本发明属于电网络安全性测试技术领域，尤其涉及一种电力系统输电网络安全性测试系统。
背景技术：
目前，业内常用的现有技术是这样的：
电力系统是由发电厂、送变电线路、供配电所和用电等环节组成的电能生产与消费系统。它的功能是将自然界的一次能源通过发电动力装置转化成电能，再经输电、变电和配电将电能供应到各用户。为实现这一功能，电力系统在各个环节和不同层次还具有相应的信息与控制系统，对电能的生产过程进行测量、调节、控制、保护、通信和调度，以保证用户获得安全、优质的电能。然而，现有电网安全测试时，由于测试工作人员专业水平不一，测试容易出现不专业，导致操作事故；同时现有对电力负荷预测误差大，不利于对电网安全测试的准确性。
所谓“电力系统输电网络安全”，是指在调度问题中，被调度对象一般为由 N个工件(Job)组成的集合，称之为实例(Instance)。用I表示实例，Jj表示其中的第j个工件。每个工件Jj都有各自的到达时间(Release time)Rj和加工时间 Pj(Processing time)。在调度方案S中，开工时间为Sj(Start time)，完工时间为 Cj(Completion time)，而电力系统输电网络安全即∑Cj(Total completion time)。所谓“电力系统输电网络安全预测”，是指用科学的数学模型预测出任务或项目的电力系统输电网络安全。
在工程应用中，广泛存在着电力系统输电网络安全预测的需求。例如在制造企业中，存在着各种不同类型的产品、种类繁多的加工方式和生产能力各不相同的设备，生产调度能更合理地协调各种活动，从而提高生产率同时降低生产成本。制定科学的调度方案(包括预测出合理的电力系统输电网络安全)，可以有效地控制车间的在制品库存，提高产品交货期满足率和缩短产品制造周期，同时向车间层人员提供工作指导，有助于上层管理者评价车间层的工作状况。因此，电力系统输电网络安全预测的研究对提高企业生产效率、增强企业竞争力有着很强的实际意义。
随着经济全球化的深入和科学技术的发展，制造企业面临的外部环境越来越复杂多变，如市场变化迅速、竞争加剧、客户多样化等等。生产调度问题作为制造系统的一个核心问题，优良的调度结果可以帮助企业缩短生产周期、提高生产效率、增强竞争力，而最小化完工时间的生产调度问题获得了更多的关注。因此，需要对生产调度问题中的电力系统输电网络安全进行预测，来优化企业的生产流程，提高企业的生产效率。
对制造企业来讲，影响电力系统输电网络安全预测的因素不仅仅局限于某个车间，而是涉及到产品设计、制造、运维等各个环节，这些环节所涉及的数据即属于工业大数据的范畴，包含传感器数据、控制器数据及设备系统的网络化数据等。因此，电力系统输电网络安全预测需要与工业大数据的挖掘分析有机融合，即需要通过工业大数据的分析获取影响产品电力系统输电网络安全的各项历史数据和影响因素，进而利用这些影响因素及相关的其它历史数据完成产品电力系统输电网络安全的预测。
对于工程应用领域及制造企业中的电力系统输电网络安全预测方法已有了很多研究，但到目前为止，尚无一种在工业大数据驱动下对影响因素进行分析挖掘，并将动态特性融入预测模型的电力系统输电网络安全预测方法。
综上所述，现有技术存在的问题是：
现有电网安全测试时，由于测试工作人员专业水平不一，测试容易出现不专业，导致操作事故；同时现有对电力负荷预测误差大，不利于对电网安全测试的准确性。
现有技术对电力系统输电网络安全不能进行准确预测，不能优化输电网络的安全性预测，提高生产效率，不能够适应企业因季节变化引起的各种变化。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种电力系统输电网络安全性测试系统。
本发明是这样实现的，一种电力系统输电网络安全性测试系统包括：
测试指令输入模块、初始参数配置模块、中央控制模块、无线通信模块、专家建议模块、报警模块、显示模块、电力负荷预测模块；
测试指令输入模块，与中央控制模块连接，用于输入测试指令操作；
初始参数配置模块，与中央控制模块连接，用于配置测试环境的初始参数；
中央控制模块，与测试指令输入模块、初始参数配置模块、无线通信模块、专家建议模块、报警模块、显示模块、电力负荷预测模块连接，用于调度各个模块正常工作；
无线通信模块，与中央控制模块连接，用于通过无线发射器进行远程测试控制操作；
专家建议模块，与中央控制模块连接，用于通过专家网对测试操作进行建议；
报警模块，与中央控制模块连接，用于通过报警器对测试故障进行报警；
显示模块，与中央控制模块连接，用于显示测试信息数据；
电力负荷预测模块，与中央控制模块连接，用于对电力负荷进行预测。
进一步，所述电力负荷预测模块包括：数据采集模块、学习模块、预测模块；
数据采集模块，用于块按时间顺序采集电力负荷的历史数据；
学习模块，用于将预处理序列拟合得出一个正弦函数，根据正弦函数得出基础序列；
预测模块，用于根据预测正弦函数模型得出预测序列，并对预测序列进行反归一化处理，得出预测数据序列。
进一步，所述电力负荷预测模块预测方法如下：
步骤一，数据采集模块按时间顺序采集电力负荷的历史数据，得出负荷时间序列Y，对负荷时间序列Y进行归一化处理，得出预处理序列O；
步骤二，学习模块将预处理序列O拟合得出一个正弦函数S(t)，根据正弦函数S(t)得出基础序列L1，
步骤三，学习模块将预处理序列O和基础序列L1相减得出基础残差序列e；
步骤四，学习模块求出基础残差序列e的均方根误差，将该均方根误差与预设的阀值对比；
若小于预设阀值，则正弦函数S(t)为预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F；
若大于预设阀值，则继续执行以下步骤(e)至(g)；
步骤五，学习模块对基础残差序列e进行拟合，得出残差正弦函数Q(t)，根据残差正弦函数Q
步骤六，得出残差序列M；
步骤七，学习模块求出残差序列M的均方根误差，将该均方根误差与预设的阀值对比；
若小于预设阀值，则将正弦函数S(t)和残差正弦函数Q(t)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F；
若大于预设阀值，则进入重复学习步骤：
根据残差序列Mi(i＝1，2，3，…，n)，拟合得出预测残差正弦函数Pi(t)(i＝ 1，2，3，…，n)，根据Pi(t)得出预测残差序列Ni，利用公式M+1＝Mi-Ni，求出下一个残差序列Mi+1，根据Mi+1拟合得出Pi+1(t)，根据Pi+1(t)得出预测残差序列 Ni+1；
每次运算得出的预测残差序列Ni后，计算该预测残差序列Ni均方根误差，将该均方根误差与预设的阀值对比，若小于预设阀值，则停止重复学习步骤，若大于预设阀值，则继续重复学习步骤；
步骤八，停止重复学习步骤后，将正弦函数S(t)和与残差正弦函数Q(t) 和所有预测残差正弦函数Pi(t)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测序列F。
预测模块的反归一化处理包括：
S1、基于Hadoop构建包含关系型数据库数据、传感器数据和控制器数据的大数据分析单元，转到步骤S2；
S2、在MapReduce框架下运用Apriori关联规则挖掘算法，在大数据分析单元中进行分析和挖掘，得到电力系统输电网络安全影响因素，转到步骤S3；
S3、结合电力系统输电网络安全影响因素和电力系统输电网络安全历史数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，转到步骤S4；
S4、对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，转到步骤S5；
S5、运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算电力系统输电网络安全预测值，转到步骤S6；
S6、判断电力系统输电网络安全预测值与电力系统输电网络安全期望值的误差是否满足设定的条件，若是，转到步骤S7；否则重新执行到步骤S5；
S7、输出电力系统输电网络安全预测值和预测序列F，结束。
进一步，步骤S1具体包括以下步骤：
将关系型数据库数据、传感器数据和控制器数据通过Sqoop上传至分布式文件系统HDFS，并存储至NoSQL数据库中；利用MapReduce计算框架对关系型数据库数据、传感器数据和控制器数据进行挖掘分析，将分析好的数据写入 NoSQL数据库，并通过Web展示。
进一步，步骤S2中在MapReduce框架下运用Apriori关联规则挖掘算法具体包括以下步骤：
S201、使用MapReduce计算模型得到频繁1项集的集合L1，产生候选k项集的集合Ck；
S202、在Map函数处理阶段，每个Map任务计算其所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数，对于每个Map任务来说，如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中，则Map函数产生并输出<某个项集，1>键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；
S203、在Reduce函数处理阶段，Reduce函数累加Ck中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入步骤S202；否则，结束运行。
进一步，步骤S3中所述产生神经网络模型BP初始权值的方法为以下4种方法中任意一种：
方法一：随机地在区间[-1，1]之间选择初始权值；
方法二：随机地在零附近的一个区间[-0.01，0.01]之间选择初始权值；
方法三：神经网络模型BP中存在两级网络：输入层与隐含层与之间的网络、隐含层与输出层之间的网络，两级网络的初始权值采用不同的选择方式：输入层至隐含层连接权值初始化为随机数，隐含层到输出层的连接权值初始化为-1 或1；
方法四：将权值初始化为[a，b]之间的随机数，其中a，b为满足以下方程的整数：
其中H为网络隐含层节点数；
步骤S4具体包括以下步骤：
S401、调整神经网络模型BP隐含层与输出层之间的权值wkj；
调整wkj的目的是希望输出节点j的新输出o*pj比当前输出opj更接近目标值 tpj，定义：
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
其中wkj和w*kj分别为更新前后的权值，ypk为隐含层输出，Δwkj为wkj的改变量；
根据公式(3)得到Δwkj的求解方程：
其中，
根据最小平方和误差原则求解方程(4)，得到Δwkj的近似解：
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化Δ wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；
S402、调整神经网络模型BP输入层与隐含层之间的权值vik
调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率ΔE＝0，且 E＞0；
不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：
其中δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，则隐含层输出ypk求解公式为：
其中Δypk为ypk的改变量，则有：
根据最小平方和误差原则求解公式(6)构建的矩阵方程，可以算出：
综合公式(6)和(10)，计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式(12)中M取10～20之间的自然数，根据公式(11)和(12)获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP；
步骤S5中运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：
首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。
本发明的优点及积极效果为：
本发明提供专家建议模块可以给工作人员提供更加专业的指导建议，保障电网安全测试的专业性，降低人为导致的事故发生几率；同时，本发明通过电力负荷预测模块分析电力负荷的这一周期性变化趋势的特点，采用正弦函数模型作为预测数据的基础模型，与现有技术相比，具有贴合电力负荷数据实际变化的优点，为了克服采用正弦函数作为基础模型误差相对较大的缺点，本发明还采用重复学习的方法，提高预测的准确性。
本发明首先构建大数据分析单元，然后运用关联规则算法挖掘出总完工时间影响因素，并构建神经网络模型BP，对神经网络模型BP的权值和阈值进行动态改进，从而获得动态神经网络模型DBP，再运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP获得预测模型AIGA-DBP，最后运用预测模型 AIGA-DBP计算出电力系统输电网络安全预测值，根据电力系统输电网络安全预测值能够优化生产流程，提高生产效率。
本发明中的动态神经网络模型DBP能够适应季节引起的各种变化。
(3)本发明中运用了大数据分析技术，使得电力系统输电网络安全影响因素的挖掘更为高效和准确，电力系统输电网络安全影响因素考虑更加全面，有效提高预测的准确性。
附图说明
图1是本发明实施例提供的电力系统输电网络安全性测试系统结构框图。
图中：1、测试指令输入模块；2、初始参数配置模块；3、中央控制模块； 4、无线通信模块；5、专家建议模块；6、报警模块；7、显示模块；8、电力负荷预测模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的电力系统输电网络安全性测试系统包括：测试指令输入模块1、初始参数配置模块2、中央控制模块3、无线通信模块4、专家建议模块5、报警模块6、显示模块7、电力负荷预测模块8。
测试指令输入模块1，与中央控制模块3连接，用于输入测试指令操作；
初始参数配置模块2，与中央控制模块3连接，用于配置测试环境的初始参数；
中央控制模块3，与测试指令输入模块1、初始参数配置模块2、无线通信模块4、专家建议模块5、报警模块6、显示模块7、电力负荷预测模块8连接，用于调度各个模块正常工作；
无线通信模块4，与中央控制模块3连接，用于通过无线发射器进行远程测试控制操作；
专家建议模块5，与中央控制模块3连接，用于通过专家网对测试操作进行建议；
报警模块6，与中央控制模块3连接，用于通过报警器对测试故障进行报警；
显示模块7，与中央控制模块3连接，用于显示测试信息数据；
电力负荷预测模块8，与中央控制模块3连接，用于对电力负荷进行预测。
本发明提供的电力负荷预测模块5包括：数据采集模块、学习模块、预测模块；
数据采集模块，用于块按时间顺序采集电力负荷的历史数据；
学习模块，用于将预处理序列拟合得出一个正弦函数，根据正弦函数得出基础序列；
预测模块，用于根据预测正弦函数模型得出预测序列，并对预测序列进行反归一化处理，得出预测数据序列。
本发明提供的电力负荷预测模块8预测方法如下：
步骤一，数据采集模块按时间顺序采集电力负荷的历史数据，得出负荷时间序列Y，对负荷时间序列Y进行归一化处理，得出预处理序列O；
步骤二，学习模块将预处理序列O拟合得出一个正弦函数S(t)，根据正弦函数S(t)得出基础序列L1，
步骤三，学习模块将预处理序列O和基础序列L1相减得出基础残差序列e；
步骤四，学习模块求出基础残差序列e的均方根误差，将该均方根误差与预设的阀值对比；
若小于预设阀值，则正弦函数S(t)为预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F；
若大于预设阀值，则继续执行以下步骤(e)至(g)；
步骤五，学习模块对基础残差序列e进行拟合，得出残差正弦函数Q(t)，根据残差正弦函数Q
步骤六，得出残差序列M；
步骤七，学习模块求出残差序列M的均方根误差，将该均方根误差与预设的阀值对比；
若小于预设阀值，则将正弦函数S(t)和残差正弦函数Q(t)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F；
若大于预设阀值，则进入重复学习步骤：
根据残差序列Mi(i＝1，2，3，…，n)，拟合得出预测残差正弦函数Pi(t)(i＝ 1，2，3，…，n)，根据Pi(t)得出预测残差序列Ni，利用公式M+1＝Mi-Ni，求出下一个残差序列Mi+1，根据Mi+1拟合得出Pi+1(t)，根据Pi+1(t)得出预测残差序列 Ni+1；
每次运算得出的预测残差序列Ni后，计算该预测残差序列Ni均方根误差，将该均方根误差与预设的阀值对比，若小于预设阀值，则停止重复学习步骤，若大于预设阀值，则继续重复学习步骤；
步骤八，停止重复学习步骤后，将正弦函数S(t)和与残差正弦函数Q(t) 和所有预测残差正弦函数Pi(t)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测序列F。
本发明测试时，工作人员通过测试指令输入模块1输入测试指令操作；接着，通过初始参数配置模块2配置测试环境的初始参数；中央控制模块3将测试反馈信息通过无线通信模块4发送给工作人员，工作人员通过专家建议模块5 获取测试建议；通过电力负荷预测模块8对电力负荷进行预测；如果测试异常，通过报警模块6对测试故障进行报警；最后，通过显示模块7显示测试信息数据。
下面结合具体分析对本发明作进一步描述。
预测模块的反归一化处理包括：
S1、基于Hadoop构建包含关系型数据库数据、传感器数据和控制器数据的大数据分析单元，转到步骤S2；
S2、在MapReduce框架下运用Apriori关联规则挖掘算法，在大数据分析单元中进行分析和挖掘，得到电力系统输电网络安全影响因素，转到步骤S3；
S3、结合电力系统输电网络安全影响因素和电力系统输电网络安全历史数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，转到步骤S4；
S4、对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，转到步骤S5；
S5、运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算电力系统输电网络安全预测值，转到步骤S6；
S6、判断电力系统输电网络安全预测值与电力系统输电网络安全期望值的误差是否满足设定的条件，若是，转到步骤S7；否则重新执行到步骤S5；
S7、输出电力系统输电网络安全预测值和预测序列F，结束。
步骤S1具体包括以下步骤：
将关系型数据库数据、传感器数据和控制器数据通过Sqoop上传至分布式文件系统HDFS，并存储至NoSQL数据库中；利用MapReduce计算框架对关系型数据库数据、传感器数据和控制器数据进行挖掘分析，将分析好的数据写入 NoSQL数据库，并通过Web展示。
步骤S2中在MapReduce框架下运用Apriori关联规则挖掘算法具体包括以下步骤：
S201、使用MapReduce计算模型得到频繁1项集的集合L1，产生候选k项集的集合Ck；
S202、在Map函数处理阶段，每个Map任务计算其所处理的事务数据集中每个事务记录中包含在Ck中的项目集的出现次数，对于每个Map任务来说，如果候选k项集的某个项集(包含k个项目)出现在一个事务记录中，则Map函数产生并输出<某个项集，1>键值对给Combiner函数，由Combiner函数处理后交给Reduce函数；
S203、在Reduce函数处理阶段，Reduce函数累加Ck中的项目集的出现次数，得到所有项目集的支持频度，所有支持频度≥设定的最小支持频度的项目集组成频繁项集Lk的集合，如果k＜最大的迭代次数且不为空，则执行k++，转入步骤S202；否则，结束运行。
步骤S3中所述产生神经网络模型BP初始权值的方法为以下4种方法中任意一种：
方法一：随机地在区间[-1，1]之间选择初始权值；
方法二：随机地在零附近的一个区间[-0.01，0.01]之间选择初始权值；
方法三：神经网络模型BP中存在两级网络：输入层与隐含层与之间的网络、隐含层与输出层之间的网络，两级网络的初始权值采用不同的选择方式：输入层至隐含层连接权值初始化为随机数，隐含层到输出层的连接权值初始化为-1 或1；
方法四：将权值初始化为[a，b]之间的随机数，其中a，b为满足以下方程的整数：
其中H为网络隐含层节点数；
步骤S4具体包括以下步骤：
S401、调整神经网络模型BP隐含层与输出层之间的权值wkj；
调整wkj的目的是希望输出节点j的新输出o*pj比当前输出opj更接近目标值 tpj，定义：
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
其中wkj和w*kj分别为更新前后的权值，ypk为隐含层输出，Δwkj为wkj的改变量；
根据公式(3)得到Δwkj的求解方程：
其中，
根据最小平方和误差原则求解方程(4)，得到Δwkj的近似解：
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化Δ wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；
S402、调整神经网络模型BP输入层与隐含层之间的权值vik；
调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率ΔE＝0，且 E＞0；
不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：
其中δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，则隐含层输出ypk求解公式为：
其中Δypk为ypk的改变量，则有：
根据最小平方和误差原则求解公式(6)构建的矩阵方程，可以算出：
综合公式(6)和(10)，计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式(12)中M取10～20之间的自然数，根据公式(11)和(12)获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP；
步骤S5中运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：
首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。