一种基于机器学习算法的电力通信网故障诊断方法和系统技术方案

本发明专利技术提供一种基于机器学习算法的电力通信网故障诊断方法与系统，属于电力技术领域，具体包括：电力通信网的故障数据采集，通过聚类分析与滑动窗口结合的方式对数据进行去噪，并通过综合熵的方式对数据进行加权处理；将处理过的告警数据进行处理和编码，形成故障状态矩阵集，并将故障状态矩阵集全部转为灰度图像；采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，并对高频分量子图像和低频分量子图像分别进行融合处理；重构灰度图像，并将其输入到已训练完成的基于NIN

【技术实现步骤摘要】
一种基于机器学习算法的电力通信网故障诊断方法和系统


[0001]本专利技术属于电力
，具体涉及一种基于机器学习算法的电力通信网故障诊断方法和系统。

技术介绍

[0002]电力通信网一旦出现问题，需要及时的进行故障诊断，使得运维人员可以尽早进行故障定位修复。电力通信网的故障诊断通常依靠网管的告警数据，而电力通信网告警数据具有以下几个特点，一是告警数据具有衍生性，一个高级别的根源告警可能产生多个衍生的次要的告警；二是告警数据具有传播性，有些告警会随着网络链路传播到与之连通的多个站点。因此电力通信网的告警数据量是巨大的，里面蕴含了很多对故障诊断有用的信息。
[0003]传统的电力通信网故障判断技术大多数是基于规则的，但基于规则的技术有其局限性，首先在复杂通信网络的规则库本身无法准确全面定义，其次规则库的维护升级都十分困难。使用传统的基于规则的技术对复杂的电力通信网络进行故障诊断难度越来也大，精度也较低，诊断时间也越来越长。随着人工智能技术的发展，还可以通过CNN的方式对电力通信网进行故障判断，但是由于通信网的数据量较大，需要CNN网络的训练时间会较长，因此如何在保证定位准确的基础上，提高诊断效率是目前的问题。
[0004]针对上述技术问题，本专利技术提供了一种基于机器学习算法的电力通信网故障诊断方法和系统。

技术实现思路

[0005]为实现本专利技术目的，本专利技术采用如下技术方案：
[0006]根据本专利技术的一个方面，提供了一种基于机器学习算法的电力通信网故障诊断方法。r/>[0007]一种基于机器学习算法的电力通信网故障诊断方法，其特征在于，具体包括：
[0008]S1电力通信网的故障数据采集，通过聚类分析与滑动窗口结合的方式对数据进行去噪，并通过综合熵的方式对数据进行加权处理；
[0009]S2将处理过的告警数据进行处理和编码，形成故障状态矩阵集，并将故障状态矩阵集全部转为灰度图像；
[0010]S3采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，并对高频分量子图像和低频分量子图像分别进行融合处理；
[0011]S5重构灰度图像，并将其输入到已训练完成的基于NIN
‑
CNN神经网络的电力通信网故障诊断模型之中；
[0012]S6输出电力通信网故障诊断的诊断结果。
[0013]采用基于Mallat
‑
NIN
‑
CNN神经网络的电力通信网故障诊断模型，与基于CNN的故障诊断模型相比，进一步降低了计算量，提高了预测的效率，同时也提高了预测精度。与传
统基于规则的故障判断技术相比，其计算精度有明显的提高特别是目前电力通信网络架构愈发复杂，导致整体的数据量呈几何倍的增加，采用上述故障模型，具有更好的预测效果，在提高预测速度的同时，也使得整体的预测精度有进一步的提升。
[0014]进一步的技术方案在于，所述电力通信网的故障数据包括告警类型、告警时间、告警级别、告警站点。
[0015]进一步的技术方案在于，所述聚类分析算法采用SA
‑
CURD算法，对聚类分析半径进行自动确定。
[0016]传统的聚类分析半径通常是人工设定，采用SA
‑
CURD算法，自动确定聚类分析半径，从而避免由于聚类分析半径人工选取的过大或者过小，从而使得过多的数据细节丢失或者计算速度过慢。由于通信故障数据量大，且具有很多的关联性，因此通过采用SA
‑
CURD算法，使得通信故障数据特征提取更加完备，也避免了过慢的计算速度。
[0017]进一步的技术方案在于，所述高频分量子图像的融合处理，具体为：高频分量采用取最大值或者平均化对其进行融合处理。
[0018]采用最大值或者平均化对其进行融合处理，可以提升高频分量子图像的融合处理速度，进一步提高通信网故障诊断的速度。
[0019]进一步的技术方案在于，所述低频分量子图像的融合处理，具体为：低频分量采用加权平均的方法对其进行融合处理。
[0020]采用加权平均的方法对低频分量子图像进行融合处理，从而抑制特征丢失现象，由于低频分量子图像保留有大量的细节特征，采用加权平均的方法可以进一步保留大量的通信网络的故障数据信息，从而使得整体的预测结果变得更加准确。
[0021]进一步的技术方案在于，所述基于NIN
‑
CNN神经网络的电力通信网故障诊断模型，包括：在传统CNN卷积层的基础上加入1X1的卷积层。
[0022]加入1X1的卷积层，从而避免了实际工况中样本多为线性不可分，虽逐层递增神经元数量能够充分提取输入数据的特征信息，但网络中大量的神经元需要更多的参数进行运算，导致网络产生大量的冗余信息的问题，进而提高了故障的检测速度，提高了预测的精度。
[0023]进一步的技术方案在于，所述1X1的卷积层作为网络函数逼近器，将卷积层输出的特征信息进行统合运算。
[0024]进一步的技术方案在于，所述基于NIN
‑
CNN神经网络的电力通信网故障诊断模型其激活函数采用ReLU函数。
[0025]与采用sigmoid函数或tanh双曲正切函数相比，其收敛速度会更快，从而进一步提升了通信网故障诊断的速度。
[0026]进一步的技术方案在于，所述基于NIN
‑
CNN神经网络的电力通信网故障诊断模型其误差函数采用交叉熵函数，具体为：
[0027][0028]上式d
k
为标签值，正确时为1，错误为0，X
k
为第k个神经网络的输出，log为以e为底的对数。
[0029]通过设置改进型的误差函数，可以进一步提升收敛速度，避免了采用均方差作为
损失函数,当训练结果接近真实值时会因为梯度算子极小,使得模型的收敛速度变得非常慢。采用交叉熵损失函数为对数函数,在接近上边界的时候,其仍然可以保持在高梯度状态,因此模型的收敛速度不会受到影响，由于通信网的故障数据庞大且计算速度较慢，采用基于交叉熵的误差函数可以进一步提升预测的速度。
[0030]另一方面，本专利技术提供了一种基于机器学习算法的电力通信网故障诊断系统，采用上述的电力通信网的故障诊断方法，包括数据提取模块，数据处理模块，数据分析模块，结果输出模块所述数据提取模块负责电力通信网的故障数据采集；所述数据处理模块负责通过聚类分析与滑动窗口结合的方式对数据进行去噪，并通过综合熵的方式对数据进行加权处理，将处理过的告警数据进行处理和编码，形成故障状态矩阵集，并将故障状态矩阵集全部转为灰度图像，采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，并对高频分量子图像和低频分量子图像分别进行融合处理，重构灰度图像；所述数据分析模块负责具体将数据处理模块处理完成的数据输入到已训练完成的基于NIN
‑
CNN神经网络的电力通信网故障诊断模型之中，输出故障诊断结果；所述结果输出模块本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习算法的电力通信网故障诊断方法，其特征在于，具体包括：S1电力通信网的故障数据采集，通过聚类分析与滑动窗口结合的方式对数据进行去噪，并通过综合熵的方式对数据进行加权处理；S2将处理过的告警数据进行处理和编码，形成故障状态矩阵集，并将故障状态矩阵集全部转为灰度图像；S3采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图像，并对高频分量子图像和低频分量子图像分别进行融合处理；S5重构灰度图像，并将其输入到已训练完成的基于NIN
‑
CNN神经网络的电力通信网故障诊断模型之中；S6输出电力通信网故障诊断的诊断结果。2.如权利要求1所述的电力通信网故障诊断方法，其特征在于，所述电力通信网的故障数据包括告警类型、告警时间、告警级别、告警站点。3.如权利要求1所述的电力通信网故障诊断方法，其特征在于，所述聚类分析采用SA
‑
CURD算法，对聚类分析半径进行自动确定。4.如权利要求1所述的电力通信网故障诊断方法，其特征在于，高频分量子图像的融合处理，具体为：高频分量采用取最大值或者平均化对其进行融合处理。5.如权利要求1所述的电力通信网故障诊断方法，其特征在于，低频分量子图像的融合处理，具体为：低频分量采用加权平均的方法对其进行融合处理。6.如权利要求1所述的电力通信网故障诊断方法，其特征在于，所述基于NIN
‑
CNN神经网络的电力通信网故障诊断模型，具体为：在CNN卷积层的基础上加入1X1的卷积层。7.如权利要求6所述的电力通信网故障诊断方法，其特征在于，所述1X...

【专利技术属性】
技术研发人员：王慕维，郭源善，安致嫄，李文萃，刘岩，张宁宁，王春迎，党芳芳，盛磊，赵凌霄，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：