CN118034990A - 一种基于机器学习的集中器校验方法及*** - Google Patents
一种基于机器学习的集中器校验方法及*** Download PDFInfo
- Publication number
- CN118034990A CN118034990A CN202410432677.6A CN202410432677A CN118034990A CN 118034990 A CN118034990 A CN 118034990A CN 202410432677 A CN202410432677 A CN 202410432677A CN 118034990 A CN118034990 A CN 118034990A
- Authority
- CN
- China
- Prior art keywords
- concentrator
- data
- user
- determining
- preset condition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012795 verification Methods 0.000 title claims abstract description 31
- 238000010801 machine learning Methods 0.000 title claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 9
- 230000003247 decreasing effect Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 description 33
- 230000008054 signal transmission Effects 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 238000007792 addition Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本说明书实施例提供一种基于机器学习的集中器校验方法及***。该方法包括:获取集中器所在的网络图谱,网络图谱包括节点和边;基于网络图谱从节点和边确定相关用户和相关边;获取集中器、相关用户和相关边的实际工作数据;响应于实际工作数据不满足预设条件,确定反应机制。
Description
技术领域
本说明书涉及集中器领域,特别涉及一种基于机器学习的集中器校验方法及***。
背景技术
随着物联网和智能***的发展,集中器作为关键设备在数据传输和通信中扮演着重要角色。然而,由于各种因素,集中器可能会面临各种故障,包括硬件故障、通信故障和软件故障等。为了及时检测和诊断这些故障,集中器故障的校验技术不断发展和完善。
因此,希望提供一种基于机器学习的集中器校验方法及***,通过精准确定相关关注范围,减少关注的数据范围,减少计算量的同时又能提高确定集中器故障的准确性。
发明内容
本说明书提供的一种基于机器学习的集中器校验方法及***通过精准确定相关关注范围,减少关注的数据范围,减少计算量的同时又能提高确定集中器故障的准确性。
本说明书实施例之一提供一种基于机器学习的集中器校验方法,该方法包括:获取所述集中器所在的网络图谱,所述网络图谱包括节点和边;基于所述网络图谱从所述节点和所述边确定相关用户和相关边;获取所述集中器、所述相关用户和所述相关边的实际工作数据;响应于所述实际工作数据不满足预设条件,确定反应机制。
本说明书实施例之一提供一种基于机器学习的集中器校验***,该***包括:第一获取模块,用于与获取所述集中器所在的网络图谱,所述网络图谱包括节点和边;相关确定模块,用于基于所述网络图谱从所述节点和所述边确定相关用户和相关边;第二获取模块,用于获取所述集中器、所述相关用户和所述相关边的实际工作数据;反应机制确定模块,用于响应于所述实际工作数据不满足预设条件,确定反应机制。
本说明书实施例之一提供一种基于机器学习的集中器校验装置,该装置包括处理器以及存储器;该存储器用于存储指令,该指令被该处理器执行时,导致该装置实现如上述任一项所述的集中器校验方法。
本说明书实施例之一提供一种计算机可读存储介质,其特征在于,该存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行上述中任意一项所述的集中器校验方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的集中器校验***的应用场景示意图;
图2是根据本说明书一些实施例所示的集中器校验***的模块示意图;
图3是根据本说明书一些实施例所示的集中器校验方法的示例性流程图;
图4是根据本说明书一些实施例所示的确定预设条件的示例性流程图;
图5是根据本说明书一些实施例所示的确定目标预设条件的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的集中器校验***的应用场景的示意图。如图1所示,集中器校验***涉及的场景100可以包括处理器110、集中器120、存储设备130、网络140、用户终端150。
在一些实施例中,处理器110可以用于处理与场景100相关的信息和/或数据,例如,处理器110可以基于数据获取网络图谱。在一些实施例中,处理器110可以是本地的,也可以是远程的。例如,处理器110可以经由网络140访问存储在存储设备130、用户终端150中的信息和/或数据。又例如,处理器110可以直接连接到存储设备130、用户终端150以访问存储信息和/或数据。
集中器120可以指网络中用于收集、处理和转发数据/信号的设备。集中器120可以为至少一个。集中器120可以包括多个设备,集中器120可以和多个用户相连。在一些实施例中,集中器120可以和处理器110集成。
存储设备130可以用于存储与集中器校验相关的数据和/或指令。在一些实施例中,存储设备130可以存储从用户终端150中获得/获取的数据。在一些实施例中,存储设备130可以储存处理器110用来执行或使用以完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备130可在云平台上实现。
在一些实施例中,存储设备130可以连接到网络140以与场景100的一个或以上组件(例如,处理器110、集中器120、用户终端150)通信。场景100的一个或以上组件可以经由网络140访问存储在存储设备130中的数据或指令。在一些实施例中,存储设备130可以直接连接到场景100的一个或以上组件(例如,处理器110、集中器120、用户终端150)或与之通信。在一些实施例中,存储设备130可以是处理器110的一部分。在一些实施例中,存储设备130可以是单独的存储器。存储设备140可以存储历史数据,例如,历史工作数据、用户特征数据等到。存储设备140还可以存储机器学习模型等。
网络140可以促进信息和/或数据的交换。在一些实施例中,场景100的一个或以上组件(例如,处理器110、集中器120、用户终端150)可以经由网络140将信息和/或数据发送至场景100的其他组件。网络140中可以包括至少一个集中器,至少一个集中器可以和至少一个用户通过网络140相连。
用户终端150可以是用户使用的与集中器120相连的设备。用户终端150还可以是查看整个网络的用户的设备。用户可以是集中器120的上游用户或下游用户。
图2是根据本说明书一些实施例所示的集中器校验***的模块示意图。
如图2所示,集中器校验***200可以包括第一获取模块210、相关确定模块220、第二获取模块230、反应机制确定模块240。
第一获取模块210可以用于与获取集中器所在的网络图谱,网络图谱包括节点和边。
相关确定模块220可以用于基于网络图谱从节点和边确定相关用户和相关边。
第二获取模块230可以用于获取集中器、相关用户和相关边的实际工作数据。
反应机制确定模块240可以用于响应于实际工作数据不满足预设条件,确定反应机制。
在一些实施例中,预设条件包括工作数据的数值处于动态波动范围内、工作数据的数值小于动态阈值、差异值中的至少一种,反应机制确定模块还包括:理想模块,用于确定在设定时间点/段的集中器、相关用户和相关边的理想工作数据;差异模块,用于响应于实际工作数据与理想工作数据的差异超出差异值,做出相应反应机制。
在一些实施例中,对预设条件动态调整,作为目标预设条件。
在一些实施例中,反应机制确定模块240包括:第三获取模块,用于获取历史增减数据;增减用户确定模块,用于基于历史增减数据和网络图谱通过预测图谱模型预测至少一组新用户的加入数量以及其增加可能性、至少一组老用户的注销数量以及其注销可能性;最终确定模块,用于基于新用户的加入数量以及其增加可能性、老用户的注销数量以及其注销可能性确定新用户的最终加入数量和老用户的最终注销数量;系数确定模块,用于基于新用户的最终加入数量、对应的增加可能性和/或老用户最终注销数量、对应的注销可能性确定动态调整系数;目标条件确定模块,用于基于预设条件、动态调整系数重新确定预设条件,作为目标预设条件。
应当理解的是,上述模块仅仅是本说明书中主要涉及到的相关模块的简单举例,并不代表本申请所有相关内容的展示,还存在一些模块及单元未在本模块图中进行展示,此处不一一举例说明。且以上模块及单元并非完全独立存在,还可能是存在相互交叉涉及。
图3是根据本说明书一些实施例所示的集中器校验方法的示例性流程图。流程300可以由处理器执行。如图3所示,流程300可以包括以下步骤:
步骤310,获取集中器所在的网络图谱。
网络图谱可以是对集中器所在网络的连接关系的图谱。网络图谱包括节点和边。网络图谱中的节点可以包括数据/信号的接收点、发送点。
节点可以包括用户以及集中器。集中器可以对指对提供数据/信号的集中管理、分发和转发的设备。在当前网络中,可能存在至少一个集中器。用户可以包括至少一个上游用户和/或至少一个下游用户。上游用户可以指向集中器提供数据或信息的来源的用户。上游用户可以包括各种数据库、各种设备等数据源。下游用户可以指从集中器接收数据或信息的终端、应用程序等。下游用户可以通过集中器获取从上游用户采集的数据,进行数据处理、存储、分发或展示。
节点对应的节点属性可以包括用户的节点属性和集中器的节点属性。集中器的节点属性可以包括集中器的物理属性和时间点/段及对应的报修信息等。用户的节点属性可以包括时间点/段以及对应的用户特征。用户特征是与用户使用有关的特征。用户特征可以包括用户类别、使用习惯、用户终端设备的物理属性、报修信息等。用户类别可以是居民用户、总服务器用户、数据库等,使用习惯可以包括用户使用的高峰类别,高峰类别可以包括数据/信号传输超高预设高峰阈值的时间点或者时间段。其中,高峰阈值可以人工设定。例如,早上7:00至晚上10:00是用户使用网络频率较高的时间段,因此,高峰类别就是AM 7:00-PM10:00。集中器、用户终端设备的物理属性可以包括使用年限、终端设备的型号、物理地址等。报修信息可以包括历史向服务器报修的频率、次数以及时间节点。由于用户的故障问题带来集中器的数据/信号传输量的减少,是正常的情况,通过加入报修信息,减少对集中器故障的误判。在一些实施例中,节点属性可以从存储设备或者连接相应的历史数据获取。
网络图谱中的边可以包括数据的传输路径,包括无线传输路径和有线传输路径。边对应的边属性可以包括边的物理属性,边的物理属性可以包括和集中器的连接方式、连接线的成分、使用年限、(集中器和对应用户的)连接长度、报错信息等。边属性也可以从存储设备或者查看相应的工作日志获取。
网络图谱可以根据网络注册等信息实时更新,这样降低了增加新的用户和/或注销老用户对确定集中器故障的准确性的影响。
步骤320,基于网络图谱从节点和边确定相关用户和相关边。
相关用户可以指与当前集中器数据/信号传输超过流量阈值的用户。相关边可以指当前有数据/信号传输量超过流量阈值所通过的边。流量阈值可以人工设定。
在一些实施例中,基于网络图谱可以确定与当前集中器相连的所有第一用户和第一边。
第一边可以指与在网络图谱中与当前集中器直接相连的边。相连可以包括有线连接和无线连接。第一用户可以指与集中器通过第一边相连的设备。通过连接设备可以实现用户设备和集中器之间的数据/信号传输。
由于不同时间段内,集中器、连接边、用户等设备的在线离线状态是动态变化的,因此,与集中器发生数据/信号传输的用户也是动态变化的。在一些实施例中,可以从第一用户、第一边中动态确定相关用户和相关边。例如,在工作日的工作时间和下班时间,下游用户的数据/信号传输量是不同的,工作时间由于用户不在家,因此对应的家的节点的数据/信号传输量就少于下班时间的数据/信号传输量。再例如,和集中器相连的第一用户中可能由于自身或者第一边的设备故障、停电等物理原因,降低了与集中器之间的数据/信号传输量。当用户和集中器之间的数据/信号传输量小于流量阈值,这些和集中器之间相连的第一用户就不作为相关用户。
在一些实施例中,可以基于网络图谱获取第一用户的节点属性,基于第一用户的用户特征通过在线几率模型确定第一用户在预设时间点或者时间段的在线几率,并基于第一用户的在线几率确定预设时间点或者时间段内的相关用户和相关边。
在线几率模型可以是机器学习模型,例如,深度神经网络。特征层的输入可以包括与集中器对应的第一用户特征以及该集中器的节点属性,输出可以为各个第一用户的在线几率。在一些实施例中,可以将在线几率大于在线阈值的第一用户确定为相关用户,并基于集中器和相关用户的第一边确定为相关边。在线阈值可以人工设定。在线几率模型可以通过训练获取。
通过本说明书的一些实施例,可以基于网络图谱先确定第一用户,并从第一用户中确定相关用户,可以减小关注的用户的范围,精准确定对集中器工作数据影响较大的用户。
步骤330,获取集中器、相关用户和相关边的实际工作数据。
相关用户、相关边的实际工作数据可以包括数据/信号传输速率、工作电压、工作电流、温度等。集中器的工作数据可以包括数据/信号传输速率、转发速率、延迟、丢包率、工作电压、工作电流、温度等。集中器、相关用户和相关边的实际工作数据可以与当前时间点对应。传输速率表示集中器支持的最大数据传输速率,通常以 Mbps 或 Gbps 为单位。传输速率越高,集中器的数据处理能力越强。转发速率可以指集中器能够处理和转发数据/信号的速率,通常以每秒转发的数据包数量表示。转发速率越高,集中器对数据/信号的处理能力越强。延迟可以指数据/信号从输入端口到输出端口传输所需的时间。丢包率可以指在数据/信号传输过程中丢失的数据/信号比例。丢包率较低,数据/信号传输越可靠。
在一些实施例中,在集中器、用户设备处可以设置有多种网络监控工具、传感器等。可以通过网络监控工具采集数据,提供集中器实时的数据流量等工作信息等。可以通过传感器获取对节点电流、电压、温度等方面的监测信息。例如,可以使用网络监控工具如Wireshark、SolarWinds等监测集中器的传输速率、转发速率。再例如,可以通过 Ping 命令或专业网络工具发送数据包并检查回复情况,计算丢包率。再例如,也可以定期查看集中器的日志文件,得到历史工作数据。再例如,工作电压、电流和温度的数据都可以通过其装载的电压表、电流表和温度计获取。
通过本说明书的一些实施例,只获取相关用户和相关边的工作数据,而不是网络中所有节点的工作数据,减少了获取的数据量,提高了处理速度。
步骤340,响应于实际工作数据不满足预设条件,确定反应机制。
预设条件指用于判断集中器是否故障的条件。在一些实施例中,预设条件可以包括工作数据的数值处于动态波动范围内、工作数据的数值小于动态阈值中的至少一种。其中,动态波动范围是指集中器、相关用户运行正常时工作数据的数值范围。动态阈值是指集中器、用户节点设备运行正常时工作数据的数值的最大限度。动态波动范围、动态阈值可以基于先验知识或历史数据预先设置。当工作数据不满足预设条件时,可以大概率确定集中器出现故障,需要确定对应的反应机制。
在一些实施例中,预设条件可以包括差异值,可以确定在设定时间点/段的集中器、相关用户和相关边的理想工作数据;响应于实际工作数据与理想工作数据的差异超出所述差异值,做出相应反应机制,基于预设条件做出反应机制。更多相关内容可参见本说明书图4及其说明。
在一些实施例中,当确定集中器出现故障时,反应机制包括:重启集中器、固件升级、检查电源和连接以及替换硬件等。可以通过简单地重启集中器解决一些临时性的问题,比如软件错误或者内存溢出等。如果集中器的问题是由于软件漏洞或者不稳定的固件版本导致的,可以考虑升级集中器的固件到最新版本,以修复已知的问题。在一些实施例中,问题可能是由于电源故障或者连接问题导致的,可以通过检查电源和连接可以确保集中器的电源供应正常,并且与其他设备的连接稳定。如果集中器的问题是由于硬件损坏引起的,可以需要替换损坏的部件或者整个集中器设备。
通过本说明书的一些实施例,通过精准确定相关关注范围,减少关注的数据范围,减少计算量的同时又能提高确定集中器故障的准确性。
图4是根据本说明书一些实施例所示的确定预设条件的示例性流程图。如图4所示,流程400可以由处理器执行。流程400可以包括以下步骤:
步骤410,确定在设定时间点/段的集中器、相关用户和相关边的理想工作数据。
理想工作数据指集中器正常运行时集中器、用户、边的工作数据的标准值。理想工作数据可以对应工作数据的标准数值范围。
在一些实施例中,设定时间点/段的理想工作数据可以指预设时间点/段的工作数据标准值。其中,预设时间段可以基于实际需求确定。例如,需要重点监控未来24小时的运行情况,则对应的未来预设时间段可以为24小时。
在一些实施例中,设定时间点/段的理想工作数据可以包括集中器无故障的时间点/段对应的集中器和用户工作数据。在一些实施例中,可以基于历史数据确定理想工作数据。示例性地,可以基于历史数据构建参考工作数据库,该参考工作数据库包括多个数据组,每一数据组包括运行无异常的历史时间段及其对应的历史时间特征,以及该历史时间段对应的参考工作数据。可以基于未来预设时间段的时间特征,在前述参考工作数据库中进行检索,确定符合参考条件的至少一个数据组,基于至少一个数据组各自对应的参考工作数据,确定理想工作数据。例如,将前述参考工作数据的平均值确定为理想工作数据。其中,时间特征至少可以包括时间段所处的季节、该时间段的时间范围等。基于时间特征可以确定参考工作数据库中,与待确定的未来预设时间段更相近的历史时间段,基于更相近的历史时间段能够确定更具有参考价值的参考工作数据。
在一些实施例中,还可以基于预测模型确定理想工作数据。预测模型可以是机器学习模型。
在一些实施例中,预测模型的输入至少包括集中器、相关用户和相关边的实际工作数据和网络图谱,输出包括理想工作数据。
在一些情况下,上下游用户以及对应边的变化(包括故障、未使用)会影响集中器。因此,可以将上下游用户的工作数据以及用户特征作为参考,用于判断集中器运行是否存在异常,从而更加全面***的确定判断结果,提高判断的准确性。
在一些实施例中,可以基于多个带有第二标签的第二样本对初始预测模型进行训练,获得训练好的预测模型。例如,将第二样本输入初始预测模型,基于初始预测模型的输出和第二标签构建损失函数;基于损失函数,通过梯度下降法对初始预测模型中的参数进行迭代更新,直到满足预设条件,训练结束,获得训练好的预测模型。其中,预设条件可以包括损失函数收敛、迭代次数达到阈值等。
在一些实施例中,第二样本包括集中器、相关用户和相关边的样本实际工作数据和样本网络图谱。第二样本可以基于历史数据确定。在一些实施例中,第二标签包括样本理想工作数据。第二标签可以基于历史数据中,集中器正常运行时的工作数据确定。
步骤420,响应于实际工作数据与理想工作数据的差异超出差异值,做出相应反应机制。
在一些实施例中,可以预设故障数据库,故障数据库中包括至少一组历史故障向量,其中,任意一组历史故障向量包括某一历史时间点/段集中器故障时集中器、第一节点的历史实际工作数据,每一组历史故障向量对应于一个历史反应机制。任意一组历史故障向量包括:时间点/段、集中器历史实际工作数据向量、与集中器相连的第一节点的历史工作数据向量。在一些实施例中,基于集中器、第一节点工作数据通过特征模型确定对应的集中器工作特征向量、第一节点工作特征向量。特征模型是机器学习模型,可以通过历史数据训练获取。某一历史时间点/段、历史反应机制可以用数字/字母人工设立对应关系。例如,故障数据库中一组历史故障向量为(1,σ,τ),其中该历史故障向量对应历史反应机制A,其中,1可以表示0:00-02:00,σ表示0:00-02:00的集中器的历史实际工作数据向量,τ表示0:00-02:00的节点的历史实际工作数据向量,A表示重启集中器。
在一些实施例中,基于当前时间点/段、集中器、相关节点的工作数据通过特征模型确定当前时间点/段的集中器工作特征向量、相关节点工作特征向量,并确定当前故障向量,当前故障向量的详细内容可以参考历史故障向量。将当前故障向量和故障数据库中的历史故障向量比较相似度确定差异,并确定出至少一组差异超出差异值的历史故障向量,从而确定出对应的反应机制。在一些实施例中,将与当前故障向量相似度最高的历史故障向量作为目标故障向量,并将目标故障向量对应的历史反应机制作为当前反应机制。实际工作数据与理想工作数据的差异可以通过向量之间的相似度表示,例如,相似度和差异为反比,或者其他预设关系。相似度越高,实际工作数据与理想工作数据的差异越小。可以预设相似度和差异的对应关系。
差异值可以人工设定,也可以是动态变化的,详细内容可以参见图5的详细内容。
在一些实施例中,可能一个历史故障向量对应多个反应机制,例如,重启集中器没有使得故障修复,需要替换硬件才能使得故障修复,由于在故障向量中设立了时间对应关系,因此,在一些实施例中,可以先比较当前时间点/段的集中器工作特征向量、相关节点工作特征向量与对应的历史故障向量中集中器、第一节点的历史实际工作特征向量的差异,然后再确定至少一个目标故障向量,将时间最迟的目标故障向量对应的历史反应机制作为当前反应机制。
图5是根据本说明书一些实施例所示的确定目标预设条件的示例性流程图。流程500可以由处理器执行。
由于新用户的加入和老用户的注销会影响集中器的工作数据(例如,数据/信号的传输量),并且由于新用户的加入和老用户的注销可能不会及时在***中更新,那么在基于网络图谱确定相关用户、以及设定对应的预设条件时可能会有差错。因此,可以基于历史增减数据预测新用户的加入数量以及老用户的注销数量,通过预测新用户的加入数量以及老用户的注销数量可以确定其对集中器工作数据的影响,并适量对预设条件进行动态调整,进而减少对集中器故障的误判。
在一些实施例中,对预设条件进行动态调整可以包括对动态波动范围、动态阈值和或差异值进行调整。在一些实施例中,动态调整可以基于确定动态调整系数对动态波动范围、动态阈值和/或差异值进行调整。动态调整系数可以包括增加系数、减少系数中的至少一组。增加系数可以指增加新用户使得预设条件变化的系数。减少系数可以指老用户注销使得预设条件变化的系数。
如图5所示,可以基于历史增减数据510和网络图谱520通过预测图谱模型530预测至少一组新用户的加入数量541-1以及其增加可能性541-2、至少一组老用户的注销数量542-1以及其注销可能性542-2,并基于新用户的加入数量541-1以及其增加可能性541-2、老用户的注销数量542-1以及其注销可能性542-2确定新用户的最终加入数量551-1和老用户的最终注销数量552-1。在一些实施例中,可以将增加可能性最高的新用户数量作为新用户的最终加入数量,将注销可能性最高的老用户数量作为老用户的最终注销数量。其中,增加可能性和注销可能性为0-1之间的数。
历史增减数据可以包括历史时间点/段以及对应的新加入用户的数量和/或注销用户的数量。
预测图谱模型可以是机器学习模型,例如,图神经网络模型、深度神经网络等。预测图谱模型的输入可以包括网络图谱以及历史增减数据,输出可以是新用户增加和老用户注销在对应时间点/时间段的可能性。
在一些实施例中,训练该模型时,可以使用多个带有标签的训练样本,通过多种方法(例如,梯度下降法)进行训练,从而可以学习到预测图谱模型的参数。当训练的模型满足预设条件时,训练结束,获取训练好的预测图谱模型。
训练样本可以包括多组同一时间点/段的历史网络图谱以及历史增减数据。训练样本的标签可以是历史新用户的历史加入数量及对应的历史增加可能性、历史老用户的注销数量以及对应的历史注销可能性。例如,多组同一时间点/段可以对应于每一年的3月。训练样本的标签可以通过人工标注进行获取。例如,历史加入数量可以是2、2、4、8,2对应的历史增加可能性为50%。
在一些实施例中,基于新用户的最终加入数量551-1、对应的增加可能性551-2和/或老用户最终注销数量552-1、对应的注销可能性552-2确定动态调整系数560。在一些实施例中,可以预设增加对照表基于新用户最终加入数量及其对应的增加可能性确定增加系数,以及通过注销对照表基于老用户最终注销数量及其对应的注销可能性确定减少系数。进一步地,增加对照表可以包括最终加入数量、增加可能性以及对应的增加系数。注销对照表可以包括最终注销数量、注销可能性以及对应的减少系数。增加对照表、注销对照表可以基于先验经验或者人工设定。增加系数可以是大于1的数,减少系数可以是0-1之间的数。
在一些实施例中,可以基于预设条件570、动态调整系数580重新确定预设条件,作为目标预设条件580。目标预设条件是基于动态调整系数对预设条件进行调整后的条件。
在一些实施例中,可以通过公式(1)重新确定目标预设条件;
其中,为目标预设条件,/>为动态调整系数,/>为预设条件的数值。
例如,在预设条件中,丢包率动态阈值要求为10%,那么新用户增加后,确定增加系数为1.1,其目标预设条件为101.1=11%,表明新用户增加后,数据和/或信号的传输量增加,相应的丢包率也增加是正常情况,不能将当恰尼丢包率超过预设条件判断是集中器故障。
在一些实施例中,新用户增加和老用户注销同时发生,可以通过比较最终加入数量和增加可能性的乘积、最终注销数量和注销可能性的乘积,基于比较结果确定。
若比较结果是最终加入数量和增加可能性的乘积大于和/或等于最终注销数量和注销可能性的乘积,则将最终加入数量和最终注销数量的差值的绝对值作为最终加入的数量,并将(增加可能性+注销可能性)/增加可能性作为最终的增加可能性,通过增加对照表确定最终的增加系数。
若比较结果是最终加入数量和增加可能性的乘积小于最终注销数量和注销可能性的乘积,则将最终加入数量和最终注销数量的差值的绝对值作为最终注销的数量,并将注销可能性/(增加可能性+注销可能性)作为最终的注销可能性,通过注销对照表确定最终的减少系数。
在本申请的一些实施例中,通过历史时间点/段的历史增减数据,可以得到新用户加入或者老用户注销的规律,增加预测新加入用户和/或注销用户的准确性。由于新用户的加入以及老用户的注销而产生的对集中器的工作数据产生影响,是正常的情况,通过预测新用户的加入以及老用户的注销,减少对集中器故障的误判。在一些实施例中,可以从网络图谱或者存储器获取用户特征。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种基于机器学习的集中器校验方法,其特征在于,所述方法包括:
获取所述集中器所在的网络图谱,所述网络图谱包括节点和边;
基于所述网络图谱从所述节点和所述边确定相关用户和相关边;
获取所述集中器、所述相关用户和所述相关边的实际工作数据;
响应于所述实际工作数据不满足预设条件,确定反应机制。
2.根据权利要求1所述的集中器校验方法,其特征在于,所述预设条件包括工作数据的数值处于动态波动范围内、工作数据的数值小于动态阈值、差异值中的至少一种,所述响应于所述实际工作数据不满足预设条件,确定反应机制,包括:
确定在设定时间点/段的所述集中器、所述相关用户和所述相关边的理想工作数据;
响应于所述实际工作数据与所述理想工作数据的差异超出所述差异值,做出相应反应机制。
3.根据权利要求1所述的集中器校验方法,其特征在于,对所述预设条件动态调整,作为目标预设条件。
4.根据权利要求3所述的集中器校验方法,其特征在于,所述对所述预设条件动态调整,作为目标预设条件,包括:
获取历史增减数据;
基于所述历史增减数据和所述网络图谱通过预测图谱模型预测至少一组新用户的加入数量以及其增加可能性、至少一组老用户的注销数量以及其注销可能性;
基于所述新用户的加入数量以及其所述增加可能性、所述老用户的注销数量以及其所述注销可能性确定新用户的最终加入数量和老用户的最终注销数量;
基于所述新用户的最终加入数量、对应的所述增加可能性和/或所述老用户最终注销数量、对应的所述注销可能性确定动态调整系数;
基于所述预设条件、所述动态调整系数重新确定所述预设条件,作为目标预设条件。
5.一种基于机器学习的集中器校验***,其特征在于,所述***包括:
第一获取模块,用于与获取所述集中器所在的网络图谱,所述网络图谱包括节点和边;
相关确定模块,用于基于所述网络图谱从所述节点和所述边确定相关用户和相关边;
第二获取模块,用于获取所述集中器、所述相关用户和所述相关边的实际工作数据;
反应机制确定模块,用于响应于所述实际工作数据不满足预设条件,确定反应机制。
6.根据权利要求5所述的集中器校验***,其特征在于,所述预设条件包括工作数据的数值处于动态波动范围内、工作数据的数值小于动态阈值、差异值中的至少一种,所述反应机制确定模块还包括:
理想模块,用于确定在设定时间点/段的所述集中器、所述相关用户和所述相关边的理想工作数据;
差异模块,用于响应于所述实际工作数据与所述理想工作数据的差异超出所述差异值,做出相应反应机制。
7.根据权利要求5所述的集中器校验***,其特征在于,对所述预设条件动态调整,作为目标预设条件。
8.根据权利要求7所述的集中器校验***,其特征在于,所述反应机制确定模块包括:
第三获取模块,用于获取历史增减数据;
增减用户确定模块,用于基于所述历史增减数据和所述网络图谱通过预测图谱模型预测至少一组新用户的加入数量以及其增加可能性、至少一组老用户的注销数量以及其注销可能性;
最终确定模块,用于基于所述新用户的加入数量以及其所述增加可能性、所述老用户的注销数量以及其所述注销可能性确定新用户的最终加入数量和老用户的最终注销数量;
系数确定模块,用于基于所述新用户的最终加入数量、对应的所述增加可能性和/或所述老用户最终注销数量、对应的所述注销可能性确定动态调整系数;
目标条件确定模块,用于基于所述预设条件、所述动态调整系数重新确定所述预设条件,作为目标预设条件。
9.一种集中器校验装置,所述装置包括处理器以及存储器;所述存储器用于存储指令,其特征在于,所述指令被所述处理器执行时,导致所述装置实现如权利要求1至4中任一项所述的集中器校验方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如权利要求1至4中任意一项所述的集中器校验方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410432677.6A CN118034990B (zh) | 2024-04-11 | 2024-04-11 | 一种基于机器学习的集中器校验方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410432677.6A CN118034990B (zh) | 2024-04-11 | 2024-04-11 | 一种基于机器学习的集中器校验方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118034990A true CN118034990A (zh) | 2024-05-14 |
CN118034990B CN118034990B (zh) | 2024-06-18 |
Family
ID=90984427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410432677.6A Active CN118034990B (zh) | 2024-04-11 | 2024-04-11 | 一种基于机器学习的集中器校验方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118034990B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180080962A1 (en) * | 2016-09-21 | 2018-03-22 | Rolls-Royce Plc | Electrical fault detection |
CN209088949U (zh) * | 2018-11-28 | 2019-07-09 | 国网安徽省电力公司 | 双模通讯智能集中器 |
CN110311709A (zh) * | 2019-06-10 | 2019-10-08 | 国网浙江省电力有限公司嘉兴供电公司 | 用电信息采集***故障判别方法 |
US20200209292A1 (en) * | 2017-07-19 | 2020-07-02 | Sagemcom Energy & Telecom Sas | Method for reading information from a set of electricity meters |
CN112114230A (zh) * | 2020-09-18 | 2020-12-22 | 中电装备山东电子有限公司 | 一种用于低压台区的配网监测***以及台区拓扑识别方法 |
-
2024
- 2024-04-11 CN CN202410432677.6A patent/CN118034990B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180080962A1 (en) * | 2016-09-21 | 2018-03-22 | Rolls-Royce Plc | Electrical fault detection |
US20200209292A1 (en) * | 2017-07-19 | 2020-07-02 | Sagemcom Energy & Telecom Sas | Method for reading information from a set of electricity meters |
CN209088949U (zh) * | 2018-11-28 | 2019-07-09 | 国网安徽省电力公司 | 双模通讯智能集中器 |
CN110311709A (zh) * | 2019-06-10 | 2019-10-08 | 国网浙江省电力有限公司嘉兴供电公司 | 用电信息采集***故障判别方法 |
CN112114230A (zh) * | 2020-09-18 | 2020-12-22 | 中电装备山东电子有限公司 | 一种用于低压台区的配网监测***以及台区拓扑识别方法 |
Non-Patent Citations (1)
Title |
---|
滕培青,谷呈星: ""基于22标准集中器的高频采集技术研究"", 《现代信息科技》, vol. 8, no. 7, 10 April 2024 (2024-04-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN118034990B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
CN110968061B (zh) | 设备故障的预警方法、装置、存储介质和计算机设备 | |
AU2020309879B2 (en) | Failure probability assessment system and method therefor | |
US7912669B2 (en) | Prognosis of faults in electronic circuits | |
EP3163519A1 (en) | Methods for detecting one or more aircraft anomalies and devices thereof | |
US11830091B2 (en) | Methods for production line electricity management based on an industrial internet of things, systems and storage mediums thereof | |
JPWO2019116418A1 (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
CN111338876B (zh) | 一种故障模式与影响分析的决策方法、***及存储介质 | |
CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
CN111473471A (zh) | 一种多联机能耗计量方法及*** | |
CN113191074A (zh) | 一种用于数据中心的机房供电参数检测方法 | |
CN112182233B (zh) | 用于存储设备故障记录的知识库、及利用其辅助定位设备故障的方法及*** | |
CN113740666B (zh) | 一种数据中心电力***告警风暴根源故障的定位方法 | |
CN113487182B (zh) | 设备健康状态评估方法、装置、计算机设备和介质 | |
CN113010394B (zh) | 一种用于数据中心的机房故障检测方法 | |
CN118034990B (zh) | 一种基于机器学习的集中器校验方法及*** | |
CN114564349B (zh) | 一种服务器的监控方法、装置、电子设备及存储介质 | |
CN105847978B (zh) | 一种基于智能电视的信息收集方法及*** | |
JP2022037107A (ja) | 障害分析装置、障害分析方法および障害分析プログラム | |
CN113507397A (zh) | 一种基于云端运维收集终端设备状态自动巡检的方法 | |
CN112231127A (zh) | 电子装置及用于分析设备可靠度的方法 | |
CN115994136B (zh) | 一种基于能源网络拓扑关系的能源数据清洗方法及*** | |
CN113469453B (zh) | 基于信息物理***的电梯评估方法以及电梯评估装置 | |
JP2020004028A (ja) | ネットワーク機器情報管理装置およびネットワーク機器情報管理方法 | |
CN115663242B (zh) | 一种燃料电池检测方法和*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |