CN114139626A - 一种电力通信故障分析方法、装置、终端设备及介质 - Google Patents
一种电力通信故障分析方法、装置、终端设备及介质 Download PDFInfo
- Publication number
- CN114139626A CN114139626A CN202111450974.6A CN202111450974A CN114139626A CN 114139626 A CN114139626 A CN 114139626A CN 202111450974 A CN202111450974 A CN 202111450974A CN 114139626 A CN114139626 A CN 114139626A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- network model
- power communication
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 83
- 238000004458 analytical method Methods 0.000 title claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 14
- 238000007689 inspection Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种电力通信故障分析方法、装置、终端设备及介质,该方法包括:从电力通信网获取历史告警信息,作为样本数据;利用所述样本数据对神经网络模型进行训练;对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;利用所述目标模型进行电力通信故障分析。本发明根据不同的电力通信***,建立了对应的电力通信常见故障分析网络,并对总体网络故障信号进行采集与分析,并输入至训练好的神经网络模型,能够智能识别出故障设备以及发生故障所在位置。相比于传统的人工巡检以定位故障,本发明不仅容易操作,同时还具有成本低,耗时短以及定位准确度高等优点。
Description
技术领域
本发明涉及电网故障分析技术领域,尤其涉及一种电力通信故障分析方法、装置、终端设备及介质。
背景技术
在电力通信网络中,往往存在不同类型的运行控制***和资源管理***。为了保证各个***安全、稳定的运行,需要对其进行定期巡检,以及时排查故障并进行设备维修等工作。然而,目前针对电力通信故障的排查,主要依赖于人工巡检,通常是某一工作人员需要掌握不同类型的***的运维技术,然后现场实施。显然,这种方式不仅会耗费大量的人力物力,而且作业周期长,对巡检的工作人员也是极大的挑战。此外,为了节约成本,通常会面临着要对各代不同类型的电力通信网络***进行同时检查的情况,因此也会加大工作人员的作业难度,影响巡检精度,无法进一步实现快速准确的故障定位。
发明内容
本发明的目的在于提供一种电力通信故障分析方法、装置、终端设备及介质,以解决现有的依赖人工巡检进行电力通信故障排查方法中存在的成本高、耗时长、精度低以及实施难度大的问题。
为实现上述目的,本发明提供一种电力通信故障分析方法,包括:
从电力通信网获取历史告警信息,作为样本数据;
利用所述样本数据对神经网络模型进行训练;
对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;
利用所述目标模型进行电力通信故障分析。
进一步,作为优选地,在所述利用所述样本数据对神经网络模型进行训练之前,还包括:
利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。
进一步,作为优选地,所述利用所述样本数据对神经网络模型进行训练,包括:
根据所述样本数据,计算故障状态矩阵;
为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;
将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。
进一步,作为优选地,所述对训练后的神经网络模型的参数进行修正,包括:
利用BP算法对训练后的神经网络模型的参数进行修正。
本发明还提供一种电力通信故障分析装置,包括:
样本获取单元,用于从电力通信网获取历史告警信息,作为样本数据;
训练单元,用于利用所述样本数据对神经网络模型进行训练;
修正单元,用于对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;
分析单元,用于利用所述目标模型进行电力通信故障分析。
进一步,作为优选地,所述电力通信故障分析装置,还包括预处理单元,用于:
利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。
进一步,作为优选地,所述训练单元,还用于:
根据所述样本数据,计算故障状态矩阵;
为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;
将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。
进一步,作为优选地,所述修正单元,还用于:
利用BP算法对训练后的神经网络模型的参数进行修正。
本发明还提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上任一项所述的电力通信故障分析方法。
本发明还提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的电力通信故障分析方法。
相对于现有技术,本发明的有益效果在于:
本发明公开了一种电力通信故障分析方法、装置、终端设备及介质,该方法包括:从电力通信网获取历史告警信息,作为样本数据;利用所述样本数据对神经网络模型进行训练;对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;利用所述目标模型进行电力通信故障分析。
本发明提供的电力通信故障分析方法,通过根据不同的电力通信***,建立了对应的电力通信常见故障分析网络,并对总体网络故障信号进行采集与分析,然后输入至训练好的神经网络模型,能够智能识别出故障设备以及发生故障所在位置。相比于传统的人工巡检以定位故障,本发明不仅容易操作,同时还具有成本低,耗时短以及定位准确度高等优点。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的电力通信故障分析方法的流程示意图;
图2是本发明某一实施例提供的对样本数据进行预处理的流程示意图;
图3是图1中步骤S20的子步骤的流程示意图;
图4是本发明某一实施例提供的卷积神经网络模型的结构示意图;
图5是本发明某一实施例提供的电力通信故障分析装置的结构示意图;
图6是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明某一实施例提供一种电力通信故障分析方法。如图1所示,该电力通信故障分析方法包括步骤S10至步骤S40。各步骤具体如下:
S10、从电力通信网获取历史告警信息,作为样本数据;
S20、从利用所述样本数据对神经网络模型进行训练;
S30、从对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;
S40、从利用所述目标模型进行电力通信故障分析。
需要说明的是,现有的电网***是一个相对复杂的网络,其中包含了各种不同类型的设备与***,而为了节约电网***的运营和管理成本,针对实现同一功能的设备,通常会同时存在新旧型号机器同时使用的情况。在许多电力通信故障中,故障来源既不完整,又可能包含假象,决策规则经常会出现相互矛盾、缺乏统一规则,甚至还会出现终端接受到多个报警信息导致难以准确区分故障位置等问题,而正是由于这些客观因素,给传统的人工巡检以进行故障定位的方式带来了很大的困难,进而导致人工定位故障往往存在作业耗时长、人力物力资源耗费量大且极易出现定位结果不准确等问题。随着人工神经网络普及,利用其强大的并行计算分析能力,结合自适应以及自我学习的能力,能够很好的代替现有人工进行巡检。因此本实施例旨在提供一种基于神经网络模型的故障分析方法,包括采集过往故障信息以及人工搭建的故障模拟,以作为数据样本,然后传递入神经网络进行运算,最后输出故障原因,工作人员根据故障信息对相应设备进行检修,完成后返回检修结果,并记录入神经网络中,使得神经网络模型进行自我学习及修正。
具体地,本实施例提供的方法共包括四个步骤:在步骤S10中,主要从电力通信网获取历史告警信息,作为样本数据。
在采集历史告警信息的数据时,本实施例主要根据数据库中的历史故障数据,设置了一组常见的电力***故障框架表。需要说明的是,电力通信网络故障的主要原因是人为破坏、天气影响、自然灾害、设备自身故障或者安装不得当等问题。相比于光通信,电力通信***主要使用铜等金属或其他合金作为传输线缆,尤其是采用铜缆的网络通信,通常在线缆裸露于空中,缺少定期维护及排除,可能出现铜线的氧化、电缆外层破损;在电力通信***主要由下端接入到上端的电力网络通信设备,然后电力网络通信设备再接入上级乃至更高级的电力网络通信设备,途中经过多种协议的转换。因此本实施例中,针对不同类型的故障设计了对应的采集***。在采集信息的输入端,分别设计针对不同问题采集。前期通过人工搭建故障模拟情况,以及导入以前的出现问题时的境况记录报表,如某根线缆破损、氧化后导致信号受干扰,并标识其中的特征值,对数据包丢失情况进行统计。作为优选的实施方式,用于训练神经网络模型的样本数据主要采用电力通信网集到的历史告警信息与人工搭建的测试模型。
进一步地,在执行步骤S10后得到了样本数据,在步骤S20中主要利用这些样本数据对神经网络模型进行训练。
在某一个具体实施例中,为了防止样本数据由于存在过多的干扰信息以影响训练模型的效率和准确度,在样本数据输入神经网络模型之前,首先需要对该样本数据进行预处理操作,主要为利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。其中,数据与处理的流程如图2所示,由图2可知,所述噪音故障信息包括重复、决策冗余以及具有多余条件属性的故障信息。
需要说明的是,在步骤S10得到的样本数据中,历史告警信息是在各个专业网管的历史告警表中收集的。其中一条告警信息通常包含很多字段,如故障类型、故障级别、告警名称、告警源、定位信息、发生时间、检测板、清除状态和确认状态等,每个字段又有多重取值。而针对告警级别有紧急、重要和次要之分以表明告警的紧急程度。多个告警出现时,一般都是先处理级别高的告警,在处理级别较低的告警。告警类型有安全,设备,通信,服务质量和环境这几类,通常情况下,安全,设备,通信类告警属于比较重要的告警。告警源指定了产生告警的网元名称,是故障定位的重要信息。告警名称是告警的唯一标识,不同的告警名称对应不同种类的告警,它是故障类型诊断的重要信息。不同设备厂商提供的设备产生的告警数据在字段,属性,格式不尽相同,且存在同一告警源在很短时间内的大量重复告警。
因此,为了对样本数据进行预处理,针对告警信息,选取与故障诊断相关的告警信息字段,并对历史告警信息数据库进行去重以及标准化,选取预设数量的重要字段作为每一条告警信息的标识。作为优选地,本实施例选择5个字段,分别为告警级别、告警名称、告警源唯一标识、告警类型以及告警时间。
请参阅图3,在某一具体实施例中,步骤S20又包括以下子步骤:
S201、根据所述样本数据,计算故障状态矩阵;
S202、为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;
S203、将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。
需要说明的是,本实施例在进行神经网络模型的构建时,优先选用卷积神经网络。针对多级电力网络通信设备的协议转换,本实施例主要通过导入多种交换机协议的错误规则,来创建神经网络的神经元训练机制,并设计通信网络站点之间的连接规则匹配神经元联系规则,即错误上报机制转换为神经元之间的传递函数,从而完成神经网络训练前期准备工作。
进一步地,本实施例主要采用根据故障标签和故障状态矩阵构建的向量对作为输入,以故障原因为输出以对神经网络模型进行训练。其中,由于告警级别对不同故障判定的重要程度不一样,通常级别高的告警如紧急,重要的告警更可能由根源故障直接引起,因此本实施例在步骤S201中,首先将每种不同的告警对于每种故障判定的重要性用归一化权值进行设定,根据重要性对主要类型告警信息进行排序并依次编码,利用二值化编码,越高优先级的对应高位为1,后面位为0,次要优先级高位为0,次位为1,后面位为0,依此类推。然后使用图论的邻接矩阵表达站点间拓扑连接关系,具体为:
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)=(aij)n×n。其中,aij满足:
进一步地,故障时刻每个站点的告警事务编码组成矩阵T(G),满足:
T(G)=diag{t11,t22,...,tnn};
其中,tii表示站点vi的告警事务编码,进而定义故障状态矩阵F(G)的表达式为:
F(G)=A(G)T(G);
进一步地,在步骤S202中,为故障状态矩阵F(G)匹配故障标签,然后将表征故障状态的矩阵与其对应的故障标签用向量对的形式输入到卷积神经网络中,并在步骤S203中提取故障特征,并通过前向传播输出结果。
具体地,本步骤中设置故障标签矩阵格式为二维标签,横向表示故障所在位置,纵向表示故障原因。故障站点所在位置使用ONE-HOT编码,即第一个故障站点所在位置表示为最后一位为1,前面所有位为0,第二个故障站点表示后往前第二位为1,第一位与前面所有位为0,以此类推,故障原因也利用ONE-HOT进行编码,组成故障状态矩阵。
进一步地,本实施例中的卷积神经网络模型的结构如图4所示。具体地,利用多卷积核进行特征提取,得到特征图,然后输入到池化层,由于卷积核得到了故障状态矩阵的重要特征,因此可简化运算。然后提取到不同故障类别的特征后,利用全连接层将池化层特征进行组合即加权,然后送入softmax分类器进行分类。故障类别数量对应softmax分类器神经元数量。
进一步地,在步骤S30中,对于训练后的神经网络模型,还需要参数进行修正,以使得模型输出结果与真实结果的相对误差能够满足预设条件。需要说明的是,本实施例的预设条件优选为“误差在5%以内”,即当模型输出结果与真实结果的相对误差在5%以内时,修正参数步骤结束,可将此时对应的神经网络模型作为目标模型用于电力通信故障分析。可以理解的是,将预设条件设为“误差在5%以内”只是本实施例中的一种优选方式,在实际应用中可以根据实际需要进行选择,在此不作任何限定。
在某一可选地实施方式中,该步骤主要利用BP算法对训练后的神经网络模型的参数进行修正。需要说明的是,BP算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法,因此也称为BP网络。通过参数修正后,可将当前的神经网络模型作为目标模型,并在S40中直接用于电力通信故障分析。
综上,本实施例提供的电力通信故障分析方法,通过根据不同的电力通信***,建立了对应的电力通信常见故障分析网络,并对总体网络故障信号进行采集与分析,然后输入至训练好的神经网络模型,能够智能识别出故障设备以及发生故障所在位置。相比于传统的人工巡检以定位故障,本发明不仅容易操作,同时还具有成本低,耗时短以及定位准确度高等优点。
请参阅图5,本发明某一实施例还提供一种电力通信故障分析装置,包括:
样本获取单元01,用于从电力通信网获取历史告警信息,作为样本数据;
训练单元02,用于利用所述样本数据对神经网络模型进行训练;
修正单元03,用于对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;
分析单元04,用于利用所述目标模型进行电力通信故障分析。
在某一个具体实施例中,所述电力通信故障分析装置还包括预处理单元,其中该预处理单元用于:
利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。
在某一个具体实施例中,训练单元02,还用于:
根据所述样本数据,计算故障状态矩阵;
为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;
将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。
在某一个具体实施例中,修正单元03,还用于:
利用BP算法对训练后的神经网络模型的参数进行修正。
可以理解的是,本实施例提供的电力通信故障分析装置用于执行如上任意一项实施例所述的电力通信故障分析方法。本实施例通过根据不同的电力通信***,建立了对应的电力通信常见故障分析网络,并对总体网络故障信号进行采集与分析,然后输入至训练好的神经网络模型,能够智能识别出故障设备以及发生故障所在位置。相比于传统的人工巡检以定位故障,本发明不仅容易操作,同时还具有成本低,耗时短以及定位准确度高等优点。
请参阅图6,本发明某一实施例还提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的电力通信故障分析方法。
处理器用于控制该终端设备的整体操作,以完成上述的电力通信故障分析方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作,这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行如上述任一项实施例所述的电力通信故障分析方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供一种包括计算机程序的计算机可读存储介质,该计算机程序被处理器执行时实现如上述任一项实施例所述的电力通信故障分析方法的步骤。需要说明的是本申请实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质的更具体的示例至少(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读存储介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
在本申请实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于指令执行***、输入法或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、射频(Radio Frequency,RF)等等,或者上述的任意合适的组合。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电力通信故障分析方法,其特征在于,包括:
从电力通信网获取历史告警信息,作为样本数据;
利用所述样本数据对神经网络模型进行训练;
对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;
利用所述目标模型进行电力通信故障分析。
2.根据权利要求1所述的电力通信故障分析方法,其特征在于,在所述利用所述样本数据对神经网络模型进行训练之前,还包括:
利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。
3.根据权利要求1所述的电力通信故障分析方法,其特征在于,所述利用所述样本数据对神经网络模型进行训练,包括:
根据所述样本数据,计算故障状态矩阵;
为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;
将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。
4.根据权利要求1所述的电力通信故障分析方法,其特征在于,所述对训练后的神经网络模型的参数进行修正,包括:
利用BP算法对训练后的神经网络模型的参数进行修正。
5.一种电力通信故障分析装置,其特征在于,包括:
样本获取单元,用于从电力通信网获取历史告警信息,作为样本数据;
训练单元,用于利用所述样本数据对神经网络模型进行训练;
修正单元,用于对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;
分析单元,用于利用所述目标模型进行电力通信故障分析。
6.根据权利要求5所述的电力通信故障分析装置,其特征在于,还包括预处理单元,用于:
利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。
7.根据权利要求5所述的电力通信故障分析装置,其特征在于,所述训练单元,还用于:
根据所述样本数据,计算故障状态矩阵;
为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;
将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。
8.根据权利要求5所述的电力通信故障分析装置,其特征在于,所述修正单元,还用于:
利用BP算法对训练后的神经网络模型的参数进行修正。
9.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4任一项所述的电力通信故障分析方法。
10.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的电力通信故障分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450974.6A CN114139626A (zh) | 2021-11-30 | 2021-11-30 | 一种电力通信故障分析方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111450974.6A CN114139626A (zh) | 2021-11-30 | 2021-11-30 | 一种电力通信故障分析方法、装置、终端设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139626A true CN114139626A (zh) | 2022-03-04 |
Family
ID=80386677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111450974.6A Pending CN114139626A (zh) | 2021-11-30 | 2021-11-30 | 一种电力通信故障分析方法、装置、终端设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139626A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355111A (zh) * | 2022-03-21 | 2022-04-15 | 智联新能电力科技有限公司 | 一种基于改进关联矩阵的配电网故障定位方法 |
CN114615129A (zh) * | 2022-03-09 | 2022-06-10 | 广东电网有限责任公司 | 一种电力通信网络的故障诊断方法、装置及*** |
CN114928531A (zh) * | 2022-05-06 | 2022-08-19 | 广西电网有限责任公司 | 一种网络安全一体化智能防护方法、装置及机器人、介质 |
-
2021
- 2021-11-30 CN CN202111450974.6A patent/CN114139626A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114615129A (zh) * | 2022-03-09 | 2022-06-10 | 广东电网有限责任公司 | 一种电力通信网络的故障诊断方法、装置及*** |
CN114615129B (zh) * | 2022-03-09 | 2024-01-23 | 广东电网有限责任公司 | 一种电力通信网络的故障诊断方法、装置及*** |
CN114355111A (zh) * | 2022-03-21 | 2022-04-15 | 智联新能电力科技有限公司 | 一种基于改进关联矩阵的配电网故障定位方法 |
CN114928531A (zh) * | 2022-05-06 | 2022-08-19 | 广西电网有限责任公司 | 一种网络安全一体化智能防护方法、装置及机器人、介质 |
CN114928531B (zh) * | 2022-05-06 | 2023-09-05 | 广西电网有限责任公司 | 一种网络安全一体化智能防护方法、装置及机器人、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110943857B (zh) | 基于卷积神经网络的电力通信网故障分析及定位方法 | |
CN114139626A (zh) | 一种电力通信故障分析方法、装置、终端设备及介质 | |
CN110995475B (zh) | 一种基于迁移学习的电力通信网故障检测方法 | |
US11231980B1 (en) | Method, device and system for fault detection | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN111191767A (zh) | 一种基于向量化的恶意流量攻击类型的判断方法 | |
CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及*** | |
CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
CN111970400B (zh) | 骚扰电话识别方法及装置 | |
CN113313280B (zh) | 云平台的巡检方法、电子设备及非易失性存储介质 | |
CN111881164B (zh) | 基于边缘计算和路径分析的数据处理方法及大数据云平台 | |
CN115905959B (zh) | 基于缺陷因子的电力断路器关联性故障分析方法及装置 | |
CN112836436A (zh) | 一种基于概率图模型的配电网线路风险量化预测方法 | |
CN111666978A (zh) | 一种it***运维大数据的智能故障预警*** | |
CN113740666B (zh) | 一种数据中心电力***告警风暴根源故障的定位方法 | |
CN115984158A (zh) | 缺陷分析方法、装置、电子设备及计算机可读存储介质 | |
CN113411841B (zh) | 5g切片的割接合并方法、装置及计算设备 | |
CN117951854A (zh) | 边缘设备的排障方法、装置、电子设备及存储介质 | |
CN111857015B (zh) | 输变电云端智能控制器 | |
CN116415385A (zh) | 风机联调仿真方法、装置、服务器及计算机存储介质 | |
CN115577821A (zh) | 一种设备剩余使用寿命的预测方法和装置 | |
CN113191170A (zh) | 公共设施二维码损毁巡检有效性预测方法及*** | |
CN112818012A (zh) | 设备数据匹配方法、装置、设备及存储介质 | |
CN112307271A (zh) | 一种配电自动化***遥控业务的安全监测方法及装置 | |
CN116886582B (zh) | 一种基于bp神经网络的网络安全测评记录方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |