鄧 偉

（南瑞集團(tuán)有限公司（國網(wǎng)電力科學(xué)研究院有限公司） 南京 210003）

1 引言

近年來，隨著特高壓電網(wǎng)及跨區(qū)域電網(wǎng)的全面建設(shè)，電力通信網(wǎng)絡(luò)的規(guī)模得到快速增長，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)日益復(fù)雜，對通信網(wǎng)絡(luò)的可靠性及安全性要求不斷增加，給電力通信日常的運(yùn)維管理帶來很大壓力［1］。通信現(xiàn)場的運(yùn)維作為整個(gè)運(yùn)行維護(hù)體系架構(gòu)的最底層級，主要負(fù)責(zé)基礎(chǔ)設(shè)施和網(wǎng)絡(luò)設(shè)備的現(xiàn)場值守、維護(hù)和巡檢，并要接受上層調(diào)控人員的指令實(shí)施現(xiàn)場相關(guān)的故障修復(fù)、資源調(diào)配等工作。因此，通信現(xiàn)場的運(yùn)維是整個(gè)通信網(wǎng)絡(luò)運(yùn)維工作的重要組成部分，其工作的安全、質(zhì)量和效率將直接關(guān)系到電力通信運(yùn)維工作的成效。當(dāng)前，現(xiàn)場處理多依賴個(gè)人經(jīng)驗(yàn)和本地信息，這些積累的專家經(jīng)驗(yàn)很難被共享，無法實(shí)現(xiàn)同質(zhì)化的現(xiàn)場運(yùn)維，使得現(xiàn)場運(yùn)維質(zhì)量參次不齊。

隨著人工智能（Artificial Intelligence，AI）技術(shù)的興起，利用專家的領(lǐng)域知識和歷史經(jīng)驗(yàn)為通信現(xiàn)場運(yùn)維提供輔助支撐已成為一種發(fā)展趨勢。針對現(xiàn)場運(yùn)維工作場景中存在著大量相似、重復(fù)的故障診斷與處置方式，利用基于案例推理（Case-based reasoning，CBR）技術(shù)，通過訪問專家知識庫中過去同類問題的求解從而獲得當(dāng)前問題解決方案的方法，為現(xiàn)場運(yùn)維質(zhì)量的提高提供了一條新的途徑。

本文在分析CBR 原理的基礎(chǔ)上，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)機(jī)制，對CBR 的推理過程進(jìn)行優(yōu)化，可根據(jù)自身環(huán)境的變化進(jìn)行自我完善，提高對已有案例的匹配推理能力。實(shí)驗(yàn)數(shù)據(jù)表明，該案例匹配方法切實(shí)可行，能有效提高匹配成功率，從而提高設(shè)備故障診斷效率。

2 CBR原理

CBR 作為人工智能中一種基于知識的問題求解和學(xué)習(xí)方法，起源于1977 年Schank 和Abelson 所做的研究以及他們對腳本的研究中衍生而來的，并在此基礎(chǔ)上提出了CBR 的認(rèn)知模型［2～4］。它成為后續(xù)CBR技術(shù)研究與應(yīng)用的基礎(chǔ)。

一個(gè)典型的CBR 推理求解過程通常分為案例檢索（retrieval）、案例重用（reuse）、解決方案修 正（revise）和案例保存（retain）四個(gè)階段。其工作過程如圖1所示。

圖1 CBR工作過程

1）針對新問題檢索歷史最相似的案例，檢索結(jié)果可為一個(gè)或多個(gè)案例；

2）根據(jù)檢索結(jié)果，分析比對與新問題之間的差異，并進(jìn)行修正與重新檢索，以適應(yīng)當(dāng)前問題的實(shí)際特殊要求；

3）嘗試重用檢索出的案例以解決當(dāng)前的問題；

4）根據(jù)實(shí)際的應(yīng)用情況，完善檢索出的案例，將當(dāng)前問題描述與最終完善的解決方案組合成為新案例保留到案例庫。

3 CBR檢索過程改進(jìn)研究

3.1 BP神經(jīng)網(wǎng)絡(luò)理論研究

在案例的檢索過程中最關(guān)鍵是能夠推理發(fā)現(xiàn)相似案例，并對目標(biāo)案例與源案例之間的相似性進(jìn)行判定，從而找出最優(yōu)化案例。BP（back propagation）神經(jīng)網(wǎng)絡(luò)是1986 年由Rumelhart 和McClelland為首的科學(xué)家提出的概念，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信號前向傳遞，而誤差后向傳播，通過不斷調(diào)節(jié)網(wǎng)絡(luò)權(quán)重值，使得網(wǎng)絡(luò)的最終輸出與期望輸出盡可能接近，以達(dá)到訓(xùn)練的目的［5～8］。

BP 神經(jīng)網(wǎng)絡(luò)是一個(gè)三級網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)由輸入層，隱含層，輸出層組成。輸入層（input layer）是各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；隱藏層（Hidden Layer）是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，可設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程；輸出層（Output Layer）是向外界輸出信息處理結(jié)果［9～13］。

圖2 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

BP 算法包括信號的前向傳播和誤差的反向傳播兩個(gè)過程。即計(jì)算誤差輸出時(shí)按從輸入到輸出的方向進(jìn)行，而調(diào)整權(quán)值和閾值則從輸出到輸入的方向進(jìn)行。正向傳播時(shí)，輸入信號通過隱含層作用于輸出節(jié)點(diǎn)，經(jīng)過非線性變換，產(chǎn)生輸出信號，若實(shí)際輸出與期望輸出不相符，則轉(zhuǎn)入誤差的反向傳播過程。誤差反傳是將輸出誤差通過隱含層向輸入層逐層反傳，并將誤差分?jǐn)偨o各層所有單元，以從各層獲得的誤差信號作為調(diào)整各單元權(quán)值的依據(jù)。通過調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的聯(lián)接強(qiáng)度和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)的聯(lián)接強(qiáng)度以及閾值，使誤差沿梯度方向下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對應(yīng)的網(wǎng)絡(luò)參數(shù)（權(quán)值和閾值），訓(xùn)練即告停止。此時(shí)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對類似樣本的輸入信息，自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的信息［14～17］。

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的CBR檢索改進(jìn)

利用BP神經(jīng)網(wǎng)絡(luò)的CBR檢索只與輸入及神經(jīng)網(wǎng)絡(luò)自身的參數(shù)相關(guān)，這些參數(shù)通過訓(xùn)練可以得到，是一種自適應(yīng)的檢索過程。同時(shí)，由于具有很強(qiáng)的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)，與傳統(tǒng)的CBR 檢索相比，基于BP 神經(jīng)網(wǎng)絡(luò)的CBR 檢索具有較大的優(yōu)勢。

圖3 基于BP網(wǎng)絡(luò)的CBR檢索改進(jìn)

4 算法實(shí)現(xiàn)與驗(yàn)證

4.1 算法實(shí)現(xiàn)

假設(shè)BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，在輸入層有n 個(gè)神經(jīng)元，隱含層有p 個(gè)神經(jīng)元，輸出層有q 個(gè)神經(jīng)元，則其算法實(shí)現(xiàn)包括以下幾步。

1）定義變量

設(shè)定輸入向量為x=( x1，x2，…，xn)，隱含層輸入向量為hi=( hi1，hi2，…，hip)，隱含層輸出向量為ho=( ho1，ho2，…，hop)，輸 出 層 輸 入 向 量 為yi=( yi1，yi2，…，yiq)，輸 出 層 輸 出 向 量 為yo=( yo1，yo2，…，yoq)，期 望 輸 出 向 量 為d0=( d1，d2，…，dq)，輸入層與中間層的連接權(quán)值為wih，隱含層與輸出層的連接權(quán)值為who，隱含層各神經(jīng)元的閥值為bh，輸出層各神經(jīng)元的閥值為bo。采集的樣本k=1，2，…，m，激活取出來函數(shù)為f(·) ，誤差函數(shù)為

2）BP神經(jīng)網(wǎng)絡(luò)初始化

對每個(gè)連接權(quán)值賦值一個(gè)區(qū)間在(-1，1) 之間的隨機(jī)數(shù)，設(shè)誤差函數(shù)為e ，給定計(jì)算精度值為ε和最大學(xué)習(xí)次數(shù)為M 。

3）隨機(jī)選取第k 個(gè)輸入樣本及對應(yīng)期望輸出

4）計(jì)算隱含層各神經(jīng)元的輸入和輸出

其中，h=1，2，…，p，o=1，2，…，q。

5）利用網(wǎng)絡(luò)期望輸出和實(shí)際輸出，計(jì)算誤差函數(shù)對輸出層的各神經(jīng)元的偏導(dǎo)數(shù)：

根據(jù)式（5）～（7），得到偏導(dǎo)數(shù)δo( k )。

6）利用隱含層到輸出層的連接權(quán)值、輸出層的δo( k )和隱含層的輸出計(jì)算誤差函數(shù)對隱含層各神經(jīng)元的偏導(dǎo)數(shù)δh( k )：

7）利用輸出層各神經(jīng)元的60（k）和隱含層各神經(jīng)元的輸出來修正連接權(quán)值who( k)

8）利用隱含層各神經(jīng)元的δh( k )和輸入層各神經(jīng)元的輸入修正連接權(quán)：

9）計(jì)算全局誤差：

10）判斷BP 網(wǎng)絡(luò)誤差是否滿足要求。當(dāng)網(wǎng)絡(luò)輸出的誤差達(dá)到預(yù)設(shè)精度或達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)后，則結(jié)束神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練。否則，選取下一個(gè)學(xué)習(xí)樣本及對應(yīng)的期望輸出，返回到第三步，進(jìn)入下一輪學(xué)習(xí)訓(xùn)練。

4.2 算法驗(yàn)證

本文利用Matlab模擬生成樣本數(shù)據(jù)，選擇設(shè)備無故障、設(shè)備電源故障、設(shè)備光板故障、設(shè)備控制板故障四種狀態(tài)類型，分別用1、2、3、4 表示，各生成40個(gè)樣本數(shù)據(jù)。

表1 樣本數(shù)據(jù)

其樣本數(shù)據(jù)的散點(diǎn)分布如圖4所示。

圖4 樣本數(shù)據(jù)的散點(diǎn)圖

從樣本數(shù)據(jù)中隨機(jī)抽取100 個(gè)組成案例庫，然后再在其中隨機(jī)抽取50 個(gè)案例作為訓(xùn)練樣本，其余的用作測試。經(jīng)訓(xùn)練其測試結(jié)果如表2所示。

對樣本訓(xùn)練和測試分類試驗(yàn)的結(jié)果表明，基于BP 神經(jīng)網(wǎng)絡(luò)的CBR 檢索其樣本訓(xùn)練的查全率達(dá)84.3%，樣本測試的查全率達(dá)85.5%；樣本訓(xùn)練的查準(zhǔn)率達(dá)83.5%，樣本測試的查準(zhǔn)率達(dá)85.0%?？梢姡陔娏νㄐ努F(xiàn)場運(yùn)維過程中，當(dāng)運(yùn)維人員遇到通信設(shè)備新的故障類型時(shí)，本算法能夠較準(zhǔn)確地實(shí)現(xiàn)對新類型的匹配識別，具備很強(qiáng)的自學(xué)能力，特別適合對戶外通信現(xiàn)場的移動運(yùn)維使用。

表2 BP網(wǎng)絡(luò)測試結(jié)果

5 結(jié)語

本文針對電力通信現(xiàn)場運(yùn)維的管理需要出發(fā)，在對基于案例推理（CBR）技術(shù)研究的基礎(chǔ)上，提出了利用BP 神經(jīng)網(wǎng)絡(luò)改進(jìn)CBR 檢索效率的優(yōu)化方法。并利用仿真環(huán)境對改進(jìn)后的CBR 檢索算法進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明改進(jìn)后的CBR 檢索算法在查全率和查準(zhǔn)率方面均有較大的優(yōu)勢，具有很強(qiáng)的實(shí)用性。但由于該算法是在仿真環(huán)境下的測試與驗(yàn)證，其參數(shù)的取值均需根據(jù)通信運(yùn)維現(xiàn)場的實(shí)際情況在大量實(shí)驗(yàn)總結(jié)的基礎(chǔ)上才能確定最優(yōu)值，后續(xù)研究工作中應(yīng)著力開展這方面的研究工作，確保實(shí)驗(yàn)結(jié)果更加有效和完善。