一种低压电力线载波通信系统故障诊断方法技术方案

本发明专利技术公开了一种低压电力线载波通信系统故障诊断方法，包括：对告警数据进行预处理；初始化SOM神经网络的权重向量和学习速率并利用预处理后的告警数据进行训练；利用基于反馈的自动定制迭代次数的策略提高训练效果，得到改进后的SOM神经网络的故障诊断模型；将实时采集的告警数据输入所述故障诊断模型，划分故障类型，输出故障诊断结果。本发明专利技术在网络故障诊断问题上体现出较高的精度；不会导致此中心陷入局部最优；将低压电力线通信系统告警数据进行聚类，从而准确识别故障类型，减小了维护检修的工作量。检修的工作量。检修的工作量。

【技术实现步骤摘要】
一种低压电力线载波通信系统故障诊断方法


[0001]本专利技术涉及电力线载波通信系统的
，尤其涉及一种低压电力线载波通信系统故障诊断方法。

技术介绍

[0002]传统的多层线性故障检测方法借助于多层线性特征提取算法对通信网络中的故障进行诊断，但该方法对于网络的变化反应不敏感，难以满足低压电力线载波通信系统故障诊断的需求；基于增量贝叶斯疑似度的启发式故障定位算法不能很好地克服低压电力线通信系统中的噪音影响；基于规则的告警关联性分析方法便于理解，得到广泛应用，但推理的效率较低。

技术实现思路

[0003]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0004]鉴于上述现有存在的问题，提出了本专利技术。
[0005]因此，本专利技术解决的技术问题是：对于网络的变化反应不敏感，不能很好地克服低压电力线通信系统中的噪音影响以及推理的效率较低。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：对告警数据进行预处理；初始化SOM神经网络的权重向量和学习速率并利用预处理后的告警数据进行训练；利用基于反馈的自动定制迭代次数的策略提高训练效果，得到改进后的SOM神经网络的故障诊断模型；将实时采集的告警数据输入所述故障诊断模型，划分故障类型，输出故障诊断结果。
[0007]作为本专利技术所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：所述故障类型包括电力线线路故障、通信线程死锁故障、缓存器故障、路由器故障、路由器逻辑错误、分支箱故障、变压器故障。
[0008]作为本专利技术所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：利用LVQ网络将有监督和无监督结合的思想得到所述改进的SOM神经网络的故障诊断算法。
[0009]作为本专利技术所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：一个样本是一组故障告警的合集，将一个样本中的所有故障告警的独热编码相加，所生成的新的向量，包含原本各个独立的故障告警信息，通过上述步骤，将样本处理成神经网络可接受的输入向量，将输入向量输入到神经网络中，与每个神经元的权重向量做内积，取其中内积最大者为获胜神经元。
[0010]作为本专利技术所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：利用如下公式计算获胜神经元：
[0011][0012]作为本专利技术所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：根据所述获胜神经元的类型标签与连接向量的类型标签进行一致性判断，调整优胜邻域Nj*(t)内所有邻接神经元的权值包括，
[0013]若标签相同采用如下公式调整权值：
[0014]W
j
(new)＝w
j
(old)+α[x
‑
w
j
(old)][0015]若标签不同采用如下公式调整权值：
[0016]w
j
(new)＝w
j
(old)
‑
α[xw
j
(old)][0017]其中，w
j
为第j个输出单元的权重向量，α为学习速率。
[0018]作为本专利技术所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：基于反馈的自动定制迭代次数的策略包括，定义每一次训练前后聚类中心的向量变化如下：
[0019][0020]其中，C
n
表示当前训练后的聚类中心的向量，C
n
‑1表示前一次训练后的聚类中心的向量，avg_iter为所述网络在单个节点上的前default_vectors个输入向量的平均迭代次数。
[0021]作为本专利技术所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：所述训练效果的判断标准包括，在每一次更新获胜神经元时，考察当前进行的更新对聚类中心的影响，即ΔC的改变量，当此量值小于0.01时，所述聚类中心已近似于实际数据的中心，对于此类进行再多次样本训练，效果不再明显，提前结束此类的训练，开始进行下一类的训练。
[0022]本专利技术的有益效果：本专利技术将LVQ机制引入SOM神经网络，可以解决输入向量相近但分类不同时的异常和迭代次数固定训练效果依赖人为调参经验的问题，从而在网络故障诊断问题上体现出较高的精度；对于迭代次数的优化是以单个聚类作为考察对象，不会因为单个中心提前停止训练而影响其他聚类中心的训练，单个聚类中心变化幅度小正是该聚类中心训练完成的直接标志，因而不会导致此中心陷入局部最优；基于改进SOM神经网络的故障诊断模型进行诊断，将低压电力线通信系统告警数据进行聚类，从而准确识别故障类型，减小了维护检修的工作量。
附图说明
[0023]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0024]图1为本专利技术一个实施例提供的一种低压电力线载波通信系统故障诊断方法的基
本流程示意图；
[0025]图2为本专利技术一个实施例提供的一种低压电力线载波通信系统故障诊断方法的二层SOM的神经网络结构示意图；
[0026]图3为本专利技术一个实施例提供的一种低压电力线载波通信系统故障诊断方法的LVQ神经网络结构示意图；
[0027]图4为本专利技术一个实施例提供的一种低压电力线载波通信系统故障诊断方法的有反馈的判断停止迭代流程示意图；
[0028]图5为本专利技术一个实施例提供的一种低压电力线载波通信系统故障诊断方法的实验参数设置示意图。
具体实施方式
[0029]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0030]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0031]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0032]本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低压电力线载波通信系统故障诊断方法，其特征在于，包括：对告警数据进行预处理；初始化SOM神经网络的权重向量和学习速率并利用预处理后的告警数据进行训练；利用基于反馈的自动定制迭代次数的策略提高训练效果，得到改进后的SOM神经网络的故障诊断模型；将实时采集的告警数据输入所述故障诊断模型，划分故障类型，输出故障诊断结果。2.如权利要求1所述的低压电力线载波通信系统故障诊断方法，其特征在于：所述故障类型包括电力线线路故障、通信线程死锁故障、缓存器故障、路由器故障、路由器逻辑错误、分支箱故障、变压器故障。3.如权利要求1或2所述的低压电力线载波通信系统故障诊断方法，其特征在于：利用LVQ网络将有监督和无监督结合的思想得到所述改进的SOM神经网络的故障诊断算法。4.如权利要求3所述的低压电力线载波通信系统故障诊断方法，其特征在于：一个样本是一组故障告警的合集，将一个样本中的所有故障告警的独热编码相加，所生成的新的向量，包含原本各个独立的故障告警信息，通过上述步骤，将样本处理成神经网络可接受的输入向量，将输入向量输入到神经网络中，与每个神经元的权重向量做内积，取其中内积最大者为获胜神经元。5.如权利要求4所述的低压电力线载波通信系统故障诊断方法，其特征在于：利用如下公式计算获胜神经元：6.如权利要求5所述的低压电力线载波通信系统故障诊断方法，其特征在于：根据所述获胜神经元的类型标签与连接向量的类型标签进行一致性判断，调整优胜邻域Nj*(t)内所有邻...

【专利技术属性】
技术研发人员：施展，李波，张正峰，吴赞红，王秀竹，吴振田，杨志花，
申请(专利权)人：广东电力通信科技有限公司，
类型：发明
国别省市：