基于BP神经网络的电力工程异常数据识别技术研究

摘要：电力工程是国计民生的重要保障，如何高效、准确地识别异常数据是实施工程的必要手段。文中基于对电力工程数据的分析，利用了分层电网工程数据检测系统，其具有分层体系结构。使用统计模型与神经网络分类器进行数据检测，并测试了5 种不同类型的神经网络的性能，以及在分层数据检测系统上进行的异常数据的压力测试结果。基于此，本文对基于BP神经网络的电力工程异常数据识别技术进行探讨，以供相关从业人员参考。

关键词：BP神经网络；电力工程；异常数据识别技术

BP神经网络是一种多层前馈神经网络，信号从输入层到隐含层，再到输出层得到期望输出。期望输出同实际值做比较，若得不到所期望的值，则误差反向传播，调节网络的权值和阈值。BP神经网络作为一种引入隐含层神经元的采用多层感知器的神经网络模型，主要由输入层、中间层和输出层3 个部分组成。其中，中间层即隐含层，可以是一层或多层结构。

1 BP神经网络概述

BP神经网络是人工神经网络的分类中的多层前馈型神经网络。BP神经网络的主要特征为传递信号向前传播，而误差反向向后传播。BP神经网络在工作时，信息从输入层通过隐含层到达输出层。输出层达不到所期望的信号，将误差反向传播，从而根据误差不断调整BP神经网络的阈值和权重，从而使BP神经网络的输出值不断逼近期望值。

2系统设计

该异常数据识别系统利用神经网络对电力系统异常进行识别，实际上是利用神经网络可以以任意精度逼近任一非线性函数的特性以及通过学习历史数据建模的特点。在各种类型的神经网络中，BP神经网络具有输入延迟，适合于电力系统异常数据识别。根据电力系统运行的历史数据，设定神经网络的输入、输出节点，以反映系统运行的内在规律，实现识别数据异常的目的。所以，利用神经网络对电力系统异常数据进行识别，主要就是要设定神经网络的输入、输出节点使其能反映电力系统运行规律。

3训练样本

在BP神经网络模型中，在选择样本时，一定要尽可能的表达出系统中全部可能发生的情况所对应的状态，这样才能表现出来动力参数与实际测量数据一一对应的映射关系。将需要进行反分析的动力参数作为因素，要在每一个因素里面的各种组合中均要做试验。假设在一组设计试验中，有n个因素，并且它自身又有l1 ，l2 ，......，ln个水平，那么在进行全面试验时，至少需要做每个水平之积次试验。当因素及其自身对应的水平数量不太多时，运用这种算法是比较准确的。但是，随着因素及其对应的水平越来越多，需要做的试验次数也要几何级数般增长。因此，在BP神经网络的学习过程中，如果选择合适、合理的方法选择样本就十分重要。

4 BP网络模型与训练算法

BP（BackPropagation，后向传播）神经网络全称又叫作误差反向传播（errorBackPropagation）网络。它是一种采用BP算法训练的多层前馈神经网络，每层网络均包含一个或多个M-P神经单元构成。M-P神经单元结构，xi表示第i个输入值，wi为该输入值的权重，θ为该神经元的阈值，y为该神经元输出值。其中，即神经元将n个维度的输入值加权相加后与神经元的阈值进行比较，然后将比较值通过激活函数f处理后进行输出。BP网络通过不同网络层间神经元的全连接构成。在网络训练学习过程中，BP算法将输入数据通过输入层进行输入，并经过隐藏层计算后由输出层进行输出。接着输出值与标记值进行比较，计算误差（代价函数）。最后误差再反向从输出层向输入层传播，反向传播过程使用梯度下降算法以目标的负梯度方向来对神经网络上的权重和阈值进行调整。

5神经网络识别实验

考察5 种不同类型的神经网络，表1 列出了Perceptron、BP、PBH、模糊ARTMAP和RBF的均方根误差与Perceptron的误分类率等信息。可以看到，Perceptron神经网络表现不佳，均方根误差在0.6~0.7 之间；误分类率在0.1~0.2 之间。Perceptron神经网络对异常数据的检测错误与误分类率较高。随着隐藏神经元数量的增加，ARTMAP与RBF网络的性能均会提高。在大多数情况下，均优于Perceptron。BP与PBH网络具有相似性能，且两个神经网络始终比其他3 种类型的神经网络表现更优。随着隐藏神经元数量的增加，两种神经网络错误与误分类率不会降低。

6狼群算法

狼群算法优化BP神经网络。狼群算法是一种群智能算法，它通过模仿狼群捕猎的行为来处理优化问题。在自然界中，狼在食物链中处于捕猎者。狼的外形神似狗和豺，动作迅速，嗅觉灵敏，有天生的捕猎能力。狼群算法最早于2007 年提出，后来有学者发现其中存在的问题，经狼群算法优化后提出了新型狼群算法（WCA），最后，2013 年根据自然界中狼群追捕猎物，捕食，以及分配食物的方式提出的基于狼群群体智能的算法（WPA）。该算法详细的将狼群内的种类分为头狼、探狼、猛狼三种，并具有围攻、召唤、奔袭、游走等行为。狼群算法同样依据自然界中“胜者为王，适者生存”的更新机制。狼群算法的加入，形成了改进的BP神经网络，防止网络陷入局部极值点，提高网络效率。

7遗传算法

遗传算法优化BP神经网络。算法主要包括三部分：初始化BP神经网络结构、遗传算法优化和BP神经网络识别。其中初始化BP神经网络结构包括：确定输入层、隐含层和输出层节点个数，以及初始化网络的权值和阈值等参数。遗传算法优化BP神经网络是将一个网络中的所有权值和阈值看作种群中的一个个体，然后通过选择、交叉和变异的操作得到最优的个体，即最优权值和阈值，并将该组权值阈值赋给BP神经网络作为初始的权值和阈值。最后的BP神经网络识别部分，是利用遗传算法优化的初始权值和阈值来训练网络，再利用训练好的神经网络进行识别。

结束语

为实现电网工程建设中对异常数据的检测，建立了分布分层的数据检测系统。其是一种使用统计预处理与神经网络分类的异常数据检测算法。通过对5 种不同的神经网络进行对比实验，可得出结论：BP与PBH网络的性能优于Perceptron、模糊ARTMAP和RBF等3 种神经网络。考虑到构建成本最终选取BP神经网络作为系统的神经网络分类器，在此基础上还进行了系统测试。结果表明，系统能够可靠地检测到异常数据，其流量强度仅为背景强度的5%~10%，证明了该系统的有效性。