基于因子分析法与神经网络的电力宽带风险评估模型.docxVIP

基于因子分析法与神经网络的电力宽带风险评估模型 0 电力通信网风险评估模型 电力网络是能源系统的重要基础设施。它是高效能源规划自动化、网络运营市场化、管理现代化的基础。这是确保电网安全、稳定和运营的重要手段。因此,对电力通信网进行安全风险评估,对于防止破坏事件的发生,保障电网的安全运行,提高电力通信部门的通信网管理水平具有重要意义。 电力通信网安全风险评估是研究系统和网络中每一种资源缺失或遭到破坏对整个系统和网络造成的预计损失,是对威胁、脆弱点以及由此带来的风险大小的评估。常用的评估方法有:层次分析法、模糊综合评判法、主成分分析和神经网络等方法,但是由于电力通信网的复杂性和某些风险因素的不确定性,使得目前的评估方法都很难做出准确的评估。 目前,电力通信网风险评估中存在的问题主要是指标体系不科学,指标数量繁多,没有很好地反映评价各对象之间的相关性,另外就是风险评估过程的主观性较大。 评估网络的安全性时,要考虑许多指标,因此用少量的几个综合指标变量代替原来的许多指标变量是有实际意义的。 基于以上分析,文章通过对电力通信网评估指标的因子分析,能够以较少的几个指标变量反映原始数据的大部分信息,增加评价的科学性和降低评估成本,在径向基(RBF)神经网络的预测模型基础上,利用历史误差对未来的预测误差进行误差预测,应用该预测误差修正预测结果,建立了电力通信网风险评估模型。算例仿真结果表明了该模型的有效性。 1 网络风险评估中的因子分析法的应用 1.1 初步建立的化产品种类 在对电力通信网安全状况调查和分析的基础上,结合系统安全工程和指标体系建立原则,确定影响通信网安全的光纤网络传输、光纤周围环境和设备类3个主指标,每个主指标又包括数量不等的子指标,初步建立的指标体系见表1所列。 表1给出了电力系统通信网的指标体系和每个指标的取值范围。指标值的取得根据如下:C1,C2,C3,C4由光纤的物理性质得到;C5,C16,C17由光纤安全运行标准得到;C7,C8,C9,C10由天气预报得到;C6,C12,C13,C14,C15由光纤的实际运行报告得到;C7,C8,C11由专家评判和统计数据相结合给出的5级标准得到,其中5级标准划分为:0,0.25,0.5,0.75,1.0。 1.2 因子分析概述 在电力通信网风险评估中,往往希望尽可能多地收集反映电力通信网风险的多个变量,以期能对问题有比较全面、完整地把握与认识。 多变量的大样本虽然能为电力通信网风险评估提供大量的信息,但在一定程度上增加了数据采集的工作量,更重要的是在大多数情况下,许多变量之间可能存在相关性,这意味着表面上看来彼此不同的变量并不能从各个侧面反映通信网的不同属性,而恰恰是通信网同一种属性的不同表现。因子分析(Factor Analysis)就是通过从众多相关的指标中找出少数几个综合性指标来反映原来指标所包含的主要信息,从而简化变量中存在的复杂关系的一种方法。 因子分析出发点是用较少的相互独立的因子变量代替原来数据的大部分信息,其数学模型为 因子分析把每个原始变量分解成2部分:一部分由所有变量共同具有的少数几个因子构成,即所谓公共因素部分;另一部分是每个变量独自具有的因素,即所谓独特因子部分。式(1)中:xi是原变量;ζ1,ζ2,Λζm为公共因子,它们是在各个变量中共同出现的因子;εi为第i个独特因子,指原有变量中不能被因子标量所解释的部分。 1.3 因子分析的计算 根据表1给出的风险评估指标体系,结合某省电力通信网的实际运行情况,以2007年1月~2008年12月的数据为样本(其中:每个样本有17个指标)进行因子分析。经分析,指标样本的巴特利球度检验统计量为164.459,相应的概率为0.000,因此,可认为相关系数矩阵与单位阵有显著差异;同时,KMO(Kaiser-Meyer-Olkin)值为0.7830.5,根据Kaiser给出的KMO度量标准可知,原有变量可以使用因子分析法进行分析。在对原始数据进行归一化处理的基础上,计算旋转后因子载荷矩阵L=(lij)p×m,其元素lij为xi在因子ζj上的载荷、特征值、贡献率、累计贡献率,所得结果见表2所列。 由于前10个指标的累计贡献率已达94.852%,所以,提取出的10个主因子基本上包含了原来17个指标变量的大量信息,因此可以选择10个主因子对其进行简化。 经过以上分析可知,对电力通信网风险评估指标体系进行因子分析,在理论上与实际上都是切实可行的。最后根据统计理论和回归算法计算出因子得分函数系数。本例因子分析得分函数系数结果为 式中ζ1~ζ10为所提取的因子向量;x1~x20为原有的指标变量。 通过计算各个因子得分函数系数可以得到原有指标变量和新提取的因子变量之间的关系。可以看出:对指标变量的因子分析能够降低评价指标之间的相关性,并删