【技术实现步骤摘要】
本专利技术涉及电力监控系统网络的故障管理，特别涉及一种基于深度学习的电力监控系统网络故障检测方法及系统。
技术介绍
1、随着智慧城市、智慧政务等新型应用和服务的快速出现，网络带宽资源和计算资源的需求量急剧增长。为了满足这些需求，算力网络的概念被提出并得到快速发展。随着算力网络建设，学术界提出了非常丰富的算力网络资源分配算法，较好的解决了算力网络资源利用率低的问题。由于单个设备故障容易导致多个网络设备和服务出现异常告警，给网络故障诊断带来了较大的挑战。文献[y.tan,y.nakano,j.wang and m.shigeno.designingof otnavdm networks with recovery methods for multiple failures[a].//202227th opto electronics and communications conference(oecc)and2022international conference on photonics in switching and computing(psc)[c],toyama:ieee,2022:01-03.]采用链路冗余备份的策略提升网络链路的可靠性。文献[malika,aziz b,mo a,et al.smart routing:towards proactive fault handling ofsoftware-defined networks[j].computer networks,2020,170:107104]采用故障
2、从已有研究分析可知，已有研究在网络资源故障检测中已经取得了较好的结果。随着深度学习技术的快速发展，新技术给故障诊断问题带来了更加丰富的工具。为了解决电力监控系统网络链路故障诊断准确率低的问题。
技术实现思路
1、为解决电力监控系统网络故障诊断准确率低的问题，本专利技术提供了一种基于深度学习的电力监控系统网络故障检测方法及系统，提高了电力监控系统网络故障诊断准确率。
2、本专利技术采用如下的技术方案。
3、本专利技术的第一方面提供了一种基于深度学习的电力监控系统网络故障检测方法，包括以下步骤：
4、获取电力监控系统网络资源状态的时间序列数据，所述时间序列数据通过构建的电力监控系统网络资源状态的时间序列模型得到；
5、将电力监控系统网络资源状态的时间序列数据输入预先构建的故障检测模型，所述故障检测模型基于深度学习的电力监控系统网络故障检测机制对电力监控系统网络故障进行检测；
6、获取故障检测模型的输出信息，所述输出信息包括时间序列是否包含故障链路和故障的类别。
7、可选地，构建电力监控系统网络资源状态的时间序列模型包括：
8、电力监控系统网络包括算力节点和算力链路，对电力监控系统网络使用无向图g＝(v,e)进行建模表达，其中，v表示算力节点vi的集合v＝{v1,v2,...,vn}；e表示算力链路ei的集合e＝{e1,e2,...,em}；使用x＝[x1,x2,...,xt]表示连续t个连续时刻内网络资源状态数据，其中，xt＝[x1,t,x2,t,...xm,t]表示电力监控系统网络中各条算力链路在t时刻采集到的链路特征数据集合。
9、可选地，链路特征数据集合包括以下至少一项：链路负载、链路带宽利用率、连接设备的故障率、链路时延、链路丢包率和链路是否拥塞的标签。
10、可选地，采用tcn和transformer构建故障检测模型，所述故障检测模型包括：数据收集和处理模块，用于接收链路特征数据集合，并对链路特征数据集合中的链路特征数据进行清洗和归一化处理；
11、局部时序特征提取模块，采用tcn模型，tcn模型包括多个一维因果卷积层，用于捕捉数据收集和处理模块输出数据的局部特征，获得局部特征数据；其中，每个因果卷积层连接relu激活函数，最后一层因果卷积层的输出连接transformer模型的输入；
12、全局依赖关系捕捉模块，用于使用多头注意力机制捕捉局部特征数据的关联关系，transformer模型基于关联关系进行故障检测；
13、故障检测模块，用于将transformer模型的输出映射到故障类别。
14、可选本文档来自技高网...
【技术保护点】
1.一种基于深度学习的电力监控系统网络故障检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
3.根据权利要求2所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
4.根据权利要求2所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
5.根据权利要求4所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
6.根据权利要求4所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
7.根据权利要求1所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
8.根据权利要求1所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
9.一种利用权利要求1-8任一项权利要求所述基于深度学习的电力监控系统网络故障检测方法的电力监控系统网络故障检测系统，其特征在于，包括：
10.一种电子设备，包括处理器及存储介质；其特征在于：
11.一种计算机可读存储介质，其上
...【技术特征摘要】
1.一种基于深度学习的电力监控系统网络故障检测方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
3.根据权利要求2所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
4.根据权利要求2所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
5.根据权利要求4所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
6.根据权利要求4所述的基于深度学习的电力监控系统网络故障检测方法，其特征在于：
7.根据...
【专利技术属性】
技术研发人员：崔文军，刘劲松，孙峰，任帅，李桐，刘扬，陈剑，许睿超，王顺江，狄跃斌，肖楠，佟昊松，赵宏伟，杨茜，翁子谦，
申请(专利权)人：国网辽宁省电力有限公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。