CN110943857A - 基于卷积神经网络的电力通信网故障分析及定位方法 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络的电力通信网故障分析及定位方法。主要是针对电力通信网中告警数据和网络拓扑结构的特征诊断。通过对告警信息进行关键字选取和标准化，并进行同步处理得到告警事务数据，与网络邻接矩阵加权编码，得到既包含网络拓扑连接关系，又包含网络故障状态的故障状态矩阵。本方法的提出，通过将网络拓扑连接关系和告警信息映射为故障状态矩阵，提高了故障诊断所需要的多重特征，同时结合了网络拓扑信息，增强了网络的关联性和变化适应能力。

Description

基于卷积神经网络的电力通信网故障分析及定位方法

技术领域

本发明涉及一种电力通信网故障分析及定位方法，尤其涉及基于卷积神经网络的电力通信网故障分析及定位方法。

背景技术

如今任何一个国家的发展都离不开电力***的作用，很多国家都在做智能电网的研究以求更高效合理的利用电网资源。电力通信网是电力***的神经网络，对整个电力***起到至关重要的监测控制任务，它连接着电力***的各个环节，负责传输、生产和管理信息，是电力***的重要基础设施。一旦网络出现故障，准确及时的诊断故障十分重要。然而，随着电力通信网络的快速发展，其网络规模不断扩大、通信设备类别增多、通信技术更新加快，使得驾驭电力通信网络的难度越来越大。当前的电力通信网在调度运维监测管控上仍然存在一些问题，给智能电网的发展带来了严重制约。

传统的解决方法是依靠人工从网管收集告警数据，再依据经验或规则定位故障源的策略、精确度和判断速度难以保证，如果决策失误可能会对检修效率有很大影响，造成网络不能及时恢复到正常状态。基于网络拓扑连接和网络告警信息定义故障状态矩阵，利用卷积神经网络对数据特征进行挖掘分析并诊断分类是一种有效的机器学习方法。通过对原始告警信息进行去重、字段选取、标准化和同步等处理，将告警信息转化成告警事务，并与网络邻接矩阵同时加权编码，生成故障状态矩阵，基于卷积神经网络的故障诊断模型利用不同特征对故障进行分类，进而实现故障诊断。但当网络拓扑十分复杂且多，有标记的故障样本种类不足时，在众多的告警信息中诊断故障也比较困难。

发明内容

本发明所要解决的技术问题是提出了一种基于卷积神经网络的电力通信网故障分析及定位方法。

为解决上述技术问题，本发明针对电力通信网中故障分析和定位问题，本发明的技术构思是将告警信息和网络拓扑关系映射为故障状态矩阵，并用卷积神经网络对数据特征进行挖掘分析并诊断分类的方法。

基于以上问题及构思，本发明基于卷积神经网络的电力通信网故障分析及定位方法，包括以下步骤：

(一)对目标告警数据库的数据采用时间窗口的方式进行时间和站点同步，时间窗大小用W表示，W的大小可以认为是两个告警事务相关的最大时间间隔，同一个时间窗的告警信息属于一个告警事务；利用公式

来计算每种告警类型对最终所有故障诊断的影响权值，其中告警A是告警简称，wA表示告警A对故障诊断影响的权值；wi表示告警A对于第i种故障的权值，k表示故障种类，nA表示wi不等于0的个数；依据计算得到的最终故障诊断权重表，选择权重值较大的N种告警类型并按照优先级从1到8排列，权重越大优先级越高，并以站点为单位对应N种告警类型得到告警事务二值化编码T(G)；

(二)依据图论的邻接矩阵表达站点间拓扑连接关系，得出电力通信网站点邻接矩阵为A(G)，其中设G是一个有n个顶点(站点)的图，V(G)＝{v1,v2,...,vn}是G的顶点集，E(G)是G的边集，G的邻接矩阵为A(G)＝(a_ij)_n×n，A(G)如公式

i,j＝1,2,...,n；设站点集为V(G)，则可表示这N个站点中各个站点的告警事务信息可由上述的告警事务二值化编码T(G)＝diag{t11,t22,...,tnn}表示，其中tii为站点vi的告警事务编码；

(三)结合告警信息和网络拓扑关系，定义故障状态矩阵F(G)，利用公式F(G)＝T(G)A(G)，得到表征电力通信网站点故障时刻状态和拓扑连接关系的矩阵，并打上其根源故障的标签，故障标签包括故障类型标签、故障站点标签；将全部故障时刻的告警事务都编码成故障状态矩阵，并给出故障类别标签就构成了卷积神经网络CNN模型的训练样本集；

(四)将CNN训练样本集，即表征故障状态的矩阵和其对应的故障标签以向量对的形式输入到CNN网络中，自动地学习故障与告警信息的关联模式，提取故障特征；通过前向传播输出结果，并将输出的结果与故障对应的真实的标签向量对比，计算两者之间的误差；然后利用BP算法调整修改卷积神经网络故障状态诊断模型参数，直到卷积神经网络故障状态诊断模型达到设定的准确率后，卷积神经网络故障状态诊断模型自动训练完成；

(五)在当前网络通信管理***中获取新的告警数据，采用上述步骤(一)至(四)得到新的故障状态矩阵F(G)，将新的故障状态矩阵F(G)输入卷积神经网络故障状态诊断模型，分析得到故障站点及其故障类型。

进一步的，所述步骤(四)中，所述的将CNN训练样本集，即表征故障状态的矩阵和其对应的故障类别标签以向量对的形式输入到CNN网络中，自动地学习故障与告警信息的关联模式，提取故障的特征，通过前向传播输出结果，包括以下具体过程：

首先将数据处理阶段得到的故障状态矩阵输入CNN网络，由卷积操作提取不同故障类别特征图；多个卷积核能从不同层面提取到多个特征，更利于挖掘故障与告警之间的特征关联。然后将特征图输入到池化层，池化层通过最大池化操作，虽然只采样了特征图的部分数据，但其仍保留了故障的重要特征，充分利用了图像局部相关性的特点。经过卷积和池化操作后，CNN网络提取到了不同故障类别的特征，即对应的n1,n2,nk共k个特征图，但是这些特征图都是从故障状态矩阵的局部像素得到的，并不能完全的反映故障类别特征。再经过全连接层将池化层输出的故障类别特征进行组合后送入softmax分类层，Softmax分类层有N个神经元，神经元与训练故障站点标签分类个数一致，输出维度为1×N故障类别标签向量，即得到神经网络故障状态诊断模型。

优选的，所述目标告警数据库的数据为若干个故障诊断重要性高的告警信息字段数据。

本发明提出的基于卷积神经网络的电力通信网故障分析及定位***，主要是针对电力通信网中告警数据和网络拓扑结构的特征诊断，通过对告警信息进行关键字选取和标准化，并进行同步处理得到告警事务数据，与网络邻接矩阵加权编码，得到既包含网络拓扑连接关系，又包含网络故障状态的故障状态矩阵。本方法的提出，通过将网络拓扑连接关系和告警信息映射为故障状态矩阵，提高了故障诊断所需要的多重特征，同时结合了网络拓扑信息，增强了网络的关联性和变化适应能力。

具体实施方式

基于卷积神经网络的电力通信网故障分析及定位方法，其特征在于，包括以下步骤：

(一)获取各个专业网管的告警信息，得到原始的告警信息数据库，选取对故障诊断重要性高的告警信息字段并对数据进行标准化处理，例如选择告警级别、告警名称、告警类型、开始时间、定位信息五个重要字段。对目标告警数据库的数据采用时间窗口的方式进行时间和站点同步，时间窗大小用W表示，W的大小可以认为是两个告警事务相关的最大时间间隔，同一个时间窗的告警信息属于一个告警事务；利用公式

来计算每种告警类型对最终所有故障诊断的影响权值，其中告警A是告警简称，wA表示告警A对故障诊断影响的权值；wi表示告警A对于第i种故障的权值，k表示故障种类，nA表示wi不等于0的个数；依据计算得到的最终故障诊断权重表，选择权重值较大的M种告警类型并按照优先级从1到M排列，权重越大优先级越高，并以站点为单位对应M种告警类型得到告警事务二值化编码T(G)；

(二)依据图论的邻接矩阵表达站点间拓扑连接关系，得出电力通信网站点邻接矩阵为A(G)，其中设G是一个有n个顶点(站点)的图，V(G)＝{v1,v2,...,vn}是G的顶点集，E(G)是G的边集，G的邻接矩阵为A(G)＝(a_ij)_n×n，A(G)如公式

i,j＝1,2,...,n；设站点集为V(G)，则可表示这n个站点中各个站点的告警事务信息可由上述的告警事务二值化编码T(G)＝diag{t11,t22,...,tnn}表示，其中tii为站点vi的告警事务编码；

(三)结合告警信息和网络拓扑关系，定义故障状态矩阵F(G)，利用公式F(G)＝T(G)A(G)，得到表征电力通信网站点故障时刻状态和拓扑连接关系的矩阵，并打上其根源故障的标签，故障标签包括故障类型标签、故障站点标签；将全部故障时刻的告警事务都编码成故障状态矩阵，并给出故障标签就构成了卷积神经网络CNN模型的训练样本集；

(四)将CNN训练样本集，即表征故障状态的矩阵和其对应的故障标签以向量对的形式输入到CNN网络中，自动地学习故障与告警信息的关联模式，提取故障特征；通过前向传播输出结果，并将输出的结果与故障对应的真实的标签向量对比，计算两者之间的误差；然后利用BP算法调整修改卷积神经网络故障状态诊断模型参数，直到卷积神经网络故障状态诊断模型达到设定的准确率后，卷积神经网络故障状态诊断模型自动训练完成；

步骤(四)中，所述提取故障特征中的故障类别标签的分类包括以下具体过程：

首先将数据处理阶段得到的故障状态矩阵输入CNN网络，由卷积操作提取不同故障类别特征图；多个卷积核能从不同层面提取到多个特征，更利于挖掘故障与告警之间的特征关联。然后将特征图输入到池化层，池化层通过最大池化操作，虽然只采样了特征图的部分数据，但其仍保留了故障的重要特征，充分利用了图像局部相关性的特点。经过卷积和池化操作后，CNN网络提取到了不同故障类别的特征，即对应的n1,n2,nk共k个特征图，但是这些特征图都是从故障状态矩阵的局部像素得到的，并不能完全的反映故障类别特征。再经过全连接层将池化层输出的故障类别特征进行组合后送入softmax分类层，Softmax分类层输出故障标签向量，得到神经网络故障状态诊断模型。

(五)在当前网络通信管理***中获取新的告警数据，采用上述步骤(一)至(四)得到新的故障状态矩阵F(G)，将新的故障状态矩阵F(G)输入卷积神经网络故障状态诊断模型，分析得到故障站点及其故障类型。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于卷积神经网络的电力通信网故障分析及定位方法，其特征在于，包括以下步骤：

(一)对目标告警数据库的数据采用时间窗口的方式进行时间和站点同步，时间窗大小用W表示，W的大小可以认为是两个告警事务相关的最大时间间隔，同一个时间窗的告警信息属于一个告警事务；利用公式

来计算每种告警类型对最终所有故障诊断的影响权值，其中告警A是告警简称，wA表示告警A对故障诊断影响的权值；wi表示告警A对于第i种故障的权值，k表示故障种类，nA表示wi不等于0的个数；依据计算得到的最终故障诊断权重表，选择权重值较大的N种告警类型并按照优先级从1到8排列，权重越大优先级越高，并以站点为单位对应N种告警类型得到告警事务二值化编码T(G)；

(二)依据图论的邻接矩阵表达站点间拓扑连接关系，得出电力通信网站点邻接矩阵为A(G)，其中设G是一个有n个顶点(站点)的图，V(G)＝{v1,v2,...,vn}是G的顶点集，E(G)是G的边集，G的邻接矩阵为A(G)＝(a_ij)_n×n，A(G)如公式

设站点集为V(G)，则可表示这N个站点中各个站点的告警事务信息可由上述的告警事务二值化编码T(G)＝diag{t11,t22,...,tnn}表示，其中tii为站点vi的告警事务编码；

(三)结合告警信息和网络拓扑关系，定义故障状态矩阵F(G)，利用公式F(G)＝T(G)A(G)，得到表征电力通信网站点故障时刻状态和拓扑连接关系的矩阵，并打上其根源故障的标签，故障标签包括故障类型标签、故障站点标签；将全部故障时刻的告警事务都编码成故障状态矩阵，并给出故障类别标签就构成了卷积神经网络CNN模型的训练样本集；

(四)将CNN训练样本集，即表征故障状态的矩阵和其对应的故障标签以向量对的形式输入到CNN网络中，自动地学习故障与告警信息的关联模式，提取故障的特征，通过前向传播输出结果；将输出的结果与故障对应的真实的标签向量对比，计算两者之间的误差；然后利用BP算法调整修改卷积神经网络故障状态诊断模型参数，直到卷积神经网络故障状态诊断模型达到设定的准确率后，卷积神经网络故障状态诊断模型自动训练完成；

(五)在当前网络通信管理***中获取新的告警数据，采用上述步骤(一)至(四)得到新的故障状态矩阵F(G)，将新的故障状态矩阵F(G)输入卷积神经网络故障状态诊断模型，分析得到故障站点及其故障类型。

2.根据权利要求1所述的基于卷积神经网络的电力通信网故障分析及定位方法，其特征在于，所述步骤(四)中，所述提取故障特征中的故障类别标签的分类包括以下具体过程：

首先将数据处理阶段得到的故障状态矩阵输入CNN网络，由卷积操作提取不同故障类别特征图；多个卷积核能从不同层面提取到多个特征，然后将特征图输入到池化层，池化层通过最大池化操作，经过卷积和池化操作后，CNN网络提取到了不同故障类别的特征，即对应的n1,n2,nk共k个特征图；再经过全连接层将池化层输出的故障类别特征进行组合后送入softmax分类层，Softmax分类层输出故障类别标签向量，即得到神经网络故障状态诊断模型。

3.根据权利要求1或2所述的基于卷积神经网络的电力通信网故障分析及定位方法，其特征在于，所述目标告警数据库的数据为若干个故障诊断重要性高的告警信息字段数据。