一种电力通信故障分析方法、装置、终端设备及介质制造方法及图纸

技术编号:32545570 阅读:14 留言:0更新日期:2022-03-05 11:43
本发明专利技术公开了一种电力通信故障分析方法、装置、终端设备及介质,该方法包括:从电力通信网获取历史告警信息,作为样本数据;利用所述样本数据对神经网络模型进行训练;对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;利用所述目标模型进行电力通信故障分析。本发明专利技术根据不同的电力通信系统,建立了对应的电力通信常见故障分析网络,并对总体网络故障信号进行采集与分析,并输入至训练好的神经网络模型,能够智能识别出故障设备以及发生故障所在位置。相比于传统的人工巡检以定位故障,本发明专利技术不仅容易操作,同时还具有成本低,耗时短以及定位准确度高等优点。耗时短以及定位准确度高等优点。耗时短以及定位准确度高等优点。

【技术实现步骤摘要】
一种电力通信故障分析方法、装置、终端设备及介质


[0001]本专利技术涉及电网故障分析
,尤其涉及一种电力通信故障分析方法、装置、终端设备及介质。

技术介绍

[0002]在电力通信网络中,往往存在不同类型的运行控制系统和资源管理系统。为了保证各个系统安全、稳定的运行,需要对其进行定期巡检,以及时排查故障并进行设备维修等工作。然而,目前针对电力通信故障的排查,主要依赖于人工巡检,通常是某一工作人员需要掌握不同类型的系统的运维技术,然后现场实施。显然,这种方式不仅会耗费大量的人力物力,而且作业周期长,对巡检的工作人员也是极大的挑战。此外,为了节约成本,通常会面临着要对各代不同类型的电力通信网络系统进行同时检查的情况,因此也会加大工作人员的作业难度,影响巡检精度,无法进一步实现快速准确的故障定位。

技术实现思路

[0003]本专利技术的目的在于提供一种电力通信故障分析方法、装置、终端设备及介质,以解决现有的依赖人工巡检进行电力通信故障排查方法中存在的成本高、耗时长、精度低以及实施难度大的问题。
[0004]为实现上述目的,本专利技术提供一种电力通信故障分析方法,包括:
[0005]从电力通信网获取历史告警信息,作为样本数据;
[0006]利用所述样本数据对神经网络模型进行训练;
[0007]对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;
[0008]利用所述目标模型进行电力通信故障分析。
[0009]进一步,作为优选地,在所述利用所述样本数据对神经网络模型进行训练之前,还包括:
[0010]利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。
[0011]进一步,作为优选地,所述利用所述样本数据对神经网络模型进行训练,包括:
[0012]根据所述样本数据,计算故障状态矩阵;
[0013]为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;
[0014]将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。
[0015]进一步,作为优选地,所述对训练后的神经网络模型的参数进行修正,包括:
[0016]利用BP算法对训练后的神经网络模型的参数进行修正。
[0017]本专利技术还提供一种电力通信故障分析装置,包括:
[0018]样本获取单元,用于从电力通信网获取历史告警信息,作为样本数据;
[0019]训练单元,用于利用所述样本数据对神经网络模型进行训练;
[0020]修正单元,用于对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;
[0021]分析单元,用于利用所述目标模型进行电力通信故障分析。
[0022]进一步,作为优选地,所述电力通信故障分析装置,还包括预处理单元,用于:
[0023]利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。
[0024]进一步,作为优选地,所述训练单元,还用于:
[0025]根据所述样本数据,计算故障状态矩阵;
[0026]为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;
[0027]将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。
[0028]进一步,作为优选地,所述修正单元,还用于:
[0029]利用BP算法对训练后的神经网络模型的参数进行修正。
[0030]本专利技术还提供一种终端设备,包括:
[0031]一个或多个处理器;
[0032]存储器,与所述处理器耦接,用于存储一个或多个程序;
[0033]当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上任一项所述的电力通信故障分析方法。
[0034]本专利技术还提供一种计算机可读介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的电力通信故障分析方法。
[0035]相对于现有技术,本专利技术的有益效果在于:
[0036]本专利技术公开了一种电力通信故障分析方法、装置、终端设备及介质,该方法包括:从电力通信网获取历史告警信息,作为样本数据;利用所述样本数据对神经网络模型进行训练;对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;利用所述目标模型进行电力通信故障分析。
[0037]本专利技术提供的电力通信故障分析方法,通过根据不同的电力通信系统,建立了对应的电力通信常见故障分析网络,并对总体网络故障信号进行采集与分析,然后输入至训练好的神经网络模型,能够智能识别出故障设备以及发生故障所在位置。相比于传统的人工巡检以定位故障,本专利技术不仅容易操作,同时还具有成本低,耗时短以及定位准确度高等优点。
附图说明
[0038]为了更清楚地说明本专利技术的技术方案,下面将对实施方式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方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0039]图1是本专利技术某一实施例提供的电力通信故障分析方法的流程示意图;
[0040]图2是本专利技术某一实施例提供的对样本数据进行预处理的流程示意图;
[0041]图3是图1中步骤S20的子步骤的流程示意图;
[0042]图4是本专利技术某一实施例提供的卷积神经网络模型的结构示意图;
[0043]图5是本专利技术某一实施例提供的电力通信故障分析装置的结构示意图;
[0044]图6是本专利技术某一实施例提供的终端设备的结构示意图。
具体实施方式
[0045]下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本专利技术保护的范围。
[0046]应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
[0047]应当理解,在本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0048]术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。...

【技术保护点】

【技术特征摘要】
1.一种电力通信故障分析方法,其特征在于,包括:从电力通信网获取历史告警信息,作为样本数据;利用所述样本数据对神经网络模型进行训练;对训练后的神经网络模型的参数进行修正,直至神经网络模型的输出满足预设条件,将对应的神经网络模型作为目标模型;利用所述目标模型进行电力通信故障分析。2.根据权利要求1所述的电力通信故障分析方法,其特征在于,在所述利用所述样本数据对神经网络模型进行训练之前,还包括:利用粗糙集算法对样本数据中的故障信息进行寻优,以消除噪音故障信息。3.根据权利要求1所述的电力通信故障分析方法,其特征在于,所述利用所述样本数据对神经网络模型进行训练,包括:根据所述样本数据,计算故障状态矩阵;为所述故障状态矩阵匹配故障标签,根据所述故障标签和所述故障状态矩阵构建向量对;其中,所述故障标签为故障原因;将所述向量对输入至神经网络模型进行特征提取,通过前向传播输出结果;其中,所述神经网络模型为卷积神经网络模型。4.根据权利要求1所述的电力通信故障分析方法,其特征在于,所述对训练后的神经网络模型的参数进行修正,包括:利用BP算法对训练后的神经网络模型的参数进行修正。5.一种电力通信故障分析装置,其特征在于,包括:样本获取单元,用于从电力通信网获取历史告警信息,作为样本数据;训练单元,用于利用所述样本数据对神经网络模型进行训练;修正单元,用于对训练后的神经网络模型的参数进行修正...

【专利技术属性】
技术研发人员:亢中苗许世纳刘新展邓晓智黄东海施展曾瑛张健
申请(专利权)人:广东电网有限责任公司电力调度控制中心
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1