CN116992360A - 一种通信网与电网耦合故障界定诊断方法及*** - Google Patents
一种通信网与电网耦合故障界定诊断方法及*** Download PDFInfo
- Publication number
- CN116992360A CN116992360A CN202310975260.XA CN202310975260A CN116992360A CN 116992360 A CN116992360 A CN 116992360A CN 202310975260 A CN202310975260 A CN 202310975260A CN 116992360 A CN116992360 A CN 116992360A
- Authority
- CN
- China
- Prior art keywords
- label
- communication network
- classification model
- fault
- graph
- 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 90
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008878 coupling Effects 0.000 title claims abstract description 32
- 238000010168 coupling process Methods 0.000 title claims abstract description 32
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 32
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000013145 classification model Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 46
- 230000007547 defect Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 230000003287 optical effect Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 6
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/048—Activation functions
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
- H02J13/00016—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus
- H02J13/00017—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus using optical fiber
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种通信网与电网耦合故障界定诊断方法及***包括,获取固定时间范围内通信网和电网的缺陷事件,并对缺陷事件中的数据进行预处理;将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;根据第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;根据第一分类模型与第二分类模型,对故障位置进行界定诊断。本发明通过对电力保护通道建模及训练,实现通信网与电网的故障耦合边界界定,并在确定问题产生在通信网侧时,进行故障定性定位,实现高效故障处置。
Description
技术领域
本发明涉及通信网与电网耦合故障界定诊断技术领域,尤其涉及一种通信网与电网耦合故障界定诊断方法及***。
背景技术
骨干光通信***是大电网生产控制业务的重要基础支撑设施,其稳定运行能力对于提升大电网运行可靠性有着决定性的作用。
现有通信调度运行支撑技术未能实现与电网调度各专业数据的深度融合,也未能实现大电网超长距、跨级跨区通信***的数据汇集,尚未建立通信与电网完整的网络架构模型,难以实现通信与电网融合的故障分析,对大电网和通信网协同调度与运行保障的支撑能力存在缺失。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种通信网与电网耦合故障界定诊断方法及***,能够解决背景技术中提到的问题。
为解决上述技术问题,本发明提供如下技术方案,一种通信网与电网耦合故障界定诊断方法,包括:
获取固定时间范围内通信网和电网的缺陷事件,并对所述缺陷事件中的数据进行预处理;
将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;
根据所述第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;
根据所述第一分类模型与第二分类模型,对故障位置进行界定诊断。
作为本发明所述的通信网与电网耦合故障界定诊断方法的一种优选方案,其中:所述获取固定时间范围内通信网和电网的缺陷事件,并对所述缺陷事件中的数据进行预处理包括,
所述固定时间范围为该通信网和电网建立开始至今时间段中任意时间范围;
所述预处理包括每个缺陷事件中至少包含一个告警信息,将同一资源ID下相同的告警原因进行去重处理,以告警ID、告警资源ID、网元ID为节点编号,告警原因、资源类型、网元为节点的属性,对每个节点建立相应的标签;
再以告警ID与告警资源ID之间的从属关系,告警资源ID与网元ID之间的从属关系,网元ID之间的光路关系、光缆段关系、业务关系为边建立相应拓扑图。
作为本发明所述的通信网与电网耦合故障界定诊断方法的一种优选方案,其中:所述预处理还包括对所述拓扑图进行按标签分类,所述按标签分类分为第一次按标签分类以及第二次按标签分类;
所述第一次按标签分类将所述拓扑图按第一标签分为通信网标签类拓扑图或电网标签类拓扑图,并将分类后的第一标签类拓扑图转化为离散的类别值(0、1);
所述第二次按标签分类将通信网标签类拓扑图按第二标签分为传输光路中断类拓扑图、光缆中断故障类拓扑图、设备板卡故障类拓扑图、设备供电故障类拓扑图以及设备供电中断类拓扑图,并将分类后的第二标签类拓扑图转化为离散的类别值(0、1、2、3、4);
将图数据转换成图卷积神经网络处理的格式,节点特征被表示为矩阵或向量,边信息被表示为邻接矩阵或列表。
作为本发明所述的通信网与电网耦合故障界定诊断方法的一种优选方案,其中:所述结合神经网络与第一目标类别标签训练第一分类模型包括,
所述第一目标类别标签为通信网标签以及电网标签类;
所述神经网络包括,图卷积层中的非线性函数为:
其中,H0=X,H(l)是第l层的激活单元矩阵,是无向图的G的邻接矩阵加上自连接,/>是/>的度矩阵,Wl是每一层的参数矩阵;
拉普拉斯矩阵公式:
L=D-A
其中L为拉普拉斯矩阵,D是节点的度矩阵;
拉普拉斯矩阵分解公式为:
其中,为特征向量,λi为对应的特征值,所有特征向量构成的矩阵U有UUT=E。
作为本发明所述的通信网与电网耦合故障界定诊断方法的一种优选方案,其中:所述结合神经网络与第二目标类别标签训练第二分类模型包括,
所述第二目标类别标签为传输光路中断标签、光缆中断故障标签、设备板卡故障标签、设备供电故障标签以及设备供电中断标签;
所述神经网络还包括,
其中,f是图上的N维向量,f(i)与图中的节点一一对应,ul(i)表示第l个特征向量的第i个分量,f的图傅里叶变换就是与λl对应的特征向量ul进行内积运算。
作为本发明所述的通信网与电网耦合故障界定诊断方法的一种优选方案,其中:所述神经网络还包括建立损失函数与优化器,
当前向训练后,将预测结果和真实标签作对比计算损失函数;
当训练第一分类模型时,使用sigmoid交叉熵函数;
当训练第二分类模型时,使用softmax交叉熵函数;
模型通过预测标签概率分布与真实标签概率分布距离,更新模型参数最小化模型分布与训练分布的差异;
采用批量梯度下降的方法从整个拓扑图数据中任选一个批量的图进行训练,计算损失函数并更新参数,进而更新图卷积层权重。
作为本发明所述的通信网与电网耦合故障界定诊断方法的一种优选方案,其中:所述神经网络还包括,
从训练集中随机选择一个拓扑图作为输入,记作G;
将输入图数据G传递给模型,计算输出结果Y;
将输出结果Y与真实标签Y_true进行比较,计算损失值L(Y,Y_true);
根据损失值计算模型参数的梯度并使用反向传播算法更新模型的参数θ;
重复上述操作,直到达到预定的训练轮数或满足收敛条件。
一种通信网与电网耦合故障界定诊断***,其特征在于:包括预处理模块、第一分类模型获取模块、第二分类模型获取模块以及故障界定模块,
预处理模块,所述预处理模块用于获取固定时间范围内通信网和电网的缺陷事件,并对所述缺陷事件中的数据进行预处理;
第一分类模型获取模块,所述第一分类模型获取模块用于将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;
第二分类模型获取模块,所述第二分类模型获取模块用于根据所述第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;
故障界定模块,所述故障界定模块用于根据所述第一分类模型与第二分类模型,对故障位置进行界定诊断。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述的方法的步骤。
一种计算机可读存储介质,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上所述的方法的步骤。
本发明的有益效果:本发明提出一种通信网与电网耦合故障界定诊断方法及***,获取固定时间范围内通信网和电网的缺陷事件,并对所述缺陷事件中的数据进行预处理;将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;根据所述第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;根据所述第一分类模型与第二分类模型,对故障位置进行界定诊断。本发明通过对电力保护通道建模及训练,实现通信网与电网的故障耦合边界界定,并在确定问题产生在通信网侧时,进行故障定性定位,实现高效故障处置。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种通信网与电网耦合故障界定诊断方法及***的方法流程图;
图2为本发明一个实施例提供的一种通信网与电网耦合故障界定诊断方法及***的通信网和电网的实际物理连接拓扑图;
图3为本发明一个实施例提供的一种通信网与电网耦合故障界定诊断方法及***的缺陷拓扑示意图;
图4为本发明一个实施例提供的一种通信网与电网耦合故障界定诊断方法及***的基于图卷积神经网络的电力通信故障诊断图;
图5为本发明一个实施例提供的一种通信网与电网耦合故障界定诊断方法及***的计算机设备的内部结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1-5,为本发明的第一个实施例,该实施例提供了一种通信网与电网耦合故障界定诊断方法及***,包括:
获取固定时间范围内通信网和电网的缺陷事件,并对缺陷事件中的数据进行预处理;
在本实施例中,对通信网和电网中的原始告警数据经过处理后得到缺陷事件,每个缺陷事件中包含一个或多个告警信息,考虑到同一个缺陷中存在大量重复告警信息,将同一资源ID下相同的告警原因进行去重处理,再以告警ID,告警资源ID,网元ID为节点编号,告警原因、资源类型、网元为节点的属性,每个节点都有相应的标签。
在一个实施例中,以告警ID与告警资源ID之间的从属关系,告警资源ID与网元ID之间的从属关系,网元ID之间的光路关系、光缆段关系、业务关系为边建立拓扑图;
在本实施例中,由于边关系的标签对研究问题无影响且边是无方向的,因此为无向拓扑图。图2以继电保护业务为例,为通信网和电网的实际物理连接拓扑图。
应说明的是,图是一种数据结构,由顶点和边组成,通常表示为G=(V,E)。G表示一个图,其中V中包含网络中所有N个节点vi∈V,顶点集合有穷且非空,E代表节点之间的关系(vi,vj)∈E,边的集合可以为空。邻接矩阵A∈RN×N中的元素可以为二进制编码也可以是权重实数;度矩阵Dii=∑jAij,节点的特征向量矩阵为X∈RN×C,其中N为结点数,C为特征向量的维数。
在一个实施例中,进行第一次分类过程时,为每个拓扑图打上通信网或电网的类别标签,并将其转化为离散的类别值(0、1),即为二分类;在第二次分类过程将通信网的拓扑图打上故障类别标签,包含的类别有:传输光路中断、光缆中断故障、设备板卡故障、设备供电故障、设备供电中断,并将其转化为离散的类别值(0、1、2、3、4),即多分类。
在一个实施例中,将图数据转换成图卷积神经网络处理的格式,节点特征被表示为矩阵或向量,边信息被表示为邻接矩阵或列表。
在一个实施例中,对于节点内容信息由节点的特征属性表示,通过one-hot编码将节点属性表示为编码向量,通过边的关系建立邻接矩阵。即图的特征矩阵,邻接矩阵、图标签向量为图卷积神经网络的输入。
在一个实施例中,将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;
在一个实施例中,根据第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;
构建图卷积神经模型,一般图模型由输入层、图卷积层、池化层、全连接层、输出层组成。
应说明的是,图卷积层是图神经网络的核心,通过堆叠多个图卷积层对节点进行信息传递和特征学习,每个图卷积层包括特征传播、特征变换和非线性激活等。
更进一步的,图卷积层中的非线性函数为:
其中,H0=X,H(l)是第l层的激活单元矩阵,是无向图的G的邻接矩阵加上自连接,/>是/>的度矩阵,Wl是每一层的参数矩阵。
更进一步的,拉普拉斯矩阵公式:
L=D-A
其中,L为拉普拉斯矩阵,D是节点的度矩阵。
更进一步的,拉普拉斯矩阵分解公式为:
其中,为特征向量,λi为对应的特征值。由于拉普拉斯是半正定对称矩阵,分解后一定存在n个非负的特征值和n个线性无关的特征向量,所有特征向量构成的矩阵U有UUT=E。
更进一步的,将传统的傅里叶变换迁移到图上,传统傅里叶变换定义:
其逆变换是:
e-iwt满足公式:
更进一步的,对应拉普拉斯矩阵分解公式,可以得到w与特征息息相关的而e-iwt与特征向量矩阵的逆U-1息息相关。
更进一步的,根据傅里叶变换及其逆变换的定义将其迁移到图上,其傅里叶变换以及逆变换如下:
其中,f是图上的N维向量,f(i)与图中的节点一一对应,ul(i)表示第l个特征向量的第i个分量。f的图傅里叶变换就是与λl对应的特征向量ul进行内积运算。
更进一步的,函数卷积的傅里叶变换是函数傅里叶变换的乘积,所以对于函数f(t)和h(t)两者的卷积是其函数傅里叶变换乘积的逆变换,得到卷积公式表示为:
类比到图上并把傅里叶变换的定义带入,f(t)和h(t)在图上的卷积为:
更进一步的,使用全局池化方法将整个图的节点特征进行聚合,生成一个图级别的特征表示。
应说明的是,经过多个图卷积层后,得到的节点特征矩阵表示为M*N,其中M是图中节点的数量,N是节点特征的维度。使用平均池化的方法,在每个特征维度上计算节点特征的平均值作为图级别的特征表示。对于每个特征维度,计算节点特征矩阵在该维度上的平均值,将其作为图级别特征向量,将每个特征维度的图级别特征向量连接起来,得到最终的图级别特征表示。
应说明的是,经过一系列的图卷积层和池化层后,添加全连接层进行分类任务。在一次分类任务中,将汇总后的图特征输入到全连接层上,在全连接层上应用一个分类器来对图进行分类。
在一个实施例中,在前向训练后,将预测结果和真实标签作对比计算损失函数,在电网和通信网的二分类问题上,使用sigmoid交叉熵函数,在故障诊断的多分类问题上使用softmax交叉熵函数,模型通过预测标签概率分布与真实标签概率分布距离,不断的更新模型参数最小化模型分布与训练分布的差异。为了将误差值反向传播回去以更新图卷积层权重,采用批量梯度下降的方法从整个拓扑图数据中拿出一个批量的图进行训练,计算损失函数并更新参数。
在本发明实施例中,神经网络训练过程为:
从训练集中随机选择一个拓扑图作为输入,记作G;
将输入图数据G传递给模型,计算输出结果Y;
将输出结果Y与真实标签Y_true进行比较,计算损失值L(Y,Y_true);
根据损失值计算模型参数的梯度并使用反向传播算法更新模型的参数θ;
重复上述操作,直到达到预定的训练轮数或满足收敛条件。
根据第一分类模型与第二分类模型,对故障位置进行界定诊断。
在一个优选的实施例中,一种通信网与电网耦合故障界定诊断***,包括预处理模块、第一分类模型获取模块、第二分类模型获取模块以及故障界定模块,
预处理模块,预处理模块用于获取固定时间范围内通信网和电网的缺陷事件,并对缺陷事件中的数据进行预处理;
第一分类模型获取模块,第一分类模型获取模块用于将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;
第二分类模型获取模块,第二分类模型获取模块用于根据第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;
故障界定模块,故障界定模块用于根据第一分类模型与第二分类模型,对故障位置进行界定诊断。
上述各单元模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种通信网与电网耦合故障界定诊断方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取固定时间范围内通信网和电网的缺陷事件,并对缺陷事件中的数据进行预处理;
将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;
根据第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;
根据第一分类模型与第二分类模型,对故障位置进行界定诊断。
实施例2
参照图3与图4,为本发明的一个实施例,提供了一种通信网与电网耦合故障界定诊断方法及***,为了验证本发明的有益效果,通过对比实验进行科学论证。
电力通信网中的告警信息与网络运行状态息息相关,通过对告警信息进行分析,能够找到网络故障的根源。本试验中使用的是通信网与电网中设备告警数据,选取和故障诊断相关度较高的告警信息字段,包括字段:告警ID、告警时间、告警资源ID、网元ID、厂家、站点ID、告警原因、资源类型。将原始告警数据经过处理后得到缺陷事件,对缺陷数据使用图卷积神经网络方法进行电力通信网故障诊断。实验数据为江苏省内一段时间内的通信网和电网的缺陷数据。
例如将通信网中的一个缺陷事件用图表示,一个缺陷事件中包含多个告警以及告警资源信息,图数据表示如下:
节点集合E={(0:R_LOS),(1:NE_NOT_LOGIN),(2:PORT),(3:NE),(4:NE),(5:NE_COMMU_BREAK)},节点标签集合NODE_LABEL=[告警,网元,端口,网元,网元,告警],边集合V={(0,2),(1,3),(2,4),(3,4),(3,5)},该图中有6个顶点,5条无向边,以该图数据为例,其拓扑图如图3所示。
在第一次通信网和电网识分类过程中,该图数据使用的标签为通信网,表示该缺陷为通信网缺陷,在第二次故障类型诊断分类过程中,该图数据使用的标签为设备供电中断。
将缺陷图数据转换成图卷积神经网络处理的格式,节点特征被表示为矩阵或向量,边信息被表示为邻接矩阵或列表。对于节点内容信息由节点的特征属性表示,通过one-hot编码将节点属性表示为编码向量,通过边的关系建立邻接矩阵。即图的特征矩阵,邻接矩阵、图标签向量为图卷积神经网络的输入。
图卷积神经网络对电网和通信网故障诊断流程如图4所示,
本发明不仅要对网络类别进行分类还需要对通信网的具体故障类型进行判断。对表1和表2分别进行独立的图卷积神经网络训练,最终得到通信网的故障诊断结果。
表1电网和通信网编码与标签表
网络类别 | 标签 | 编码 |
通信网 | C1 | 01 |
电网 | C2 | 10 |
表2通信网故障类型编码与标签表
故障类型 | 标签 | 编码 |
传输光路中断 | C1 | 00001 |
光缆中断故障 | C2 | 00010 |
设备供电中断 | C3 | 00100 |
设备供电故障 | C4 | 01000 |
设备板卡故障 | C5 | 10000 |
在第一次使用图神经网络对网络类别分类的过程中,图卷积神经网络经过多次迭代后最大的准确率达到99.2%,之后保持持平,在第二次使用图神经网络对通信网进行故障类型识别的过程中最大的准确达到97.3%。在精度方面,图卷积神经网络能够取得较好的效果,但是迭代时间较长。
应说明的是,以上实施例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。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种通信网与电网耦合故障界定诊断方法,其特征在于:包括,
获取固定时间范围内通信网和电网的缺陷事件,并对所述缺陷事件中的数据进行预处理;
将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;
根据所述第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;
根据所述第一分类模型与第二分类模型,对故障位置进行界定诊断。
2.如权利要求1所述的通信网与电网耦合故障界定诊断方法,其特征在于:所述获取固定时间范围内通信网和电网的缺陷事件,并对所述缺陷事件中的数据进行预处理包括,
所述固定时间范围为该通信网和电网建立开始至今时间段中任意时间范围;
所述预处理包括每个缺陷事件中至少包含一个告警信息,将同一资源ID下相同的告警原因进行去重处理,以告警ID、告警资源ID、网元ID为节点编号,告警原因、资源类型、网元为节点的属性,对每个节点建立相应的标签;
再以告警ID与告警资源ID之间的从属关系,告警资源ID与网元ID之间的从属关系,网元ID之间的光路关系、光缆段关系、业务关系为边建立相应拓扑图。
3.如权利要求2所述的通信网与电网耦合故障界定诊断方法,其特征在于:所述预处理还包括对所述拓扑图进行按标签分类,所述按标签分类分为第一次按标签分类以及第二次按标签分类;
所述第一次按标签分类将所述拓扑图按第一标签分为通信网标签类拓扑图或电网标签类拓扑图,并将分类后的第一标签类拓扑图转化为离散的类别值(0、1);
所述第二次按标签分类将通信网标签类拓扑图按第二标签分为传输光路中断类拓扑图、光缆中断故障类拓扑图、设备板卡故障类拓扑图、设备供电故障类拓扑图以及设备供电中断类拓扑图,并将分类后的第二标签类拓扑图转化为离散的类别值(0、1、2、3、4);
将图数据转换成图卷积神经网络处理的格式,节点特征被表示为矩阵或向量,边信息被表示为邻接矩阵或列表。
4.如权利要求3所述的通信网与电网耦合故障界定诊断方法,其特征在于:所述结合神经网络与第一目标类别标签训练第一分类模型包括,
所述第一目标类别标签为通信网标签以及电网标签类;
所述神经网络包括,图卷积层中的非线性函数为:
其中,H0=X,H(l)是第l层的激活单元矩阵,是无向图的G的邻接矩阵加上自连接,/>是/>的度矩阵,Wl是每一层的参数矩阵;
拉普拉斯矩阵公式:
L=D-A
其中L为拉普拉斯矩阵,D是节点的度矩阵;
拉普拉斯矩阵分解公式为:
其中,为特征向量,λi为对应的特征值,所有特征向量构成的矩阵U有UUT=E。
5.如权利要求4所述的通信网与电网耦合故障界定诊断方法,其特征在于:所述结合神经网络与第二目标类别标签训练第二分类模型包括,
所述第二目标类别标签为传输光路中断标签、光缆中断故障标签、设备板卡故障标签、设备供电故障标签以及设备供电中断标签;
所述神经网络还包括,
其中,f是图上的N维向量,f(i)与图中的节点一一对应,ul(i)表示第l个特征向量的第i个分量,f的图傅里叶变换就是与λl对应的特征向量ul进行内积运算。
6.如权利要求5所述的通信网与电网耦合故障界定诊断方法,其特征在于:所述神经网络还包括建立损失函数与优化器,
当前向训练后,将预测结果和真实标签作对比计算损失函数;
当训练第一分类模型时,使用sigmoid交叉熵函数;
当训练第二分类模型时,使用softmax交叉熵函数;
模型通过预测标签概率分布与真实标签概率分布距离,更新模型参数最小化模型分布与训练分布的差异;
采用批量梯度下降的方法从整个拓扑图数据中任选一个批量的图进行训练,计算损失函数并更新参数,进而更新图卷积层权重。
7.如权利要求6所述的通信网与电网耦合故障界定诊断方法,其特征在于:所述神经网络还包括,
从训练集中随机选择一个拓扑图作为输入,记作G;
将输入图数据G传递给模型,计算输出结果Y;
将输出结果Y与真实标签Y_true进行比较,计算损失值L(Y,Y_true);
根据损失值计算模型参数的梯度并使用反向传播算法更新模型的参数θ;
重复上述操作,直到达到预定的训练轮数或满足收敛条件。
8.一种通信网与电网耦合故障界定诊断***,其特征在于:包括预处理模块、第一分类模型获取模块、第二分类模型获取模块以及故障界定模块,
预处理模块,所述预处理模块用于获取固定时间范围内通信网和电网的缺陷事件,并对所述缺陷事件中的数据进行预处理;
第一分类模型获取模块,所述第一分类模型获取模块用于将预处理后的缺陷事件中的数据作为训练样本,结合神经网络与第一目标类别标签训练第一分类模型;
第二分类模型获取模块,所述第二分类模型获取模块用于根据所述第一分类模型输出结果,结合神经网络与第二目标类别标签训练第二分类模型;
故障界定模块,所述故障界定模块用于根据所述第一分类模型与第二分类模型,对故障位置进行界定诊断。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975260.XA CN116992360A (zh) | 2023-08-03 | 2023-08-03 | 一种通信网与电网耦合故障界定诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310975260.XA CN116992360A (zh) | 2023-08-03 | 2023-08-03 | 一种通信网与电网耦合故障界定诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116992360A true CN116992360A (zh) | 2023-11-03 |
Family
ID=88533554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310975260.XA Pending CN116992360A (zh) | 2023-08-03 | 2023-08-03 | 一种通信网与电网耦合故障界定诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116992360A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
-
2023
- 2023-08-03 CN CN202310975260.XA patent/CN116992360A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117872038A (zh) * | 2024-03-11 | 2024-04-12 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
CN117872038B (zh) * | 2024-03-11 | 2024-05-17 | 浙江大学 | 一种基于图论的直流微电网失稳故障源定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN116992360A (zh) | 一种通信网与电网耦合故障界定诊断方法及*** | |
CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
CN118014041B (zh) | 一种电力设备能耗预测模型的训练方法及装置 | |
CN115861246A (zh) | 应用于工业互联网的产品质量异常检测方法及其*** | |
CN110988631B (zh) | 局部放电定位检测方法、装置、可读存储介质及电气设备 | |
CN117495421A (zh) | 基于电力通信网建设的电网通信工程造价预测方法 | |
CN113824575A (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
CN116520154A (zh) | 锂电池极片检测的性能评估方法及其*** | |
CN116384240A (zh) | 一种服务器能耗预测方法、装置及存储介质 | |
CN115116549A (zh) | 细胞数据注释方法、装置、设备及介质 | |
CN113569890A (zh) | 一种数据处理方法及相关装置 | |
CN116050508B (zh) | 神经网络训练方法以及装置 | |
CN117522091B (zh) | 震后电力设备应急抢修的智能调度***及方法 | |
CN118245638B (zh) | 基于泛化模型的图数据预测方法、装置、设备及存储介质 | |
CN114510638B (zh) | 信息处理方法、装置、设备、存储介质及程序产品 | |
CN113297045B (zh) | 分布式***的监控方法及装置 | |
CN211478524U (zh) | 局部放电定位检测装置及电气设备 | |
LIU et al. | A case study on intelligent operation system for wireless networks | |
US20230162068A1 (en) | Device, method and non-transitory computer-readable medium for model estimation | |
CN117575485B (zh) | 一种基于可视化的智慧调度方法、***及存储介质 | |
US11763236B1 (en) | Systems and methods for synchronizing processing statement deployment across diverse computer networks using a three-tiered artificial intelligence architecture | |
US20240104915A1 (en) | Long duration structured video action segmentation | |
CN116861333A (zh) | 智慧公租房管理***及其方法 | |
Qian et al. | A New Confidence Propagation Algorithm for Regional Image Based on Deep Learning |
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 |