gc o m m u n i c a t i o np r o t o c o l i ss t i l lal o n gp r o c e s s ，i ti s i m p e r a t i v et oc o n n e c tt h ed e v i c e sw i t hd i f f e r e n t c o m m u n i c a t i o np r o t o c o l s t h em a i nt a s ko ft h i sp a p e ri st oa n a l y z et h e m a p p i n ga m o n gd i f f e r e n t p r o t o c o l s ，w o r ko u ta l lm u t i l - p r o t o c o lr e c o g n i s es y s t e mb a s e do nb pa r t i f i c i a ln e u r a l n e t w o r k c e n t e ra r o u n dt h es u b j e c t t h em a i nw o r kh a sb e e nd o n ea sf o l l o w s ：f e a t u r e s e x t r a c t i o n 研lt h ec h a r a c t e r i s t i co ft h ee l e c t r i cp o w e rc o m m u n i c a t i o np r o t o c o l ，f i xo n t h ef e a t u r e se x t r a c t i o n ，w h i c hi st h ed a t ai nt h e f r o n ts i d eo ft h ed a t af r a m e p a t t e r n r e c o g n i t i o n t h ef e a t u r ev e c t o ra r et h ei n p u to fa r t i f i c i a ln e u r a ln e t w o r ka n do fs u p p o r t v e c t o rm a c h i n er e s p e c t i v e l y , i su s e dt or e c o g n i z e i nt h i sp a p e r , b pn e u r a ln e t w o r k w i t hd i f f e r e n ta r i t h m e t i c si sp r o p o s e d t h er e s u l t sf i lec o m p a r e da n da n a l y s e di no r d e r t om a k et h em o s ta p p r o p r i a t en e t - f r a m e w o r k t h e ne m l u a t et o g e tr e c o g n i t i o n r a t e ，w h i c hi s9 4 5 w o r k i n g - f l o wc h a r t w i t ht h ec h a r a c t e r i s t i co ft e r m i n a la n d e l e c t r i cp o w e rs y s t e ma n dr e a l - t i m e ，f i x a t i o nl o c a t i o n ，d e s i g nt ow o r k i n g - f l o wc h a r tt o m a k e saf e wi m p r o v eo np e r f o r m a n c ea n db r e a k t h r o u g h ss o m el i m i t a t i o no fe l e c t r i c p o w e ri n s p e c t i o ns y s t e m s o f t - m a k i n g w i t ht h ev c + + , m a k et h es o f tp r o j e c to ft h e m u f t i p r o c o t o lr e c o g n i s es y s t e m t h i sp a p e rs e to u tt h ec l a s sd i a g r a m sa n dm a i n f u n c t i o no ft h e r e c o g n i s es y s t e m t h er e s u l t ，t h i sp a p e rc o m p a r ea n da n a l y s e p e r f o r m a n c eo ft h em u t i l p r o c o t o lr e c o g n i z es y s t e ma c c o r d i n ga se m l u a t et e s t t h e r e s u l ti n d i c a t et h a tt h em u t i l - p r o c o t o lr e c o g n i z es y s t e mh a sh i g hr e c o g n i z er a t ea n d c o n v e r g e n c e t h el a s t ，t h i s p a p e rg i v e s t h ed e f i c i e n c yo ft h e m u t i l - p r o c o t o lr e c o g n i z e s y s t e m a n d ，i nf u t u r e ，w h i c ht o p i ct h er e s e a r c ho ft h i sw i l lp a ya t t e n t i o no i l k e y w o r d s ：c o m m u n i c a t i o np r o t o c o l ，r e c o g n i z es y s t e m , n e u r a ln e t w o r k , e l e c t r i c i n s p e c t i o n 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文 的规定，同意学校保留并向国家有关部门或机构送交论文的 复印件和电子版，允许论文被查阅和借阅。本人授权江苏大 学可以将本学位论文的全部内容或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存和 汇编本学位论文。 保密口，在年解密后适用本授权书。 本学位论文属于 不保密 学位论文作者签名：，钨磊 指导教师签名： ij ，y 矽、扒攥 2 0 0 7 年， 月7 日 2 0 0 7 年， 月7 日 独创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的 指导下，独立进行研究工作所取得的成果。除文中已注明引 用的内容以外，本论文不包含任何其他个人或集体已经发表 或撰写过的作品成果。对本文的研究做出重要贡献的个人和 集体，均已在文中以明确方式标明。本人完全意识到本声明 的法律结果由本人承担。 学位论文作者签名：香号磊 日期：二f 胗月 江 苏 大 学硕 士 学位论文 第一章绪论 随着社会的进步、国民经济的发展，电力在经济生活中扮演越来越重要的 角色。由于电能产品的特殊性，其质量和消费过程广大消费者历来无法重视。目 前冲击性、非线性负载的不断增多，使得谐波、电压波动、闪变、三相不平衡【i l 1 2 1 3 1 等传统电能质量问题更加恶化：而大量基于计算机系统的控制设备和电子装 置等一类敏感负荷的出现又使暂时过电压和瞬态过电压、电压凹陷等一些以前未 被人们所重视电能质量问题所造成的经济损失也在不断增加、电能效率严重下 降。对电力电能的管理和电力污染的监测治理工作势在必行，以保障用电设施得 到很好的呵护，提高企业经济效益，下文为所示案例： 1 企业概况 某公司是一家从事进口加工业务企业，现有员工1 0 2 4 人，其中管理人员1 3 3 人，工人1 0 0 1 人，2 0 0 4 年全年用电量为3 ，1 0 0 ，0 0 0 k w h ，平均电价为0 9 5 冠 度，电能总支出费用为：2 9 4 5 万元。 2 工厂主要用电分布情况( 表1 1 ) 表1 1 工厂主要用电分布情况 序号位置数量备注 1 配电房1 台 3 1 5 k v a 专用变压器 2 办公大楼 1 台 电脑等办公设备 3 一车间1 台 焊接设备 4 二车间 1 台 初加工 5 三车间1 台 6 空调房1 台全厂中央空调 7 生活区1 台 3 ，问题分析与治理 通过对该企业供电情况连续三个月的监测和分析，发现该企业内部线路损 耗高达1 5 ，三相负荷严重不平衡，功率因数为0 7 8 ，空调机房和办公楼3 、5 、 7 、9 、1 1 次谐波严重。必须进行综合治理。 经过治理效果很明显，2 0 0 5 年3 月份治理工作完毕，4 月份通过监测系统 江苏大 学 硕 士 学 位论文 的测试和计算，内部线路损耗降到5 ，三相负荷基本平衡，功率因数平均值为 0 9 6 ，空调机房和办公楼3 、5 、7 、9 、1 1 次谐波下降了9 8 ，各主要受电点的 功率因数在0 9 0 以上。 4 治理效果 在2 0 0 5 年全年产量比2 0 0 4 年增加3 的情况下用电量下降2 7 ( 表1 2 ) 。 表1 2 整治效果对比 月份2 0 0 4 年电量( k w h )2 0 0 5 年电量( k w h )同比备注 l 2 6 0 ，0 0 02 6 6 ，0 0 0 2 3 监测 2 2 1 0 ，0 0 02 1 8 ，0 0 0 3 8 监测 3 2 3 0 ，0 0 02 3 6 ，0 0 0 2 6 监测 4 2 5 0 ，0 0 02 2 4 , 0 0 0 1 0 4 调正、治理 5 2 6 1 ，0 0 0l ，0 0 0 1 1 5 调正、治理 6 2 6 0 ，0 0 0 2 2 s , 0 0 0 1 3 5 调正、治理 7 2 6 8 ，0 0 0 2 2 9 , 0 0 0 1 4 5 调正、治理 8 2 7 1 ，0 0 0黟l ，0 0 0 1 4 8 调正、治理 9 2 7 9 ，0 0 02 4 0 , 0 0 0 1 3 9 调正、治理 l o2 7 6 0 0 0 2 3 9 0 0 0 1 3 4 调正、治理 1 1 2 7 5 ，0 0 02 4 3 ，0 0 0 1 1 6 调正、治理 1 2 2 7 0 ，0 0 0 9 4 7 , 0 0 0 8 5 调正、治理 合计巍j 硒0 硇g o o 波9 5 投资与效益情况 2 0 0 4 年电能监测和治理费用为2 0 7 ，8 0 0 元，2 0 0 5 年节约电量大于 8 4 1 ，1 0 0 k w h ； 电能监测和治理投资费用：6 0 7 万元； 年度节约电费：8 4 11 0 0 k w h x 0 9 5 元度= 7 9 9 万元； 投资回报期= 总投资金额年平均节电效益1 年= 6 0 7 万元( 总投资金 额) 总投资金额7 9 9 万元( 年平均节电效益) x 1 2 个月= 0 年零1 0 个月( 投 资回报期) 。 设备维修费用下降，运行成本降低。 江 苏 大 学 硕 士 学 位论文 由上文可见一套电力监测系统对于企业设备维护，企业改善管理，降低成 本，进而提高企业经济效益起着重要作用。 1 1 研究背景和现状 一套完整的电力监测系统包括：监测终端、主站和客户端。监测终端采集 电网的各项电力指标数据按照特定的电力通信规约打包，通过信道传输给主站， 主站将收到的数据按照通信规约的要求解析，并将解析完的数据分类入库，如图 1 1 。客户端从数据库中读取所需的电能质量的数据，且可同主站进行一定的信 息交互1 4 ) 【5 】。可见主站系统是整个电力监测系统的核心。 检测终端诌一 e 三= 五趸囹 通信信道 检测终端铭一 巨夏夏蚕圈 通信信道 检测终端铭一 广= 焉墨黝 通信信道 | = ：= ：塑磁趁趟一 枪涮缘拣 客户端n 图1 1 电力监测系统结构图 随着电力事业的发展，电力监测终端的生产厂家日益增多，且各个厂家的 监测终端都遵循不同的电力通信规约，与以前只支持单一规约终端的监测系统相 比，现在的电网监测系统，在监测终端的数量和种类上都远远超出了以往的系统， 这就对与监测终端直接联系的主站系统的兼容性和稳定性提出了新的要求【6 】。 这就要求电力监测系统可以接收解析多种规约类型的终端所发送的数据， 因此，监测系统对于规约而言要具有扩展性，当新类型规约的终端加入时，只要 对现有的监测系统进行少许改动即可，而不需要重新构建整个系统。 目前主要支持多规约的方案是硬件上的支持【7 】【8 】【9 1 ，即在主站的接收端加上 江苏大 学 硕 士 学 位论文 各种规约转换器，使所有规约在主站接收时就转换为一种规约。 1 2 研究内容和目的 与上文所述不同，本课题从软件设计方面解决在一个电力监测系统中不能 兼容多种通信规约的问题，在主站中引入规约识别系统。其作用就是使主站自动 识别终端接收数据的规约类型并调用相应的规约解析算法。 本课题研究内容：将人工神经网络技术【6 j 引入到电力通信规约识别，根据 识别系统对实时性和准确性的要求，设计出适应于电力通信的多规约识别系统的 b p 人工神经网络，结合所设计的多规约识别系统的体系结构，通过软件实现， 使多规约识别系统可以准确迅速的得出接收数据帧的解析规约类型。 本课题的目的：设计多规约识别系统使该系统具有较高的识别率和较好的 收敛性。实现不同型号、不同规约的电力通信设备之间的方便而高效的互联。 1 3 论文结构安排 论文结构安排如下： 第一章：分析课题研究背景，研究目的、研究意义，并简述文章内容。 第二章：介绍电力监测系统，主站框架结构及规约识别系统。 第三章：研究人工神经网络的原理，从特点和应用方面介绍人工神经网络 技术并论述了b p 人工神经网络在应用过程中的遇到的问题。 第四章：论述人工神经网络在电力通信规约的识别中的应用，依据神经网 络的识别率和收敛度，设计适用于电力通信规约的识别b p 人工神经网络，及规 约识别系统的体系结构。 第五章：给出识别系统具体的软件设计，并对整个系统的性能进行评测。 第六章：本文进行了总结及未来的展望。 4 江 苏大 学 硕士 学 位论文 第二章电力监测系统简介 如第一章所述，电力监测系统包括：监测终端、主站和客户端。监测终端 采集电网的各项电力指标数据按照特定的电力通信规约打包，通过信道传输给主 站，主站将收到的数据按照通信规约的要求解析，并将解析完的数据分类才存入 数据库。客户端从数据库中读取所需的电能质量的数据，且同主站进行一定的信 息交互。可见主站在整个电力监测系统中有着“承上启下”的作用。 2 1 电力监测终端简介 监测终端负责采集电网的各项电力指标数据，譬如，计量有功电量和无功 电量，反向电量，谐波信，息【1 0 l i h 【1 2 l 等，按照特定的电力通信规约打包，通过各 种不同信道发送给监测系统主站【1 3 】。其中，常见的电力通信规约包括：s c l 8 0 1 规约、电力负荷管理系统数据传输规约一2 0 0 4 ( 2 0 0 4 ) 、c d t 规约、i e c 8 7 0 - 5 t 1 4 】 【1 习这四种。图2 1 为电力负荷管理系统数据传输规约一2 0 0 4 的终端实物图。 2 2 电力监测主站结构 不： 图2 1 监测终端实物图 主站负责将终端的数据帧接收解析并存取数据库，其模块结构如2 2 图所 江苏大 学 硕 士 学 位论文 图2 2 主站结构框图 ， 对外接口 + l n i t i a l i c e o + c m d p r o c 0 ：i ，“ + g e t a p p p d u o ：l m 规约解析插件 + p r o c a p p p d u 0 ：加， + g e t p r o t o c o l l n f o o + p a c k p d u 0 ：拥| + u n p a c k p d u o ：蛔t ( 接1 7 档案调用接口 + g e t r t u a d d r o 二b y t e + g e t p u 如e l i n e 丁口b t e o ：b 、，钯 + g e t a c l i n e l h b l e o ：b y t e + g e t d j r r e d m e t e r a d d r 07b y t e + g e ，d o ) i d o ：i n t + g e t p u l s e p b j l n f o o ? b y t e + g e t a c o b j i n f o o ：b y t e + g e t p r e r e a d o b j l n f o o ? 跏 + g e t d i r r e a d o b j i d o ? b y t e + g e t m e t e r f e e t a b l e 0 ：b y t e + g e t c o n t r o l t u m l i s t o ? b y t e + g e t s w i t c h l i j t ojb y t e 前置机主控程序 数据库 图2 3 规约解析模块接口定义 信道控制模块：负责主站系统与监测终端之间数据传输。在实际情况中， 一个主站要与几个监测终端并发通信，信道控制模块通过设立优先级 请求队列、等待应答队列等数据结构，实现对信道的并发通信的控制。 规约识别模块：完成由监测终端传输的数据符合的规约类型的识别。 不同种类的终端发送的数据需要按照不同的规约解析，规约识别模块 确定接受各个数据帧的规约类型，以调用对应的规约解析模块。 规约解析模块：负责解析数据帧，并将其转化为标准化的数据。为实 现动态加载，在w i n d o w s 系统下规约插件以d l l 形式( 动态链接库) 提供。因此数据格式定义和数据接口定义也是这个模块主要完成的任 6 江苏大 学 硕士 学位 论文 务，接口定义如图2 3 。 任务处理模块：负责处理大规模的并发任务。 数据访问模块：负责将解析完的归一化的电网指标数据分类写入数据 库。 后台服务模块：负责与客户端的信息交互和日志文件的存储。 主站从接收数据帧到将电力指标数据写入数据库的过程中，对数据帧解析 的正确率影响整个主站性能，而快速、准确的选择用何种规约解析数据帧是数据 帧真确解析的前提。这也是图中识别模块完成的任务。 2 3 规约识别系统 上节将整个主站分成各个相互独立模块，由于模块之间的独立性，也可以 将规约识别模块称之为规约识别系统。 规约识别模块是本文的核心内容，也是本文的一个创新点，对帧的规约识 别的正确性和算法响整个主站系统对规约解析的正确性和实时性。 本文将神经网络运用于规约识别上，利用神经网络对来访的各个不同规约 终端的数据帧，确定规约类型，并调用相应的规约解析模块。具体设计见下文。 2 4 小结 本章对电力监测系统的组成和识别系统分别作了简要的介绍。 7 江苏大 学 硕 士 学 位论文 第三章人工神经网络技术分析 在明确了研究对象及其特性以后，还需要清楚所采用方法的数学原理，只 有对研究对象和数学方法都足够的认识后，才能拿出一个既符合实际情况又有先 进理论知道的方案来。 本文将采用人工智能的方法来实现既定目标【”1 。所以有必要对有关方法的 原理作面向后文的阐述。 3 1 人工智能技术 一般地，智能可以定义为有效地获取、传递、处理、再生和利用信息，从 而在任意给定地环境下成功地达到预定目的的能力；而由计算机来表示和执行人 类的智能活动( 如判断、识别、理解、学习、规划和问题求解等) 就是人工智能。 人工智能【1 5 】【i6 】的研究范围包括逻辑推理、机器翻译、机器学习、机器视觉、专家 系统、模式识别、自动程序设计等。 人工智能的方法包括很多种【17 】i t s 【1 9 】、如人工神经网络、遗传算法、专家系 统等。 遗传算法【2 0 】 2 h1 2 2 】( g e n e t i ca l g o r i t h m g a ) 遗传算法是一种有效的解决最优化问题的方法。它最先是由j o h nh o l l a n d 于1 9 7 5 年提出的。从那以后，它逐渐发展成为一种通过模拟自然进化过程解决 最优化问题的计算模型。 遗传算法一般用于解决最优化问题，首先应对可行域中的点进行编码( 一 般采用二进制编码) ，然后在可行域中随机挑选一些编码组成作为进化起点的第 一代编码组，并计算每个解的目标函数值，也就是编码的适应度。接着就像自然 界中一样，利用选择机制从编码组中随机挑选编码作为繁殖过程前的编码样本。 选择机制应保证适应度较高的解能够保留较多的样本；而适应度较低的解则保留 较少的样本，甚至被淘汰。在接下去的繁殖过程中，遗传算法提供了交叉和变异 两种算子对挑选后的样本进行交换。交叉算子交换随机挑选的两个编码的某些 位，变异算子则直接对一个编码中的随机挑选的某一位进行反转。这样通过选择 江 苏大 学 硕士 学 位论文 和繁殖就产生了下一代编码组。重复上述选择和繁殖过程，直到结束条件得到满 足为止。进化过程最后一代中的最优解就是用遗传算法解最优化问题所得到的最 终结果。 专家系统f 2 3 j 【2 4 】瞄1 ( e x p e r ts y s t e t r d e s ) 专家系统技术是以计算机为工具，利用专家知识及知识推理来理解与求解 问题的知识系统。它模拟人类领域专家的宏观推理活动，是一种利用计算机对于 符合模型描述的领域知识进行符号推理的技术。更具体的说，专家系统是一计算 机程序，通过合理的设计，使计算机具有推理、理解、决策、创新等智能行为， 并能以人类专家的水平进行工作。专家系统不仅是高技术的标志，而且有着重大 的经济效益。 专家系统技术覆盖了计算机应用的许多领域，按其所完成的任务性质和特 征，可以分为以下几类： 1 ) 解释型专家系统根据获得的数据去分析问题的结构或状态。例如，根据声 纳数据判断是否有鱼群等； 2 ) 预测型专家系统根据过去及现在所有的情况推断将来的情况。例如，天气 预报、人口预测、交通预报、产量估计和军事预测等； 3 ) 诊断型专家系统根据观察到的事实推断对象系统的功能故障。如医疗、电 子、机械、软件等的诊断； 4 ) 监控型专家系统连续的对对象系统的行为进行观察，并在需要干预的时候 发出警报或进行控制。如核电站监视、机场调度监视、机械加工实施监测监控等； 5 ) 规划型专家系统为完成特定目标而采取的一系列动作或解决问题的步骤。 如分子遗传学的试验步骤规划、机械加工工艺规划、运输调度规划、机器人抓等： 6 ) 设计型专家系统构造对象模型( 方案) ，而且满足约束条件，如机械设计、 电子电路设计、建筑设计等； 上述的规划是不严格的，也是不唯一的，有些专家系统同时含有两类或两 类以上的功能。有人将前四类称为分析型决策支持系统，后二类称为设计型决策 支持系统。一般认为，处理设计型问题比处理分析型问题更困难，正如在机械设 计中综合时常比分析更困难一样，原因是设计型问题的求解结果往往是不确切定 义的，因而推理更杂，需要的知识更丰富。 9 江 苏 大 学 硕士 学 位论文 人工神经网络1 2 6 】【2 7 】1 2 8 2 9 】( a r t i f i c i a ln 即t r a ln e t w o r k s ) 它是现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络 处理、记忆信息的方式完成人脑那样的信息处理功能。 人工神经网络基本工作原理：是大量类似于神经元的处理单位相互连接而 组成的非线性复杂网络系统。人工神经网络是进行分布式并行信息处理的算法数 学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的 关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可 以通过预先提供的一批相互对应的输入一输出数据，分析掌握两者之间潜在的规 律，最终根据这些规律，这种学习分析的过程被称为“训练”，而后用新的输入数 据输入被“训练”过的网络来推算输出结果。 根据上文所述人工神经网络具有以下基本特性： 1 ) 分布存储和容错性。信息在神经网络的存储是将内容分布于许多神经元 中进行的，而且每个神经元存储多种信息的部分内容。网络的每部分对信息的存 储具有等势作用，部分的信息丢失任可以使完整的信息得到恢复，因而使网络具 有容错性和联想记忆功能。 2 ) 可塑性、自适应性和自组织性。神经元之间的连接具有多样性，各神经 元之间的连接具有可塑性，相当于神经元突触传递能力的变化。这使得网络可以 通过学习与训练进行自组织，以适应不同的要求。 3 ) 并行处理( p a r a l l e lp r o c e s s i n g ) 性。网络的各单元可以同时进行类似的 处理过程，整个网络的信息处理方式是大规模并行处理能力，对于提高判断和决 策的速度具有重要意义。 4 ) 层次性。人工神经网络是分层的，各种信息在神经网络中的处理是信息 在不同层次的神经回路中逐级进行加工的过程。 值得注意的是，大量的神经元的集体行为( c o l l e c t i v eb e h a v i o r ) 并不是各 单位元行为的简单相加，除了表现出神经网络系统的各种性质外，还表现出一般 复杂非线性系统的某些特性( 如不可预测性、不可逆性、混沌现象等) ，在一些 情况下需要加以讨论。 众所周知，结构决定功能，因此合理选择神经元模型具有重要意义。从1 9 4 3 年心理学家m c c u l l o c h 和数学逻辑学家p i t t s 提出的一种简化的神经元模型m p 1 0 江 苏 大 学硕 士 学位论文 模型开始，神经元模型几经改进和发展，目前人工神经元的一般数学模型可以如 图描述。 岛坞 i芝：， 吖百厂 图3 1 人工神经元的一般数学模型 图中，【五，互，以】r 为输入向量，w 为权值，y 为输出，f ( ) 为输出变 换函数，0 为阈值。为了叙述方便，此处列出常见的变换函数如下： ( a ) 比例函数y = o ) = j ( 3 1 ) c b ) 符号函数 y = 厂c s ，= 二。三三三 ( 3 2 ) ( c ) 饱和函数y = f ( s ) = 1 s 一1 尼 b 一导j 0 2 1 1 9 , 1 2 ( 3 1 8 ) 1 6 江 苏大 学 硕士 学 位论文 此方法改变原有b p 算法瞬时梯度的方法，从而提高收敛速度。 3 2 3 其它学习算法 多层前馈神经网络( b p ) 的算法【”】还有最小二乘学习算法、高阶快速学习 算法( 如基于k a l m a n 滤波等学习算法) ，以及能克服局部极小值的趋势性算法 ( c h a m o t a x i s ) 和遗传算法( g a ) ：h o p f i d d 网络的不动点学习算法、诡计和快 速模拟退火学习算法；多层网络的竞争学习算法；a r t 网络的g r o s s b e r g 学习算 法；s o m 网络的k o h o n e n 学习算法；n e c o g i t r o n 网络的福岛( f u k u s h i n a ) 学习 算法；以及模糊神经网络的再励学习算法与梯度学习法等。 3 3b p 人工神经网络的应用 与常规的计算机程序相比较，人工神经网络主要基于所测量的数据对系统 进行建模、估计和逼近。传统的计算机程序也可以完成类似的任务，在某些方面 它们可以相互替代。然而更主要的是它们各有所长。传统的计算机程序比较适合 于那些需要高精度的数值计算或者需要符号处理的任务。例如财务管理和计算， 它比较适合于采用常规计算机程序，而不适合于采用人工神经网络。对于那些几 乎没有规则，数据不完全或者多约束优化问题，则适合用人工神经网络。例如用 人工神经网络来控制一个工业过程，对于这种情况很难定义规则，历史数据很多 而且充满噪声，准确计算是毫无必要的。为了支持各种流行规约及其变种的识别 和转换，并方便地增加所支持的规约的种类，仅靠字符串比较等常规方法实现起 来非常繁琐和困难。因此有必要引入一种智能方法，使识别系统的水平达到或者 接近人工识别的程度。 人工神经网络具有分布存储和容错性、可塑性、自适应性和自组织性等对 于解决规约的识别问题颇有价值的基本特性。如果把人工神经网络算法引入到多 规约识别当中来，则有望解决规约的智能识别问题，使一个主站系统可以自动解 析接收到不同规约终端的数据帧。 近些年，人工智能方法在电力系统的许多领域都获得了广泛的应用，人工 神经网络技术已经成功地应用于诸如一般模式识别、负荷预测等领域，在直接法 安全稳定分析、距离保护等领域的应用也在进展中，但尚未见到有人把它们引入 1 7 江 苏大 学 硕 士 学 位论 文 到规约算法中来。 3 3 1b p 神经网络的工作流程 有p 个训练样本，即p 个输入一输出对( 置，互) ，( 七= 1 ，2 ，一。其中t ，为 k 个输入向量，五= ( 五。，五：，k ) 向量的维数为i n ；其中五，为k 个输出向 量：互= ( 互。，五：，咒) 向量的维数为n ；网络的实际输出向量为： q = ( q ，q ：，) ；为前一层第i 个神经元输到后一层第j 个神经单元的权 重。则该算法的网络训练过程如下： 1 ) 置各层的权值和阈值：( o ) ，g 为小的随机数值，作为初始值。 2 ) 输入训练样本；输入向量以，和期望输出向量互，对每个输入样本进行下 面( 3 ) 到( 5 ) 的迭代。 3 ) 计算网络的实际输出及隐含单元的状态： 递函数。 4 ) 计算训练误差： 输出层：= ( 1 一) ( 白一) 隐含层：= ( 1 一) 如 k 哝= 乃( q + 已) 是中：f 为传 f ( 3 2 0 ) ( 3 2 1 ) 式中0 与是表示各输出节点的期望输出值：k 是j 节点所在层的上面的节点号。 5 ) 修改权值和阈值：k o + 1 ) ，嘭o + 1 ) 6 ) 当p 经历过1 p 后，判断整个样本集的均方误差是否满足精度要确： p e = 巨g ( 3 2 2 ) i - ! 为预先给定精度：巨= 丢( 一) 2 ( 3 2 3 ) 为第k 个样本误差。若满足精度要求则转到( 7 ) ，否则转到( 3 ) 。 7 ) 停止，结束。 对某一训练样本，使用卜述算法，通过误差反传，调整各层网络单元的权 江 苏大 学 硕 士 学 位 论文 系数，输入所有训练样本，重复以上步骤，使输出误差限制在规定的范围内，此 时权系数则不再改变。利用这组网络权值，可以进行实际过程的诊断推理预测结 果。 b p 神经网络的设计主要为了识别和分类，很明显识别率的高低直接影响网 络的性能，但是监测一个人工神经网络的好坏的指标不仅仅识别率的高低，还有 学习时使用算法的收敛速度，即以最小的步长达到目标误差。 在网络中决定识别率和步长的因素有：特征值的提取，学习算法的设计， 和网络参数的设置。这些决定性能的因素往往相互之间存在着矛盾，譬如，目 标误差的大小直接影响网络的识别率，但它也影响网络的收敛速度。 3 3 2 特征值的提取 特征就是一个物体区别与其他物体所具有的某方面性质的抽象。在模式识 别中不可能直接采用包含目标所有信息的原始信息来进行模式识别，因为原始信 息不但过于庞大，而且包含的目标各方面的信息相互交织无法进行有效的区分。 与原始信息相比，特征信息不但在信息量方面大为减少，并且一种特征信息一般 只含有目标的一个方面的信息便于区分，所以对目标的分类都是采用单个或多个 包含目标的某个方面信息的特征信息来进行的，特征的选取及提取对模式识别具 有关键性意义【柏】【4 1 】【4 2 l 。 通过对目标的原始信息采用不同处理方式，可以提取各种各样的特征信息， 并不是所有的特征都能用于模式识别，用于模式识别的特征必须具备以下三个条 件： 1 ) 唯一性：对于模式识别的所有对象群体，该特征能唯一的代表一个对象类别； 2 ) 可分性：不同类别对象的特征应具有明显的可测差异，以便通过特征将不同 类别对象区分开来； 3 ) 鲁棒性：当目标所处环境或者目标与类别无关状态发生改变时，当目标的信 息受到噪声污染或发生畸变时，特征应尽量保持不变； 3 2 3 学习算法的设计 b p 神经网络有许多算法，每种算法都有其不同的优缺点，在实际应用中构 1 9 江苏大 学 项 士 学 位论文 建网络必须根据实际的需要选择合适的算法。且b p 神经网络固有的特点一不确 定性，导致了这种选择必须要建立在经验和实际的仿真基础之上，本文采用 m a t l a b 对第三章中所述的b p 神经网络的算法进行实际仿真，结合实际系统所需 要的特性( 准确性和实时性) 选择适合与本系统的算法。 3 3 4 网络参数设置 b p 神经网络网络结构及各个参数的选取直接决定了网络的复杂度，以及识 别率，对其选择没有什么特别的准确的定义，一般输入层节点的个数为输入层的 向量数，输出层节点的个数为输出向量数，中间的隐层数和各层节点个数大于上 一层的个数的2 倍加一1 4 3 1 ，激励函数一般取s 函数。而定制的各个网络参数则要 依靠算法仿真以其系统所要求的特性。 3 4 小结 本章主要讨论了人工神经网络的原理和应用方法，内容主要涉及人工神经 网络的构成、学习算法和训练方法，以及在具体仿真中需要解决的问题。 对于人工神经网络这些阐述为第四章制定具体方案及其实现方法做好了理 论上的准备。如无特别说明，本章中给出的人工神经网络的一般训练原则和方法 均作为第四章中方案的前提而被采用，不再另加说明。 江苏大 学 硕 士 学 位论文 第四章多规约识别系统的设计 近些年，人工智能方法在电力系统的许多领域都获得了广泛的应用【训4 5 1 ， 人工神经网络技术已经成功地应用于诸如一般模式识别、负荷预测等领域，在直 接法安全稳定分析、距离保护等领域的应用也在进展中，但尚未见到有人把它们 引入到规约算法中来。 根据上文可知人工神经网络具有分布存储和容错性、可塑性、自适应性和 自组织性等对于解决规约的识别问题颇有价值的基本特性。如果把人工神经网络 算法引入到多规约识别当中来，则有望解决规约的智能识别问题，使得主站可以 自动解析接收到不同规约终端的数据帧。 对于本文的具体问题而言，规约的特征信息和规约类型之间即是一种非线 性映射，选择人工神经网络的多层前馈网络模型来识别规约类型较为适合。但是， 要让神经网络真正适用于规约识别，特征值的选取，网络参数的选取，以及学习 算法的选取都是需要解决的问题。 根据实际情况，本文对目前比较流行的s c l 8 0 1 规约、电力负荷管理系统数 据传输规约- - 2 0 0 4 ( 2 0 0 4 ) 、c d t 规约、i e c 8 7 0 5 等几种电力传输规约运用神经 网络进行规约识别，以检验神经网络用于电力传输的规约识别中的效果。 4 1 多规约识别特征值的设计 由3 3 2 节所示，特征值的选取对于模式识别具有关键意义，很明显，特征 值的选取直接决定着神经网络的性能，影响规约识别的准确性。 而通过对流行规约帧格式的分析和比较可知，在一帧数据当中，帧头包含 的特征信息最多。例如对如表4 1 和表4 2 所示的电力负荷管理系统数据传输规 约s c l 8 0 1