一種基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)業(yè)務(wù)分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種電網(wǎng)數(shù)據(jù)處理與分類領(lǐng)域的方法，具體講涉及一種基于神經(jīng)網(wǎng)絡(luò) 的電網(wǎng)業(yè)務(wù)分類方法。
【背景技術(shù)】
[0002] 近年來(lái)，隨著全球能源問(wèn)題日益嚴(yán)峻，世界各國(guó)都開(kāi)展了智能電網(wǎng)的研究工作。智 能電網(wǎng)的最終目標(biāo)是建設(shè)成為覆蓋電力系統(tǒng)整個(gè)生產(chǎn)過(guò)程，包括發(fā)電、輸電、變電、配電、用 電及調(diào)度等多個(gè)環(huán)節(jié)的全景實(shí)時(shí)系統(tǒng)；而支撐智能電網(wǎng)安全、自愈、綠色、堅(jiān)強(qiáng)及可靠運(yùn)行 的基礎(chǔ)是電網(wǎng)全景實(shí)時(shí)數(shù)據(jù)采集、傳輸和存儲(chǔ)，W及累積的海量多源數(shù)據(jù)快速分析。因而 隨著智能電網(wǎng)建設(shè)的不斷深入和推進(jìn)，電網(wǎng)運(yùn)行和設(shè)備檢/監(jiān)測(cè)產(chǎn)生的數(shù)據(jù)量呈指數(shù)級(jí)增 長(zhǎng)，逐漸構(gòu)成了當(dāng)今信息學(xué)界所關(guān)注的大數(shù)據(jù)?；谏鲜鲭娋W(wǎng)中承載業(yè)務(wù)種類日益增多，數(shù) 據(jù)趨于復(fù)雜多變的現(xiàn)況，為更好地對(duì)業(yè)務(wù)進(jìn)行管控，優(yōu)化網(wǎng)絡(luò)資源配置，為不同的業(yè)務(wù)定制 個(gè)性化需求，必須對(duì)業(yè)務(wù)進(jìn)行分類處理。
[0003] 神經(jīng)網(wǎng)絡(luò)是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù) 學(xué)模型。該網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá) 到處理信息的目的，具有很強(qiáng)的非線性信息處理能力，可用來(lái)對(duì)數(shù)據(jù)進(jìn)行分類。
[0004] 現(xiàn)有技術(shù)中，一般將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，通過(guò)訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)確定網(wǎng) 絡(luò)權(quán)值，再將測(cè)試集輸入神經(jīng)網(wǎng)絡(luò)之中，即可得到輸出結(jié)果。但是，神經(jīng)網(wǎng)絡(luò)存在W下問(wèn) 題：易陷于局部最優(yōu)，如何選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)目前仍然沒(méi)有定論，其使用效果完全取決 于使用者個(gè)人經(jīng)驗(yàn)。針對(duì)上述問(wèn)題，1990年，Hansen等人提出的神經(jīng)網(wǎng)絡(luò)集成方法為解決 上述問(wèn)題提供了一個(gè)簡(jiǎn)單可行的措施：可W簡(jiǎn)單地通過(guò)訓(xùn)練多個(gè)神經(jīng)網(wǎng)絡(luò)并將結(jié)果進(jìn)行合 成，顯著提高神經(jīng)網(wǎng)絡(luò)系統(tǒng)的性能。
[0005] 而如何選擇個(gè)體神經(jīng)網(wǎng)絡(luò)是一個(gè)優(yōu)化問(wèn)題，如何有效解決個(gè)體神經(jīng)網(wǎng)絡(luò)的選擇難 題是現(xiàn)在需要克服的問(wèn)題。2009年，Yang與Deb提出一種新型生物啟發(fā)算法一CS算法，該 算法通過(guò)模擬某類布谷鳥(niǎo)寄生育維習(xí)性求向量最優(yōu)化問(wèn)題，引入Levy飛行刻畫(huà)布谷鳥(niǎo)的 覓食行為，使算法搜索向量空間能力增強(qiáng)，而且能夠避免陷入局部極值。但是，基本CS算法 后期收斂速度較慢而且搜索精度有限。
[0006] 因此，需要提供一種高效精確的電網(wǎng)業(yè)務(wù)分類方法。

【發(fā)明內(nèi)容】

[0007] 為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)業(yè)務(wù)分類方 法。
[0008] 實(shí)現(xiàn)上述目的所采用的解決方案為：
[0009] 一種基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)業(yè)務(wù)分類方法，其改進(jìn)之處在于；所述方法包括W下步 驟：
[0010] I、預(yù)處理數(shù)據(jù)集；
[0011] II、根據(jù)個(gè)體網(wǎng)絡(luò)訓(xùn)練集訓(xùn)練并生成n個(gè)體神經(jīng)網(wǎng)絡(luò)，5《n《12 ;
[0012] III、根據(jù)網(wǎng)絡(luò)選擇訓(xùn)練集確定所述個(gè)體神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)；
[0013] IV、根據(jù)所述權(quán)值系數(shù)判斷是否保留所述個(gè)體神經(jīng)網(wǎng)絡(luò)，生成神經(jīng)網(wǎng)絡(luò)組合模型； 根據(jù)測(cè)試樣本集測(cè)試所述神經(jīng)網(wǎng)絡(luò)組合模型，根據(jù)闊值調(diào)整所述神經(jīng)網(wǎng)絡(luò)組合模型；
[0014] V、輸出最優(yōu)神經(jīng)網(wǎng)絡(luò)組合模型和分類結(jié)果。
[0015] 進(jìn)一步的，所述步驟I中，獲取電網(wǎng)業(yè)務(wù)中的數(shù)據(jù)作為待處理數(shù)據(jù)，剔除所述待處 理數(shù)據(jù)中有誤數(shù)據(jù)，將剩余所述劃分為個(gè)體網(wǎng)絡(luò)訓(xùn)練集、網(wǎng)絡(luò)選擇訓(xùn)練集和測(cè)試樣本集；
[0016] 所述網(wǎng)絡(luò)選擇訓(xùn)練集和所述測(cè)試樣本集的數(shù)據(jù)個(gè)數(shù)相等，所述個(gè)體網(wǎng)絡(luò)訓(xùn)練集的 個(gè)數(shù)是所述網(wǎng)絡(luò)選擇訓(xùn)練集或所述測(cè)試樣本集個(gè)數(shù)的3至5倍。
[0017] 進(jìn)一步的，所述步驟III包括W下步驟：
[0018] S301、所述網(wǎng)絡(luò)選擇訓(xùn)練集輸入訓(xùn)練后的所述個(gè)體神經(jīng)網(wǎng)絡(luò)，計(jì)算并保存各個(gè)體 神經(jīng)網(wǎng)絡(luò)的適應(yīng)度函數(shù)值；
[0019] S302、運(yùn)用改進(jìn)的CS算法確定所述個(gè)體神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)。
[0020] 進(jìn)一步的，所述步驟S302包括W下步驟：
[0021] S3021、初始化所述CS算法的參數(shù)，包括發(fā)現(xiàn)概率P。、最大迭代次數(shù)itermax和生 成的行向量個(gè)數(shù)cnt ;
[0022] S3022、根據(jù)所述行向量個(gè)數(shù)cnt和所述個(gè)體神經(jīng)網(wǎng)絡(luò)確定行向量個(gè)數(shù)n隨機(jī)生成 cntXn的矩陣，確定所述行向量中大于元素闊值的元素所對(duì)應(yīng)個(gè)體神經(jīng)網(wǎng)絡(luò)的適應(yīng)度函數(shù) 值，根據(jù)所述適應(yīng)度函數(shù)值尋找最優(yōu)行向量；
[0023] S3023、根據(jù)所述行向量按下式生成行向量一：
[0024] xf二 X.f) +巧法 L(，V;V(又）+ A'C (!. =' 1,心'.，,巧)：
[00巧]式中，#表示在第t次迭代時(shí)的第i個(gè)行向量；a為動(dòng)態(tài)步長(zhǎng)調(diào)節(jié)因子，a = |s-best||，S為任意行向量xf，best為所述最優(yōu)行向量；Lev^A)為L(zhǎng)evy飛行隨機(jī)路 徑，Levy ( A )~U = t I (1 < A《3)，k為（0, 1)之間的隨機(jī)數(shù)，^服從柯西分布；
[0026] S3024、確定所述行向量一的適應(yīng)度函數(shù)值，若所述行向量一的適應(yīng)度函數(shù)值大于 原所述行向量的適應(yīng)度函數(shù)值，則所述行向量一替換原行向量及對(duì)應(yīng)的適應(yīng)度函數(shù)值，在 替換后的行向量中根據(jù)適應(yīng)度函數(shù)值確定最優(yōu)行向量；
[0027] S3025、隨機(jī)生成cnt Xn的矩陣二，所述矩陣二的元素與所述發(fā)現(xiàn)概率P。對(duì)比，保 留所述發(fā)現(xiàn)概率較小的分量，將其他分量加入隨機(jī)擾動(dòng)，按下式獲得行向量二；
[0028] S3026、判斷所述行向量二的適應(yīng)度函數(shù)值是否大于所述步驟S4024中最優(yōu)行向 量的適應(yīng)度函數(shù)值，若大于則用行向量二替換對(duì)應(yīng)的行向量，重新尋找最優(yōu)行向量并記錄 最優(yōu)適應(yīng)度函數(shù)值；
[0029] S3027、判斷迭代次數(shù)是否到達(dá)所述最大迭代次數(shù)，若未到達(dá)則回到步驟S3023,否 則停止搜索，確定最優(yōu)行向量為所述個(gè)體神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)。
[0030] 進(jìn)一步的，所述步驟IV包括W下步驟：
[0031] S401、比較所述權(quán)值系數(shù)和闊值，若所述權(quán)值系數(shù)大于所述闊值，則保留權(quán)值大于 闊值的個(gè)體神經(jīng)網(wǎng)絡(luò)，刪除其余神經(jīng)網(wǎng)絡(luò)不予考慮；
[0032] S402、根據(jù)保留的個(gè)體神經(jīng)網(wǎng)絡(luò)構(gòu)成神經(jīng)網(wǎng)絡(luò)組合模型；
[0033] S403、將所述測(cè)試樣本集輸入所述神經(jīng)網(wǎng)絡(luò)組合模型中，根據(jù)相對(duì)多數(shù)投票原則 確定分類結(jié)果，計(jì)算分類準(zhǔn)確率；
[0034] S404、若所述分類準(zhǔn)確率低于預(yù)期目標(biāo)，按下式調(diào)整所述闊值th (i):
[0035] th (i+1) = th (i) + 5
[0036] 式中，5為修正量，th(i)為原闊值，所述闊值的初始大小為所述個(gè)體神經(jīng)網(wǎng)絡(luò)個(gè) 數(shù)的倒數(shù)；
[0037] S405、返回步驟 S401。
[0038] 與現(xiàn)有技術(shù)相比，本發(fā)明具有W下有益效果：
[0039] 1、本發(fā)明提供的方法中，基于一種改進(jìn)的CS算法對(duì)個(gè)體神經(jīng)網(wǎng)絡(luò)進(jìn)行選擇，并結(jié) 合神經(jīng)網(wǎng)絡(luò)特點(diǎn)，生成神經(jīng)網(wǎng)絡(luò)組合模型，提高了選擇的效率和準(zhǔn)確度，從而在處理電網(wǎng)業(yè) 務(wù)數(shù)據(jù)和識(shí)別業(yè)務(wù)類型的時(shí)候更精確、高效。
[0040] 2、本發(fā)明提供的方法實(shí)現(xiàn)高精度的電網(wǎng)業(yè)務(wù)類型識(shí)別，作為業(yè)務(wù)分配通信資源基 礎(chǔ)和前提的電網(wǎng)業(yè)務(wù)識(shí)別，其高精度、高準(zhǔn)確性、高效率性可保證通信資源的精細(xì)化調(diào)配， 也保證滿足電網(wǎng)業(yè)務(wù)個(gè)性化服務(wù)質(zhì)量的要求。
[0041] 3、本發(fā)明提供的方法實(shí)現(xiàn)高精度的電網(wǎng)業(yè)務(wù)類型識(shí)別，從而可更準(zhǔn)確的發(fā)現(xiàn)電網(wǎng) 中的惡意流量、錯(cuò)誤信息等，進(jìn)一步的保證了電網(wǎng)信息的準(zhǔn)確度，保障電網(wǎng)的安全性。
【附圖說(shuō)明】
[0042] 圖1為本實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)業(yè)務(wù)分類方法的流程圖；
[0043] 圖2為本實(shí)施例中改進(jìn)的CS算法流程圖；
[0044] 圖3為本實(shí)施例中動(dòng)態(tài)闊值調(diào)整流程；
[0045] 圖4為本實(shí)施例中神經(jīng)網(wǎng)絡(luò)模型分類流程圖。
【具體實(shí)施方式】
[0046] 下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】做進(jìn)一步的詳細(xì)說(shuō)明。
[0047] 本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)業(yè)務(wù)分類方法，該方法利用改進(jìn)CS算法對(duì)個(gè) 體神經(jīng)網(wǎng)絡(luò)進(jìn)行選擇，結(jié)合神經(jīng)網(wǎng)絡(luò)特點(diǎn)，生成神經(jīng)網(wǎng)絡(luò)組合模型，對(duì)電網(wǎng)采集數(shù)據(jù)進(jìn)行處 理，識(shí)別業(yè)務(wù)類型。
[004引如圖1所示，圖1為本實(shí)施例中基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)業(yè)務(wù)分類方法的流程圖，該方 法包括W下步驟：
[0049] 步驟一、預(yù)處理數(shù)據(jù)集；
[0050] 步驟二、根據(jù)個(gè)體網(wǎng)絡(luò)訓(xùn)練集訓(xùn)練并生成指定數(shù)量的個(gè)體神經(jīng)網(wǎng)絡(luò)；
[0051] 步驟H、根據(jù)網(wǎng)絡(luò)選擇訓(xùn)練集確定所述個(gè)體神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)；
[0052] 步驟四、根據(jù)所述權(quán)值系數(shù)判斷是否保留所述個(gè)體神經(jīng)網(wǎng)絡(luò)，生成神經(jīng)網(wǎng)絡(luò)組合 模型；根據(jù)測(cè)試樣本集測(cè)試所述神經(jīng)網(wǎng)絡(luò)組合模型，根據(jù)闊值調(diào)整所述神經(jīng)網(wǎng)絡(luò)組合模 型；
[0053] 步驟六、輸出最優(yōu)神經(jīng)網(wǎng)絡(luò)組合模型和分類結(jié)果。
[0054] 步驟一、預(yù)處理數(shù)據(jù)集。
[00巧]針對(duì)電網(wǎng)中不同業(yè)務(wù)的不同數(shù)據(jù)，進(jìn)行電網(wǎng)業(yè)務(wù)分類。
[0056] 步驟一中，獲取電網(wǎng)業(yè)務(wù)中的各種數(shù)據(jù)作為待處理數(shù)據(jù)，剔除所述待處理數(shù)據(jù)中 有誤數(shù)據(jù)，有誤數(shù)據(jù)包括不切實(shí)際的數(shù)據(jù)、明顯有誤的數(shù)據(jù)或者維度信息不完整的數(shù)據(jù)。
[0057] 將剩余所述劃分為個(gè)體網(wǎng)絡(luò)訓(xùn)練集、網(wǎng)絡(luò)選擇訓(xùn)練集和測(cè)試樣本集。
[0058] 個(gè)體網(wǎng)絡(luò)訓(xùn)練集用于對(duì)個(gè)體神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，生成達(dá)到指定精度的個(gè)體神經(jīng)網(wǎng) 絡(luò)。
[0059] 網(wǎng)絡(luò)選擇訓(xùn)練集用于選擇最優(yōu)的若干個(gè)個(gè)體神經(jīng)網(wǎng)絡(luò)W組成神經(jīng)網(wǎng)絡(luò)組合模型。
[0060] 測(cè)試樣本集用于對(duì)上述生成的組合模型進(jìn)行驗(yàn)證。
[0061] 所述網(wǎng)絡(luò)選擇訓(xùn)練集和所述測(cè)試樣本集的數(shù)據(jù)個(gè)數(shù)相等，所述個(gè)體網(wǎng)絡(luò)訓(xùn)練集的 個(gè)數(shù)是所述網(wǎng)絡(luò)選擇訓(xùn)練集或所述測(cè)試樣本集個(gè)數(shù)的3至5倍。
[0062] 本實(shí)施例中，個(gè)體網(wǎng)絡(luò)訓(xùn)練集、網(wǎng)絡(luò)選擇訓(xùn)練集和測(cè)試樣本集的數(shù)據(jù)個(gè)數(shù)的比值 為 14:3:3。
[0063] 步驟二、根據(jù)個(gè)體網(wǎng)絡(luò)訓(xùn)練集訓(xùn)練并生成若干個(gè)體神經(jīng)網(wǎng)絡(luò)；
[0064] 個(gè)體神經(jīng)網(wǎng)絡(luò)個(gè)數(shù)n，n的取值范圍為5~12個(gè)。
[0065] 步驟H、根據(jù)網(wǎng)絡(luò)選擇訓(xùn)練集確定所述個(gè)體神經(jīng)網(wǎng)絡(luò)的權(quán)值系數(shù)；
[0066] 方法為將網(wǎng)絡(luò)選擇訓(xùn)練集輸入訓(xùn)練后的個(gè)體神經(jīng)網(wǎng)絡(luò)，對(duì)應(yīng)獲得各訓(xùn)練后的個(gè)體 神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，運(yùn)用改進(jìn)的CS算法確定個(gè)體神經(jīng)網(wǎng)絡(luò)的優(yōu)化權(quán)值系數(shù)；將獲得的優(yōu) 化權(quán)值系數(shù)與闊值比較，保留權(quán)值系數(shù)大于闊值的個(gè)體神經(jīng)網(wǎng)絡(luò)，其余神經(jīng)網(wǎng)絡(luò)不予考慮。
[0067] 本實(shí)施例中，提供一種改進(jìn)的CS算法，如圖2所示，圖2為本實(shí)施例中改進(jìn)的CS 算法流程圖；改進(jìn)的CS算法如下：
[0068] ①、初始化CS算法的參數(shù)，所述參數(shù)包括：發(fā)現(xiàn)概率P。、最大迭代次數(shù)itermax W 及生成行向量的個(gè)數(shù)cnto
[0069] ②、根據(jù)行向量個(gè)數(shù)cnt隨機(jī)初始化構(gòu)成一 cntXn矩陣；
[0070] 矩陣元素取值范圍在化1)之間，計(jì)算對(duì)應(yīng)第i個(gè)行向量的適應(yīng)度函數(shù)值 化ness (i)，根據(jù)已知適應(yīng)度函數(shù)值尋找最優(yōu)行向量best ;
[0071] 適應(yīng)度函數(shù)值化ness (i)的計(jì)算方法為：
[0072] ⑨、針對(duì)每一個(gè)行向量，按下式（1)在考慮柯西擾動(dòng)的基礎(chǔ)重新生成一個(gè)新的行 向量，