【技术实现步骤摘要】
网络故障定位模型训练、识别方法、装置、设备及介质
本专利技术属于智能变电站网络检测
，特别涉及一种网络故障定位模型训练、识别方法、装置、设备及介质。
技术介绍
智能变电站是一种可以自动完成信息采集、测量、控制、保护、计量和检测等基本功能，同时，又可以支持电网实时自动控制、智能调节、在线分析决策和协同互动等高级功能的变电站。随着变电站自动化程度地不断提高，智能变电站中的通信设备数量急剧攀升，网络拓扑结构更为复杂，当智能变电站中的通信网络发生故障时，目前的网络故障检测方法无法快速且精确地定位智能变电站中发生网络故障的位置，严重影响了智能变电站中通信网络的运维效率，无法保障智能变电站的通信安全。
技术实现思路
本专利技术的目的在于提供一种网络故障定位模型训练、识别方法、装置、设备及介质，以解决现有技术无法快速且精确地定位智能变电站中发生网络故障位置的技术问题。为了实现上述目的，本专利技术采用如下技术方案：一种网络故障定位模型训练方法，包括：获取智能变电站的历史网络故障信息，...
【技术保护点】
1.一种网络故障定位模型训练方法，其特征在于，包括：/n获取智能变电站的历史网络故障信息，通过朴素贝叶斯定理对所述历史网络故障信息进行处理，获取网络故障训练样本，每一所述网络故障训练样本包括网络故障特征信息和网络故障标签；/n通过原始自动编码器对所述网络故障特征信息进行处理，获取有效自动编码器；/n将所有所述有效自动编码器进行堆叠处理，获取栈式自编码神经网络；/n通过无监督学习法对所述栈式自编码神经网络进行处理，并从处理后的所述栈式自编码神经网络中，选取最后一个有效自动编码器与分类器连接，获取原始网络故障定位模型；/n基于所述网络故障标签，通过BP算法对所述原始网络故障定位...
【技术特征摘要】
1.一种网络故障定位模型训练方法，其特征在于，包括：
获取智能变电站的历史网络故障信息，通过朴素贝叶斯定理对所述历史网络故障信息进行处理，获取网络故障训练样本，每一所述网络故障训练样本包括网络故障特征信息和网络故障标签；
通过原始自动编码器对所述网络故障特征信息进行处理，获取有效自动编码器；
将所有所述有效自动编码器进行堆叠处理，获取栈式自编码神经网络；
通过无监督学习法对所述栈式自编码神经网络进行处理，并从处理后的所述栈式自编码神经网络中，选取最后一个有效自动编码器与分类器连接，获取原始网络故障定位模型；
基于所述网络故障标签，通过BP算法对所述原始网络故障定位模型中的参数进行调整，获取目标网络故障定位模型。
2.根据权利要求1所述的一种网络故障定位模型训练方法，其特征在于，所述通过原始自动编码器对所述网络故障特征信息进行处理，获取有效自动编码器，具体包括：
通过所述原始自动编码器中的自动编码函数对所述网络故障特征信息进行编码处理，获取编码数据；
通过解码函数对所述编码数据进行解码处理，获取解码数据；
基于所述网络故障特征信息和所述解码数据，构建原始损失函数；
对所述原始损失函数进行稀疏处理，获取有效损失函数，基于所述有效损失函数对所述原始自动编码器中的参数进行调整，获取有效自动编码器。
3.根据权利要求2所述的一种网络故障定位模型训练方法，其特征在于，所述自动编码函数具体为：
y(xi)＝fθ(xi)＝σ(Wxi+b)，其中，xi为第i个网络故障特征信息，y(xi)为第i个网络故障特征信息对应的编码数据，σ为编码非线性激活函数；W为权值矩阵；b为偏置向量；θ＝{W,b}为编码过程中的参数集合。
4.根据权利要求2所述的一种网络故障定位模型训练方法，其特征在于，所述自动解码函数具体为：
其中，为第i个网络故障特征信息对应的解码数据，σ′为解码非线性激活函数；W′为权值矩阵；b′为偏置向量；θ′＝{W′,b′}为解码过程中的参数集合。
5.根据权利要求2所述的一种网络故障定位模型训练方法，其特征在于，所述有效函数具体为：
其中，M为网络故障训练样本的个数，m为隐藏层神经元的个数；β为稀疏性惩罚因子；ρ为平均活跃度的目标值；ρj为第j个隐藏层神经元的平均活跃度；KL(ρ||ρj)为实际平...
【专利技术属性】
技术研发人员：李文琢，刘筱萍，李劲松，刘鑫蕊，张金虎，李亚蕾，李昂，纪欣，沈艳，张炜，张海燕，赵娜，刘洋，赵芯莹，孟媛，
申请(专利权)人：中国电力科学研究院有限公司，东北大学，
类型：发明
国别省市：北京;11
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。