本发明涉及电力通信网领域，涉及一种基于复杂网络的电力通信网智能预警方法。
背景技术：
1、电力通信网是指为电力系统的运行、控制、管理和保护提供信息传输和处理的通信网络，它是电力系统的重要组成部分，也是电力系统的神经系统和信息系统。电力通信网的运行安全和稳定，直接影响到电力系统的可靠性和安全性，因此，对电力通信网进行有效的监测和预警，是保障电力系统正常运行的重要措施。
2、传统的电力通信网预警方法，一般是基于专家经验或者单一参数的阈值设定，来对电力通信网的运行状态进行监测和预警，缺乏对电力通信网的整体性和动态性的考虑，忽略了电力通信网的复杂网络特征，如大规模、异构性、动态性、非线性性、自组织性等，导致预警的效果不准确和不及时。
技术实现思路
1、基于复杂网络的电力通信网智能预警方法的提出可以弥补以上问题的不足，并为电力通信网的安全运行提供更准确、实时、全面的评估和预警能力。
2、为了研究支撑电力通信网智能预警，本发明公开了基于复杂网络的电力通信网智能预警方法，方案具体如下：
3、a.建立电力通信网的复杂网络模型，根据电力通信网的实际拓扑结构，将电力通信网中的节点和链路抽象为复杂网络中的节点和边；
4、b.采集电力通信网的运行数据并对数据进行清洗和降维，用以节省通信资源，提升计算效率同时以便后续在元学习算法中使用；
5、c.定义元学习参数，利用元学习的方法对电力通信网构建智能预警模型；
6、d.采用准确率、召回率、平衡f分数值对智能预警模型结果进行效果评估；
7、e.根据评估结果，分析算法的优势和不足，对智能预警模型进行优化，以提高电力通信网智能预警的效果；
8、其中，步骤a具体包括：
9、a1.根据电力通信网的实际拓扑结构，将电力通信网中的节点和链路抽象为复杂网络中的节点和边，n为节点的数量，m为链路的数量；
10、a2.通过通信网的抽象结果，使用n×m的邻接矩阵a为电力通信网的复杂网络模型，i和j表示不同的节点，aij表示节点i和节点j之间是否存在链路，如果存在则为1，否则为0；
11、其中，步骤b具体包括：
12、b1.采集电力通信网中的节点状态ns、链路状态ls、流量r、延时td、丢包l数据，并进行数据清洗和数据降维；
13、b2.对于一个包含n个数据点的数据集d＝x1,x2,...,xn，xi为节点i对应的数据点，具体以流量r、延时td、丢包l数据带入进行以下运算：如果某个数据点xi与数据集的均值的差异超过了数据集的标准差的三倍，则可以认为xi是一个异常值并将其删除；
14、b3.对于一个包含n个数据点的数据集d＝x1,x2,...,xn，每个数据点xi是一个m维的向量，具体以节点状态ns、链路状态ls带入进行以下运算：对于数据xi＝(xi1,xi2,...,xim)，采用主成分分析，将数据转换为yi＝(yi1,yi2,...,yik)，其中k＜m，计算公式为yi＝xiw，使数据的维度降低为k，同时保留数据的主要信息和变化，w为降维矩阵，w的确定方式为：计算xi的协方差矩阵σ为协方差矩阵，im为数据xi中的数据量，(xi)t为矩阵xi的转置，之后对协方差矩阵σ进行特征值分解σw＝wλ，其中λ是对角矩阵，其对角元素是协方差矩阵的特征值，w是特征向量矩阵，其列向量是协方差矩阵的特征向量；
15、其中，步骤c具体包括：
16、c1.利用采集并已经完成清洗和降维的数据定义节点状态ns、链路状态ls、流量r、延时td、丢包l数据作为元训练集参数，每个运行数据作为一个任务；
17、c2.首先对元训练集进行智能预警模型构建，元训练集包含t个任务，表示为每个任务包含支持集和查询集其中xti和xtj是输入数据，yti和ytj是输出数据，nt和mt是支持集和查询集的大小，智能预警模型的参数为θ，损失函数为l，学习率为α和β，分别为0.01和0.0001；
18、c3.使用梯度下降的方法对元训练集进行训练，对于每个任务利用支持集计算模型的损失并根据梯度下降法，更新模型的参数，得到模型其中表示对θ求梯度；
19、c4.利用所有任务的查询集计算任务特定的模型θt′的损失并根据梯度下降法，更新模型的参数，直到模型的参数收敛，得到一个通用智能预警模型；
20、其中，步骤d具体包括：
21、d1.确定电力通信网智能预警的评估指标，根据电力通信网智能预警的任务和目标的类型，选择准确率、召回率和平衡f分数值为评估指标；
22、d2.准确率是指预警结果与真实结果一致的比例，它反映了预警的正确性，对于一个包含m个数据点的准确率查询集其中是节点j对应的输入数据，是节点j对应的真实的输出数据，m*是对应的总数据数目，模型的预测输出数据为则准确率为其中i是指示函数，如果条件成立则为1，否则为0；
23、d3.召回率是指预警结果中正确的比例，它反映了预警的完整性，对于一个包含m个数据点的召回率查询集其中是节点j对应的输入数据，是节点j对应的真实的输出数据，m*是对应的总数据数目，模型的预测输出数据为则召回率为其中∧表示逻辑与，表示数据点属于正类，即存在故障或风险；
24、d4.平衡f分数值是指准确率和召回率的调和平均值，它反映了预警的综合性，对于一个包含m个数据点的平衡f分数值查询集其中xj*是节点j对应的输入数据，是节点j对应的真实的输出数据，m*是对应的总数据数目，模型的预测输出数据为则平衡f分数值为
25、其中，步骤e具体包括：
26、e1.实施电力通信网智能预警的优化过程，根据步骤c中定义的元学习参数和元训练方法和步骤d中的数据分析结果，实施电力通信网智能预警的优化过程；
27、e2.元学习模型的初始模型结构为y＝f(w2f(w1x+b1)+b2)，其中x是输入数据，y是输出数据，w1和w2是权重矩阵，b1和b2是偏置向量，f是激活函数，将步骤d中获得的准确率、召回率和平衡f分数值带入x中作为输入数据，分析输出数据y，根据不同的输出数据进行优化，具体优化方式如下：
28、如果准确率输出数据低，说明模型在整体上没有很好地拟合数据，表现为多数样本分类错误，需要改进整体模型结构，增加一个隐藏层，使得模型变为
29、y＝f(w3f(w2f(w1x+b1)+b2)+b3)
30、其中是新的权重矩阵，ninput代表新输入的维度，代表w3的分布属性，b3是新的偏置向量，初始值设定为b3＝0；
31、如果召回率输出数据低，说明模型漏掉了很多正样本，表现为对正样本的识别能力不足，需要增加对正样本的关注，需使用过采样方法，平衡正负样本数目，调整损失函数中的权重项，增加正样本的权重
32、
33、其中l是加权损失函数，用以代替原元学习模型中的权重矩阵，n是样本总数，wi是第i个样本的权重，ki是第i个样本的真实值，是第i个样本的预测值；
34、如果平衡f分数值输出数据低，说明模型在精确率和召回率之间存在不平衡，需综合考虑两者的优化，可以通过结合上述方法，平衡精确率和召回率，提升模型的综合性能；
35、在调整模型结构后，重新训练模型，并在验证集上计算准确率、召回率和平衡f分数值，直到模型收敛，收敛标准是评估指标在连续若干次迭代中变化很小，使用|yt+1-yt|＜∈进行评估，其中yt+1和yt代表两次相邻的输出值，输出值为准确率、召回率和平衡f分数值，∈为收敛阈值，初始值设定为10-5。
36、与现有技术相比，上述技术方案具有以下优点：
37、本发明利用了复杂网络和元学习的技术，对电力通信网的结构和功能进行全面和深入的建模和分析，充分利用现有电力通信网的复杂网络特征，建立具有大规模、异构性、动态性、非线性性、自组织性的元学习模型，从而实现对电力通信网的运行状态的监测和预测，以及对电力通信网的故障和风险的识别和预警，及时识别潜在风险并自动处理问题，减少停机时间，保障通信网的安全和可靠运行。
1.基于复杂网络的电力通信网智能预警方法，其包括以下步骤：
