基于神经网络算法的电力信息系统综合评价实现与应用展望

王苏北，施 绮，王 楠

(1．上海电力设计院有限公司，上海 200025；2.国家电网公司华东分部，上海 200120)

随着信息技术的飞速发展，各种信息系统在电力企业生产和管理中的应用越来越广泛，信息系统新建、升级、扩建等越来越频繁，如何科学的评价电力信息系统的应用、运行状态及系统优劣性，对于决策是否需对系统改造或新建有着十分重要的意义[1-3]。

电力信息系统具有专业性强、内部独立、规划系统、重安全可靠、维护扩展需求大、更新变化快等特点。电力信息系统的建设不仅要同时兼顾到电力系统的专业性特点，更要关注到日新月异的信息化技术发展影响，综合二者特点，本文提出了一套适用于电力信息系统综合评价的指标体系及评价方法，以便对系统的建设、运维、扩建等全过程提供合理可靠的评价支撑，为电力信息系统的人工智能评价方式提供参考。

1 电力信息系统综合评价指标体系

电力信息系统是信息化技术在电力行业的应用，是专门为电网生产管理服务的较为独立的内部信息化系统。系统不但具备信息化系统一般特点，如软件质量、系统可靠性、安全性、可维护性、可移植性、界面友好性等常规评价指标，还应考虑电力系统的特有属性，如符合国网政策、系统规划目标及实施要求、电力网络安全、与电力相关系统匹配、电力调度操作效率、社会环境经济影响等因素[4-7]。

本文选取调度管理类信息系统进行综合评价指标体系建设，调度管理类信息系统主要用于电力企业调控中心，如能量管理系统、模型数据中心、PMS等，这些系统均为电力调度管理服务，在综合评价指标体系中各指标所占权重相近，可统一进行考量评价效果。综合考虑信息化与电力专业融合等特点，从技术水平、性能因素、价值因素、操作因素和创新因素5个方面对其制定分层结构的综合评价指标体系(二级指标，共28个指标)，如表1所示。定性指标量化如表2所示。

表1 调度类信息系统评价指标体系

表2 定性指标量化

2 基于BP人工神经网络的电力信息系统综合评价实现

人工神经网络(Back Propagation简称BP)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(见图1)。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络由大量处理单元通过广泛互联构成，具有生物神经系统的基本特征，具有大规模并行、分布式处理、自组织、自学习等特点，适用于模式识别等各种领域场景。

本文基于BP神经网络实现对电力信息系统的综合评价。BP网络通常由输入层、输出层和若干隐含层构成：每一层由若干个节点组成，每一个节点表示一个神经原元；上层节点与下层节点之间通过权连接，层与层之间的节点采用全互联的连接方式，每层内节点之间没有联系。

图1 BP人工神经网络示意图

利用Matlab自带神经网络工具箱建立神经网络，主要用到三个函数：newff、train和sim。相应BP神经网络训练参数设定为：

net.trainParam.epochs=1 000;

net.trainParam.lr=0.01;

net.trainParam.goal=0.000 01;

同时，为保证训练网络的稳定性和重复可用性，设置初始阈值和权重。

net.iw{1,1}=xlsread('CSYZ');

netb{1}=[1];

net.lw{2,1}=xlsread('CSQZ');

net.b{2}=[1];

表3 各评价指标在系统中相应的专家评价值

表4 网络预测与专家评价结果对比

网络训练过程中，BP神经网络中的阈值和权重将根据每次训练的结果和目标值误差逆传播等多层前反馈进行自动调整，最后当输出结果达到预期目标值时，网络中产生的阈值和权重将作为训练成功的经验值进行固化。此时该人工神经网络将具备对此类系统进行科学模拟专家评价的特性，在下一次对相似系统进行综合评价时，可直接调用此人工神经网络完成评价，无需重复训练网络。

本文样本选取华东区域电力企业现有电力调度管理类信息系统10套，并通过专家经验法根据调度类信息系统评价指标体系(表1)进行综合评价。通过专家及系统一线运维人员对本次选取的10套系统进行分项指标打分，并结合专家经验得出各个系统综合评价结果，如表3和表4所示。

本次人工神经网络训练过程中，表3中C11～C52共28个分项指标作为输入值(xi)，专家综合评价值作为预期目标值(y)，而BP网络预测值作为输出值(y1)。经过“系统1”至“系统10”反复迭代训练，当BP预测值与输出目标值之间的误差(y1-y)在设定允许的范围内(≤0.05，根据表2定性指标量化，评价值误差在0.1以内，定性评价结果相同)，即可认定BP人工神经网络训练成功，保存训练好的网络，以便在后续评价类似系统时直接调用网络。对选取样本进行BP神经网络预测误差图见图2。由表3及图2可见，经过数次迭代，BP预测值与输出目标值非常接近(y1-y≤0.05)，BP神经网络仿真评价结果与专家对管理信息系统的评价结果一致(见表5)，误差在允许范围之内(≤0.05)。

表5 模型数据中心系统评价指标及评价结果

图2 对选取样本进行BP神经网络预测误差

3 案例应用

本文选取华东区域某调控中心数据中心扩建项目进行信息系统综合评价应用，该系统与第二章中选取的系统样本特性相近，可直接调用第二章中已训练好的网络进行综合评价。该项目根据国分一体化调度管理模型数据中心建设总体要求，在现有调控中心数据中心(I期)基础上进行改造完善。通过调控中心数据中心(I期)的现状调查分析，运用表1指标体系，由该系统的专业调度运维人员对改造前系统进行分项指标打分，再将各分项指标数据输入第二章中已训练BP神经网络，得出改造前系统综合性能指标为0.51，处于一般和较好水平之间。

项目实施后该信息系统投运超过1年，再由调度运维人员重新评价打分，并直接调用经过训练的BP神经网络进行综合评价，得出改造后系统综合性能指标0.67，处于较好和很好水平之间。通过分析得出，本项目主要是根据国网统一部署安排，针对I期系统运行中存在的问题进行完善改造，主要完善了系统目标规划实现度 C11、系统接口适配度C14、资源利用率C16、可共享性C27、政策适应性C31、用户满意度C32、管理科学性C34、界面友好性C44、新技术优势C51以及新运维模式C52等分项指标，在专家评价法中，各项指标对应比重与已训BP神经网络算法模型中的权重基本一致。从综合评价指标得分看，整体指标提升了(0.67～0.51)/0.51≈32%；从各分项指标来看，C11、C14、C16、C27、C31、C32、C34、C44、C51以及C52分别提高29%、60%、100%、167%、300%、200%、300%、100%、167%、300%。可见，经过系统升级完善后，通过引入新技术和新的运维理念，大大提升了系统政策适应性、管理科学性、用户满意度和资源利用率，进一步提升了了系统在电力行业的整体应用效果。

在项目实施前，通过分项指标和综合评价指标模拟分析，可以科学合理的找出系统弱势指标，再对相应弱势指标(指对系统整体性能提升具有较大作用的分项弱势指标)进行定向性能提升，可有效完善系统整体指标，通过有目的、有计划的投资建设达到最优效果，实现较高的投资效益性价比。

4 结语及展望

随着电网智能化发展水平的不断提高，信息系统在电网整个构架中的应用越来越广泛。通过BP神经网络可以精确快速地实现对电力信息系统的合理性评价，其评价结果将在电力信息系统类项目前期规划、建设实施及后期运维等各个环节发生重要作用。项目前期规划中，可以通过对待建或扩建信息系统进行综合评价，预判系统建设的必要性及分别提升各项指标的效益性，指导项目规划方向；在项目投运后，可以通过二次综合评价，与项目建设前评价结果进行比较，判断项目建设的成效及各个指标提升的效益性，同时对后续信息系统建设规划给出指导性建议。

基于BP神经网络的电力信息系统综合评价模型可应用于和参与训练的样本系统相同或相近系统的评价分析。对于新类型系统，需要重新建立神经网络模型、选取样本训练，固化内部阈值和权重，才可应用于新型系统。该方法可在无专家参与的情况下模拟专家给出评价，为同类型项目决策提供指导性建议。