CN103095494B - 一种电力通信网风险评估方法 - Google Patents

Abstract

本发明公开了电力通信技术领域中的一种电力通信网风险评估方法。本发明首先采集电力通信网风险评估参数；然后通过风险评估参数构建指标数据库和样本数据库；最后根据所述样本数据库中的样本数据训练神经网络，调用训练后的神经网络计算所述指标数据库中的指标数据对应的电力通信网的风险值。本发明通过神经网络算法对指标数据进行训练，避免了人为给定指标权重时引入的主观因素；通过网络结构学习和网络参数学习避免了奇异数据的干扰，减少了隐含层节点的冗余数量，降低了神经网络学习时间，提升了网络学习速度；在出现新的风险因素时自动调整相应指标权重，具有良好的自适应性和很高的准确性。

Description

一种电力通信网风险评估方法

技术领域

本发明涉及电力通信技术领域，特别涉及一种电力通信网风险评估方法。

背景技术

电力通信网关系到每家每户，其安全保障至关重要。随着电力通信网规模不断增加，拓扑结构日趋复杂，网络运行的不确定性也随之增加。对电力通信网存在的风险进行科学评估，将评估结果作为选择电力通信网安全防范措施的依据，通过改进管理措施，能够有效地降低风险或避免风险，提高系统的安全性，对于保障电力通信网稳定运行具有重要的现实意义。本专利提出了一种电力通信网风险评估方法。

风险评估主要是通过风险评估方法将各类指标综合反映到定量的值，以此来衡量风险的程度，按评估方法依赖的指标数据类型可分为两大类：基于专家经验的评估法和基于统计数据的评估法。（1）基于专家经验的风险评估法，包括层次分析法，模糊评价法等，其核心是将该领域专家的经验判断予以量化，从而为决策者提供定量形式的决策依据；（2）基于统计数据的风险评估法，包括基于神经网络的评估法、基于支持向量机的评估法等，以客观数据为依据，能够很好的反映实际情况。但是，目前网络风险评估主要集中在信息安全领域，缺乏针对电力通信网运行状态的风险评估方法。

为了解现有评估方法的状况，对已有的专利及文献进行了检索、比较和分析，筛选出如下与本发明相关的文献信息：

用于评价安全风险的机制（专利号03801954.X），是微软公司提出的一项发明专利，所描述的是一种用于集体评价与装入应用程序有关的安全风险的机制，与装入应用程序有关的主机环境调用信任管理器来评价安全风险，主要应用于评价计算机安装应用程序潜在的风险，没有对电力通信网运行环境中的潜在风险进行评估。

网络安全风险检测系统及方法（专利号200410022160.2），该发明公开了一种网络安全风险检测系统及方法，通过模拟人体免疫系统中免疫细胞的功能，对大规模网络活动进行实时监控，并且根据免疫细胞的抗体浓度对主机面临某种攻击的风险、主机面临的整体风险、整个网络面临某种攻击的风险以及整个网络面临的整体风险进行评估。但该发明属于信息安全领域，针对网络攻击导致的风险，没有考虑电力通信网络设备运行状态及环境中的风险因素。

基于PCA-RBF神经网络的光纤保护通道风险评估（华北电力大学学报，2007,34[5]：90-94）：将主成分分析法PCA与RBF神经网络结合，用PCA对指标数进行了约简，去掉了多个指标，大幅减少了RBF输入向量的维数，提高了方法的效率，但是，使得指标体系的全面性有所下降，评估结果的精度也会受到影响。

在评估方法方面，上述已有风险评估方法也存在一些问题，其中，基于专家经验的风险评估法，需要人为给定每个指标的权值，因而无法避免人为主观因素干扰，评估结果可信度是它的瓶颈，由专家主观赋权值使得评估结果具有主观随意性，这种缺点无法因为采取诸如增加专家数量、仔细挑选专家等措施而得到根本的改善；而基于统计数据的风险评估法虽然基于指标统计数据，保证了评估结果的客观性，但因侧重点不同，使得这种方法在突出客观性优点的同时无法避免奇异数据干扰评价结果的缺点，有时评估结果会与实际情况相违背；专利1和专利2主要针对的是计算机软件和网络攻击方面的风险，均没有考虑电力通信网络设备故障、网络运行环境中的风险因素；文献3中提出的方法虽然大幅减少了RBF输入向量的维数，提高了方法的效率，但是指标体系的全面性有所下降。此外，电力通信网中的风险因素是不断变化的，当风险因素出现变化时，上述方法需要对算法结构进行较大调整来适应这些变化。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何提供一种电力通信网风险评估方法，能够客观地对电力通信网进行评价，避免奇异数据干扰，进而指导对电力通信网的控制。

（二）技术方案

为解决上述技术问题，本发明提供了一种电力通信网风险评估方法，其特征是，该方法包括以下步骤：

S1：采集电力通信网风险评估参数；

S2：通过所述风险评估参数构建指标数据库和样本数据库；

S3：根据所述样本数据库中的样本数据训练神经网络，调用训练后的神经网络计算所述指标数据库中的指标数据对应的电力通信网的风险值。

所述步骤S3具体为：

查看所述指标数据库中的指标数据是否发生变化，若所述指标数据发生变化，则通过所述样本数据库中的样本数据对神经网络进行训练，直到神经网络的输出值满足设定精度要求为止，调用训练后的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值；否则，调用所述指标数据变化前已训练完成的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值。

所述对变化了的指标对应的样本数据进行训练具体为：

S31：提取指标数据对应的样本数据；

S32：将所述样本数据通过指定方法进行训练，若训练结果满足设定的精度要求，则退出；否则进入步骤S33；

S33：通过网络结构学习和网络参数学习对所述指定方法进行改进，返回步骤S32。

将所述样本数据输入指定方法进行训练具体为：

S321：将所述样本数据输入所述指定方法的输入层；

S322：将所述样本数据之间的差异映射为隐含层节点的适应度差异；

S323：在归一化层对所述适应度差异进行归一化处理；

S324：对所述归一化处理的结果进行加权求和，将所述加权求和的结果作为所述样本数据的训练结果。

所述网络结构学习具体为：对指定方法的隐含层的节点进行增加、合并或删除。

所述网络参数学习具体为：对指定方法的隐含层的节点的中心、隐含层的节点的宽度，以及归一化层与输出层之间的连接权值进行调整。

所述指定方法为自适应模糊径向基函数神经网络法。

（三）有益效果

利用本发明提供的风险评估流程与风险评估方法评估通信网的风险，具有以下优点：

1.通过神经网络算法对指标数据进行训练，可以避免人为给定指标权重时引入的主观因素；

2.通过神经网络算法对指标数据进行训练，可以通过对给定样本模式的学习，获取评价专家的经验、知识、主观判断及目标重要性的倾向；

3.引入自适应学习机制，通过网络结构学习和网络参数学习避免了奇异数据的干扰，减少了隐含层节点的冗余数量，降低了神经网络学习时间，提升了网络学习速度；

4.在电力通信网风险评估中引入神经网络算法，可以在出现新的风险因素时自动调整相应指标权重，具有良好的自适应性和很高的准确性。

附图说明

图1是本发明的流程图；

图2是自适应型FRBF网络结构；

图3是通信网风险评估流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明提出了一种自适应型电力通信网风险评估方法。图1是本发明的流程图。图2所示为自适应型FRBF（FuzzyRadialBasisFunction）神经网络的网络结构，包括输入层、隐含层、归一化层和输出层4层。

其中，输入层中的每个节点代表一个输入变量xi，这里的xi是指标数据，x=(x₁,x₂,…,x_n)^T∈Rⁿ为直接传递给下一层的输入向量，输入层变量经过隐含层、归一化层的处理后最终会得到一个输出的风险评估值。

下面对本方法做详细阐述：

自适应型电力通信网风险评估流程如图3所示，在本方法中，需要设置训练样本库和指标数据库，并从中读取相应数据，其中，训练样本库中存储的是用于训练神经网络的训练样本，包括：指标数据和风险值数据（源于历史数据）；指标数据库中存储的是风险指标体系中各类指标（源于历史数据）。当指标库中的指标数据发生变化时，相应的训练样本库中也应当有相应的变化，这两个数据库的变化由运维人员来维护。

本发明的具体步骤为：

S1：采集电力通信网风险评估参数；

S2：通过所述风险评估参数构建指标数据库和样本数据库；

S3：根据所述样本数据库中的样本数据训练神经网络，调用训练后的神经网络计算所述指标数据库中的指标数据对应的电力通信网的风险值。查看所述指标数据库中的指标数据是否发生变化，若所述指标数据发生变化，则通过所述样本数据库中的样本数据对神经网络进行训练，直到神经网络的输出值满足设定精度要求为止，调用训练后的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值；否则，调用所述指标数据变化前已训练完成的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值。

S31：提取指标数据对应的样本数据；

S32：将所述样本数据通过自适应模糊径向基函数神经网络进行训练，若训练结果满足设定的精度要求，则退出；否则进入步骤S33；

S321：将所述样本数据输入所述指定方法的输入层；

S322：将所述样本数据之间的差异映射为隐含层节点的适应度差异；

S323：在归一化层对所述适应度差异进行归一化处理；

S324：对所述归一化处理的结果进行加权求和，将所述加权求和的结果作为所述样本数据的训练结果。

S33：通过网络结构学习和网络参数学习对所述自适应模糊径向基函数神经网络进行改进，返回步骤S32。网络结构学习具体为：对自适应模糊径向基函数神经网络的隐含层的节点进行增加、合并或删除。网络参数学习具体为：对自适应模糊径向基函数神经网络的隐含层的节点的中心、隐含层的节点的宽度，以及归一化层与输出层之间的连接权值进行调整。

本发明的一个实施例使用该流程评估电力通信网风险值的步骤如下：

步骤1.开始分析，检索指标数据库中指标列表，进入步骤2；

步骤2.判断指标是否发生变更，若已变更则进入步骤3，否则，进入步骤10；

步骤3.从训练样本库中提取对应指标数据的样本数据，将样本数据作为自适应型FRBF输入层的输入数据，进入步骤4；

步骤4.分别计算每个指标数据与隐含层节点之间的适应度，将指标数据之间的差异映射为隐含层节点的适应度差异，映射公式见（1），进入步骤5；

${\mathrm{\Φ}}_j\left(x_t\right)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}{G}_{\mathrm{ij}}\left(x_i\left(t\right)\right)=e^{-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(x_i\left(t\right)-{\mathrm{\μ}}_{\mathrm{ij}}\left(t\right))}^2}{{2\mathrm{\σ}}_{\mathrm{ij}}^2}},$ j∈[1,h]（1）

其中：

Φ_j(x_t)为第j个隐含层节点在t时刻的适应度；

x_t为输入向量；

G_ij(x_i)为第j个隐含层节点的第i个模糊高斯隶属度函数；

n为输入向量维数，即指标个数；

x_i(t)为x_t的第i个分量；

μ_ij(t)和σ_ij为隶属度函数中心和宽度；

h为隐含层点数。

步骤5.对隐含层节点的输出进行归一化处理，处理方法见式（2），以缩小适应度值之间的差异，进入步骤6；

${\mathrm{\Ψ}}_j\left(x_t\right)=2\×\frac{{\mathrm{\Φ}}_j\left(x_t\right)-{\mathrm{\Φ}}_{j\_\min }\left(x_t\right)}{{\mathrm{\Φ}}_{j\_\max }\left(x_t\right)-{\mathrm{\Φ}}_{j\_\min }\left(x_t\right)}$

$=\frac{e^{-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(x_i\left(t\right)-{\mathrm{\μ}}_{\mathrm{ij}}\left(t\right))}^2}{{2\mathrm{\σ}}_{\mathrm{ij}}^2\left(t\right)}}-e^{-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(x_i\left(t\right)-{\mathrm{\μ}}_{\mathrm{ij}\_\min }\left(t\right))}^2}{{{2\mathrm{\σ}}_{\mathrm{ij}\_\min }}^2\left(t\right)}}}{e^{-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(x_i\left(t\right)-{\mathrm{\μ}}_{\mathrm{ij}\_\max }\left(t\right))}^2}{{{2\mathrm{\σ}}_{\mathrm{ij}\_\max }}^2\left(t\right)}}-e^{-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{{(x_i\left(t\right)-{\mathrm{\μ}}_{\mathrm{ij}\_\min }\left(t\right))}^2}{{{2\mathrm{\σ}}_{\mathrm{ij}\_\min }}^2\left(t\right)}}}---\left(2\right)$

其中：

Ψ_j(x_t)表示第j个规则节点在t时刻的归一化适应度；

Φ_{j_max}(x_t)为第j个规则节点在t时刻适应度的最大值；

Φ_{j_mi}n(xt)为第j个规则节点在t时刻适应度的最小值。

步骤6.对归一化层节点输出值进行加权求和，将该加权和作为训练结果，加权求和方法见式（3），进入步骤7；

$R\left(x_t\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j\left(t\right)\·{\mathrm{\Ψ}}_j\left(x_t\right)---\left(3\right)$

其中，R(x_t)表示训练结果输出值，即风险值，w_j(t)≠0为归一化层第j个归一化层节点到网络输出的重要程度的权重，其更新公式见式（5）和（7）。

步骤7.计算训练结果与训练样本中风险值的差值，判断训练结果是否满足数据精度要求，若满足精度要求则训练结束，进入步骤9；若不满足精度要求，则进入步骤8；

步骤8.开始自适应型FRBF的网络结构学习和网络参数学习，网络结构学习方法和网络参数学习方法见下文描述，相应公式为（4）至（13），然后重新进入步骤4；

步骤9.从指标数据库读取实际的指标数据，作为训练后的神经网络的输入数据，计算风险值，程序结束。

步骤10.从指标数据库读取实际的指标数据，进入步骤11；

步骤11.调用已训练完成的神经网络计算风险值，即用公式（4）计算风险值，输出风险值，结束。

$R\left(x_t\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_j\·{\mathrm{\Ψ}}_j\left(x_t\right)---\left(4\right)$

其中，w_j为训练完成的归一化层第j个归一化层节点到网络输出j的重要程度的权重。

网络结构学习方法

自适应型FRBF能够根据隐含层节点对指标数据的适应能力以及隐含层节点间的相互关系，对隐含层节点进行增加、合并或删除。

节点创建：当评估结果与风险值的差值大于误差限时，在距离指标数据最近的规则节点附近增加一个新的规则节点，增加节点的

条件由式（4）表示。

E(t)=|R(x_t)-R|>E_min（4）

式中，E(t)为神经网络输出R与样本输出R(x_t)的误差，E_min为误差门限，新增隐含层节点的参数由式(5)得到。

$\left\{\begin{array}{c}{\mathrm{\μ}}^{\′}=x_t\\ {\mathrm{\σ}}^{\′}=\mathrm{\α}\×\underset{i}{\max }(x_{t\_i}-{\mathrm{\μ}}_{\mathrm{nr}\_i})\end{array}\right.---\left(5\right)$

式中，μ'和σ'为新增节点的中心和宽度，x_t=(x_{t_1,}x_{t_2},…x_{t_n})，μ_nr=(μ_{nr_1},μ_{nr_2},…μ_{nr_n})分别为输入向量和距离x_t最近的规则节点。表示当前指标数据输入与其最近的规则节点之间的切比雪夫距离；α表示重叠系数，为了使相邻规则节点的基函数之间保持适当的重叠。

节点合并：当两个规则节点k和l的相关距离d_kl大于相似度阀值时，将两个规则节点合并为一个节点k。

d_kl=1-ρ_kl>Δd_min（6）

${\mathrm{\ρ}}_{\mathrm{kl}}=\frac{\mathrm{Cov}({\mathrm{\μ}}_k,{\mathrm{\μ}}_l)}{\sqrt{D\left({\mathrm{\μ}}_k\right)}\·\sqrt{D\left({\mathrm{\μ}}_l\right)}}---\left(7\right)$

式中：

μ_k为节点k的中心；

μ_l为节点l的中心；

ρ_kl为μ_k，μ_l的相关系数；

Cov(μ_k,μ_l)为μ_k，μ_l的协方差；

D(μ_k)为μ_k的方差；

D(μ_l)为μ_l的方差；

Δd_min为设定的相似度阀值。

合并后节点的归一化层节点与输出层节点间的连接权值为：

w_k=β×w_k+(1-β)w_l（8）

式中，w_k为归一化层节点k与输出层节点l间的连接权值，w_l为归一化层节点l与输出层节点l间的连接权值，β∈(0,1)。

节点撤销：当隐含层节点出现外移、衰减和萎缩现象时，进行节点删除，其条件为：

c_Inactive>C_max（9）

|w_j|<w_min（10）

σ_k<σ_min（11）

式中，c_Inactive为上次被激活到现在未被激活隐含层节点的次数累计值；C_max，w_min和σ_min分别为设定的冗余节点的阀值。

网络参数学习方法

自适应型FRBF能够根据误差指标来动态调整网络参数。可调的网络参数包括：隐含层节点的中心和宽度，以及归一化层与输出层之间的连接权值。在调整过程中，需要一个对调整结果进行评估，这里将评估值R(x_t)与真实值R差的平方和作为误差估计函数，见式（12），其前面的是为了在求导的时候约去系数。

$J\left(t\right)=\frac{1}{2}{[R\left(x_t\right)-R]}^2---\left(12\right)$

调整网络参数的目标是使J(t)最小，即使得评估值越接近真实值，见式（13）。

min(J(t))（13）

结合式（1）、式（2）和式（3），为了达到这个目标需要沿着J(t)梯度下降的方向调整μ_ij(t)、σ_ij(t)和w_j(t)，调整函数见式(14)、（15）、（16）。

${\mathrm{\&mu;}}_{\mathrm{ij}}(t+1)={\mathrm{\&mu;}}_{\mathrm{ij}}\left(t\right)-\mathrm{\&tau;}\&CenterDot;\frac{\&PartialD;}{{\&PartialD;u}_{\mathrm{ij}}}J\left(t\right)$

$={\mathrm{\&mu;}}_{\mathrm{ij}}\left(t\right)+\mathrm{\&tau;}\&CenterDot;w_j\&CenterDot;\frac{x_i\left(t\right)-{\mathrm{\&mu;}}_{\mathrm{ij}}\left(t\right)}{{{\mathrm{\&sigma;}}_{\mathrm{ij}}}^2\left(t\right)}\&CenterDot;{\mathrm{\&Psi;}}_j\left(x_t\right)\&CenterDot;[1-{\mathrm{\&Psi;}}_j\left(x_t\right)]\&CenterDot;[R_d\left(t\right)-R]$

${\mathrm{\&sigma;}}_{\mathrm{ij}}(t+1)={\mathrm{\&sigma;}}_{\mathrm{ij}}\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;}{{\&PartialD;\mathrm{\&sigma;}}_{\mathrm{ij}}}\&CenterDot;J\left(t\right)$

$={\mathrm{\&sigma;}}_{\mathrm{ij}}\left(t\right)+\mathrm{\&eta;}\&CenterDot;w_j\&CenterDot;\frac{x_i\left(t\right)-{\mathrm{\&mu;}}_{\mathrm{ij}}\left(t\right)}{{{\mathrm{\&sigma;}}_{\mathrm{ij}}}^3\left(t\right)}\&CenterDot;{\mathrm{\&Psi;}}_j\left(x_t\right)\&CenterDot;[1-{\mathrm{\&Psi;}}_j\left(x_t\right)]\&CenterDot;[R_d\left(t\right)-R]$

$w_j(t+1)=w_j\left(t\right)-\mathrm{\&gamma;}\frac{\&PartialD;}{{\&PartialD;w}_j}\&CenterDot;J\left(t\right)---\left(16\right)$

$=w_j\left(t\right)+\mathrm{\&gamma;}\&CenterDot;{\mathrm{\&Psi;}}_j\left(x_t\right)\&CenterDot;[R_d\left(t\right)-R]$

式中，τ和η分别为隐含层节点的中心和宽度的学习率，γ为网络权值的学习率。

下面结合对电力通信网的风险评估用例进行说明：

电力通信网涉及的风险类型具体可分为3类：设备类风险、环境类风险和管理类风险。

综合考虑上述风险因素及指标数据获取的难易程度，依据风险评估定义和建立评估体系的原则，本文提出一个与风险密切相关的因数来建立评估指标体系。表1所示为电力通信网风险评估指标体系。

表1电力通信网风险评估指标体系

其中，T1～T3与T6～T17依据电力通信网实际运行数据，T4～T5依据气象预报数据。

表1中各评估点的样本由以下数据构成，T1～T3与T6～T17为某省公司通信网2009年12个月的统计数据，T4～T5为气象预报数据；

此外，由于电力通信网使用的是工业级通信设备，往往具有很高的可用性，一般保持在99.95%以上，从可用性的统计数据上很难体现通信设备故障对通信网造成的影响。因此，本文用线缆和通信设备故障数的统计数据作为相应评估点的指标数据，这样能够突显故障对通信网造成的风险。其中，T1～T3与T10～T15为故障数，

T6～T9为环境因素造成的故障数，T16为缺陷数，T17为修复时间超过12小时的次数。

在对自适应型FRBF网络进行训练之前，需要对不同量纲的指标值进行归一化处理，归一化处理公式为：

$d_{\mathrm{ij}}=2\&times;\frac{x_{\mathrm{ij}}-x_{i\_\min }}{x_{i\_\max }-x_{i\_\min }}-1---\left(17\right)$

式中，为第i个指标的第j月统计数据的归一化处理结果，为统计数据原始值,和分别为12月统计数据中的最大值和最小值，归一化处理后统计数据见表2。

表2归一化数据

将指标数据分为两组：每组6个。用一组数据分别对基于自适应自适应型FRBF风险评估方法和基于RBF风险评估方法进行训练，设定误差限为e=0.0001。当两者均达到误差要求时，用另一组数据对两种评估方法进行测试，得到评估值与风险值的对比结果，如表3。

其中，风险值由某省公司的评分标准计算得到。

表3风险值与评估值的对比

月份	1	2	3	4	5	6	7	8	9	10	11	12
													风险值	51.70667	37.58333	90.71875	49.12143	31.1	31.95	58.80667	33.74286	34.3069	64.93158	86.53333	19.21852
FRBF估计值	51.70667	37.58333	90.7113	49.12185	31.09915	31.94404	58.80627	33.7429	34.30644	64.93152	86.53245	19.21852
													RBF评估值	51.71064	37.57936	90.70757	49.12313	31.09702	31.96192	58.80268	33.74158	34.30237	64.93346	86.52804	19.22735

本发明提出了一种基于神经网络的电力通信网风险评估方法，根据该风险评估方法进行评估可以快速、精确的计算出待评估对象的风险值，能够避免专家经验法的主观因素干扰。该方法有以下特点：采用模糊规则，有效的降低了规则数；能够通过自适应学习的方式随指标体系结构的变化动态调整自身的结构；能够根据误差增加、合并或删除规则节点，合理控制规则节点的数量；有效的提高了评估方法的适应能力和学习速度，进而从根本上提高了方法的评估精度。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (4)

1.一种电力通信网风险评估方法，其特征是，该方法包括以下步骤：

S1：采集电力通信网风险评估参数；

S2：通过所述风险评估参数构建指标数据库和样本数据库；

S3：根据所述样本数据库中的样本数据训练神经网络，调用训练后的神经网络计算所述指标数据库中的指标数据对应的电力通信网的风险值；

样本数据库包括：指标数据和风险值数据；指标数据库包括：风险指标体系中各类指标；

其中，所述步骤S3具体为：

查看所述指标数据库中的指标数据是否发生变化，若所述指标数据发生变化，则通过所述样本数据库中的样本数据对神经网络进行训练，直到神经网络的输出值满足设定精度要求为止，调用训练后的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值；否则，调用所述指标数据变化前已训练完成的神经网络处理所述指标数据，得到对应所述指标数据的电力通信网的风险值；

对变化了的指标对应的样本数据进行训练具体为：

S31：提取指标数据对应的样本数据；

S32：将所述样本数据通过自适应模糊径向基函数神经网络进行训练，若训练结果满足设定的精度要求，则退出；否则进入步骤S33；

S33：通过网络结构学习和网络参数学习对所述自适应模糊径向基函数神经网络进行改进，返回步骤S32。

2.根据权利要求1所述的方法，其特征是，将所述样本数据通过自适应模糊径向基函数神经网络进行训练具体为：

S321：将所述样本数据输入所述自适应模糊径向基函数神经网络的输入层；

S322：将所述样本数据之间的差异映射为隐含层节点的适应度差异；

S323：在归一化层对所述适应度差异进行归一化处理；

S324：对所述归一化处理的结果进行加权求和，将所述加权求和的结果作为所述样本数据的训练结果。

3.根据权利要求1所述的方法，其特征是，所述网络结构学习具体为：对自适应模糊径向基函数神经网络的隐含层的节点进行增加、合并或删除。

4.根据权利要求1所述的方法，其特征是，所述网络参数学习具体为：对自适应模糊径向基函数神经网络的隐含层的节点的中心、隐含层的节点的宽度，以及归一化层与输出层之间的连接权值进行调整。