基于BP神经网络的电力通信网故障分析方法技术

本发明专利技术具体涉及一种基于BP神经网络的电力通信网故障分析方法，其包括以下步骤：获取预设故障周期范围内的多组告警数据以及对应的故障值，每组告警数据包括设备厂商信息和告警类别；对所述设备厂商信息、告警类别、故障值进行数值化处理；以所述数值化处理后的设备厂商信息、告警类别和故障值作为训练样本数据，进行BP神经网络初始模型的学习训练，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型；根据所述BP神经网络最终模型对电力通信网的故障进行预测。本发明专利技术具有较高的预测精度，能为电力通信网故障的分析和恢复提供有效参考。

【技术实现步骤摘要】

本专利技术设及电力通信网领域，特别是设及基于神经网络的电力通信网故障分析方 法。
技术介绍
随着电力系统呈现协作的特点，电力通信网将承载越来越多的控制、自动化等业 务，呈现出多制式、结构复杂、设备数量众多、运行数据多元化的特点，如何面向未来大数据 环境下的运行态势展开电力通信网故障和告警之间关系的深度挖掘，W明确电力通信网运 行的安全隐患，对电力通信网的可靠运行具有重要的意义。 电力通信网中的设备运行故障与告警相对应，在传统的通信网络中，是在个别故 障案例发生时，对此设备发生故障时可能观察到的告警进行关系挖掘，由此得出反映物理 网络及业务应用中所有可能的故障和告警及其之间的关联关系的故障分析方法。由于运些 关联关系仅通过经验模式获取，缺乏足够的科学依据，所得到的结论并不能普遍适用于电 力通信网中的故障预警与态势分析。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于BP神经网络的电力通信网故障分析 方法，具有较高的预测精度，能为电力通信网故障的分析和恢复提供有效参考。 上述技术问题通过W下技术方案进行解决： -种基于BP神经网络的电力通信网故障分析方法，包括W下步骤： 获取预设故障周期范围内的多组告警数据W及对应的故障值，每组告警数据包括 设备厂商信息和告警类别；[000引对所述设备厂商信息、告警类别、故障值进行数值化处理； W所述数值化处理后的设备厂商信息、告警类别和故障值作为训练样本数据，进 行BP神经网络初始模型的学习训练，直到BP神经网络初始模型的预测精度达到要求，得到 BP神经网络最终模型，其中，所述数值化处理后的设备厂商信息、告警类别为训练样本数据 中的输入向量，所述数值化处理后的故障值为训练样本数据中的输出量； 根据所述BP神经网络最终模型对电力通信网的故障进行预测。 在其中一个实施例中，对所述设备厂商信息、告警类别进行数值化处理的方式包 括：根据设备厂商信息的数量m，m为大于1的整数，将0到1的区间均匀划分为与m个设 备厂商信息一一对应的m个子区间，分别为m个设备厂商信息在对应的子区间中按随机数公 式随机取一数值W赋值；[001引根据告警类别的数量n，n为大于1的整数，将0到1的区间均匀划分为与η个告警类 别一一对应的η个子区间，分别为η个告警类别在对应的子区间中按随机数公式随机取一数 值W赋值； 对所述故障值进行数值化处理的方式包括:使用第一数值表示发生故障，使用第 二数值表示未发生故障。 在其中一个实施例中，B巧申经网络初始模型的学习训练的过程包括： 读取训练样本数据，进行前向传播； 检验BP神经网络初始模型的预测精度是否达到预设精度要求； 若未达到，则进行反向传播，然后返回上述进行前向传播的步骤；若达到，结束学习训练的过程。 在其中一个实施例中，在检验到BP神经网络初始模型的预测精度未达到预设精度 要求之后，进行反向传播之前，还包括步骤:调整学习速率η; 调整学习速率η的方式包括： 当相邻两次迭代的梯度方向相同时，学习速率η调整为： 其中，riz为学习速率η作此次调整前的值； 当相邻两次迭代的梯度方向相反时，学习速率η调整具体为： 其中，riz为学习速率η作此次调整前的值。 在其中一个实施例中，所述ΒΡ神经网络初始模型包括输入层、隐含层和输出层，所 述隐含层W对数-S型函数作为传递函数，所述输出层W硬极限函数作为传递函数。 在其中一个实施例中，所述前向传播包括： W所述数值化处理后的设备厂商信息、告警类别为输入层的输入值，采用〇1ι = χι 确定输入层的输出值，其中，XI为输入层第i个节点的输入值;oil为输入层第i个节点的输出 值，i = l，2;[003。 W所述输入层的输出值为输入，通过j=l;，2,…，P确定隐含 层的输入值，并基于隐含层的输入值，通过·确定隐含层的输出值； 其中，netl功隐含层第j个节点的输入值，P为隐含层的节点个数，Θ功隐含层第j个节点的 阔值；ωυ为输入层第i个节点与隐含层第j个节点的连接权值;02j为隐含层第j个节点的输 出值； W所述隐含层的输出值为输入，通过确定输出层的输入值， 并基于输出层的输入值，通过确定输出层的输出值，其中， net2t为输出层节点的输入值；为隐含层第j个节点与输出层节点的连接权值;Θ*为输出 层节点的阔值;〇3t为输出层节点的输出值。 在其中一个实施例中，所述反向传播包括： 通过调整隐含层与输出层之间的连接权值Wjt，其中， St = o3t(l-〇3t)(dt-〇3t)，Δ cojt为连接权值cojt的变化量； 通过调整输入层与隐含层之间的连接权值ωυ，其中，S Δ ω U为连接权值ω U的变化量； 所述Ε通过骑定，dt为输出层节点的所期望输出。 在其中一个实施例中，B巧申经网络初始模型的预测精度通过下述方式确定： 将预设故障周期范围内的多组告警数据分别作为BP神经网络初始模型的输入，得 出故障的预测值； 将故障的预测值与实际的故障值进行比对统计，确定结果一致的数量值与故障值 总数量的比值； 将所述比值作为预测精度。 本专利技术利用BP神经网络并结合量化后的设备厂商信息、告警类别来挖掘电力通信 网故障与设备厂商信息、告警类别之间的关系，W形成基于BP神经网络使用设备厂商信息、 告警类别来预测电力通信网故障的方法，具有较高的预测精度，能为电力通信网故障的分 析和恢复提供有效参考。 本专利技术通过将学习速率η根据BP神经网络训练的状态自动调整，实现自适应学习 设备厂商信息、告警类别与故障之间的关系，减少人为主观因素的影响，进一步提升预测精 度。【附图说明】 图1为本专利技术的流程图； 图2为隐层节点输出变化曲线图； 图3为对ΒΡ神经网络初始模型进行学习训练的一种流程图。 图4为对ΒΡ神经网络初始模型进行学习训练的另一钟流程图。【具体实施方式】 结合图1-图4,一种基于神经网络的电力通信网故障分析方法，包括W下步骤：[004引步骤S101:获取预设故障周期范围内的多组告警数据W及对应的故障值，每组告 警数据包括设备厂商信息和告警类别。 步骤S102:对所述设备厂商信息、告警类别、故障值进行数值化处理。 对故障值进行数值化处理的方式包括:使用第一数值表示发生故障，使用第二数 值表不未发生故障。第一数值代表某一设备厂商信息的设备发出某一种告警类别时被检定 发生故障。第二数值代表某一设备厂商信息的设备发出某一种告警类别时被检定没有发生 故障。在本实施例中，第一数值为1，第二数值为ο。 对于告警数据无法根据现实情况进行数值化处理的字段，在本申请中采用离散化 赋值方法对该设备厂商信息、告警类别两种字段的各个值分别进行赋值，作为ΒΡ神经网络 的输入。 对设备厂商信息采用离散化赋值方法进行数值化处理： 1)根据设备厂商信息的数量m，m为大于1的整数，将0到1的区间均匀划分为与m个 设备厂商信息一一对应的m个子区间，离散化后的子区间表示为当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种基于BP神经网络的电力通信网故障分析方法，其特征在于，包括以下步骤：获取预设故障周期范围内的多组告警数据以及对应的故障值，每组告警数据包括设备厂商信息和告警类别；对所述设备厂商信息、告警类别、故障值进行数值化处理；以所述数值化处理后的设备厂商信息、告警类别和故障值作为训练样本数据，进行BP神经网络初始模型的学习训练，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型，其中，所述数值化处理后的设备厂商信息、告警类别为训练样本数据中的输入向量，所述数值化处理后的故障值为训练样本数据中的输出量；根据所述BP神经网络最终模型对电力通信网的故障进行预测。

【技术特征摘要】

【专利技术属性】
技术研发人员：吴刚，王柏勇，陈昌娜，陆嘉恩，张思敏，刘诗怡，滕蔓，陈伯龙，
申请(专利权)人：广州供电局有限公司，
类型：发明
国别省市：广东;44