System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于通信电源故障定位,尤其涉及一种基于多源异构数据的电源故障协同定位方法及系统。
技术介绍
1、通信电源是通信网络的关键基础设施,被称为通信系统的心脏。如果通信电源出现异常故障,将会引起通信设备供电中断无法正常工作运行,甚至导致整个系统的瘫痪。随着电信事业的发展,通信网络的可靠性和稳定性有着更高标准的要求,因此对通信电源健康状况的检测是至关重要的。
2、通信电源的健康状况往往可以通过运行时电流、电压、运行温度和蓄电池运行年限等多项指标反映出来。但是随着通信网络规模的不断扩大,通信电源相关指标的数据量大,不同指标之间的关系错综复杂。且当故障发生时,对故障点进行及时的抢修,会降低对整个通信网络运行的影响。因此,由于数据量大、数据指标之间关系复杂、对故障点抢修的实时性要求等原因,使用人工方法判断通信电源是否发生故障是不可行的。随着人工智能和深度学习技术的不断发展,这些技术也逐渐被应用于解决各种电力场景下故障定位等问题。
3、专利技术人发现,通信系统相关数据的量纲不同,会对神经网络学习效果产生影响;且电力数据往往具有很强的时序性,直接对电力数据进行学习得到的网络预测模型,没有考虑数据间的时序性影响,导致网络预测模型的预测结果不准确,不能进行有效的电源故障定位。
技术实现思路
1、本专利技术为了解决上述问题,提出了一种基于多源异构数据的电源故障协同定位方法及系统,本专利技术解决了量纲不同和数据时序性对预测的影响,提高了电源故障定位准确性。
2、为
3、第一方面,本专利技术提供了一种基于多源异构数据的电源故障协同定位方法,包括:
4、获取当前时间、上一周同一时间以及上一年度同一时期的三个时间尺度下的电源数据;
5、对三个时间尺度下的电源数据进行归一化处理;
6、对归一化处理后的电源数据进行数据增强,得到包括时序数据之间依赖关系和统计特征的时序增强向量;
7、基于时序增强向量,以及预设的故障定位网络模型,得到定位结果。
8、进一步的,故障定位网络模型训练时,进行特征提取得到三个时间尺度上的低维表示向量;对三个时间尺度上的低维表示向量进行加权融合;将加权融合的特征输入到网络模型中学习时序信息;学习后,拉远异常样本特征表示与正常样本特征表示的距离,拉近正常样本特征表示之间的距离。
9、进一步的,采用一维的卷积神经网络进行特征的提取,采用注意力机制特征融合方法对三个时间尺度上的低维表示向量分配不同的注意力权重进行融合,将加权融合的特征输入到长短期记忆网络中学习时序信息。
10、进一步的,对融合后的加权融合向量进行学习,得到综合表示向量;利用综合表示向量,计算对比学习损失值,以拉远异常样本表示向量和正常样本表示向量的距离,并且拉近正样本表示向量之间的距离;采用多层感知机和softmax函数进行故障判别,并计算softmax函数输出的故障判别损失值;基于获得的对比损失值和故障判别损失值,利用梯度反向传播算法对模型中参数进行调整,不断优化故障定位准确度。
11、进一步的,进行归一化处理,使三个时间尺度下的电源数据中各个指标处于同一数量级。
12、进一步的,基于滑动窗口的数据增强模块,生成包括时序数据之间依赖关系和统计特征的时序增强向量。
13、进一步的,引入多层感知机,完成电源故障定位。
14、第二方面,本专利技术还提供了一种基于多源异构数据的电源故障协同定位系统,包括:
15、数据采集模块,被配置为:获取当前时间、上一周同一时间以及上一年度同一时期的三个时间尺度下的电源数据;
16、归一化模块,被配置为:对三个时间尺度下的电源数据进行归一化处理;
17、数据增强模块,被配置为:对归一化处理后的电源数据进行数据增强,得到包括时序数据之间依赖关系和统计特征的时序增强向量;
18、故障定位模块,被配置为:基于时序增强向量,以及预设的故障定位网络模型,得到定位结果。
19、第三方面,本专利技术还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了第一方面所述的基于多源异构数据的电源故障协同定位方法的步骤。
20、第四方面,本专利技术还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了第一方面所述的基于多源异构数据的电源故障协同定位方法的步骤。
21、与现有技术相比,本专利技术的有益效果为:
22、1、本专利技术充分考虑到通信电源的时序性,对当前时间、上一周同一时间以及上一年度同一时期的三个时间尺度下的电源数据进行采集,并进行归一化处理,使各个指标处于同一数量级,并且引入基于滑动窗口的时序数据增强技术对时序数据之间的依赖关系和统计特征进行表示,解决了量纲不同和数据时序性对预测的影响,提高了电源故障定位准确性;
23、2、本专利技术中基于获取的三个时间尺度的信息,提出了改进的cnn-lstm网络,以更好的学习与融合来自不同时间尺度的时序特征信息,生成一个综合表示向量;同时,引入对比学习,计算对比学习损失值,拉远异常样本和正常样本表示向量的距离,并且拉近正样本表示向量之间的距离,提高了故障定位的准确度。
本文档来自技高网...【技术保护点】
1.一种基于多源异构数据的电源故障协同定位方法,其特征在于,包括:
2.如权利要求1所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,故障定位网络模型训练时,进行特征提取得到三个时间尺度上的低维表示向量;对三个时间尺度上的低维表示向量进行加权融合;将加权融合的特征输入到网络模型中学习时序信息;学习后,拉远异常样本特征表示与正常样本特征表示的距离,拉近正常样本特征表示之间的距离。
3.如权利要求2所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,采用一维的卷积神经网络进行特征的提取,采用注意力机制特征融合方法对三个时间尺度上的低维表示向量分配不同的注意力权重进行融合,将加权融合的特征输入到长短期记忆网络中学习时序信息。
4.如权利要求2所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,对融合后的加权融合向量进行学习,得到综合表示向量;利用综合表示向量,计算对比学习损失值,以拉远异常样本表示向量和正常样本表示向量的距离,并且拉近正样本表示向量之间的距离;采用多层感知机和softmax函数进行故障判别,并计算sof
5.如权利要求1所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,进行归一化处理,使三个时间尺度下的电源数据中各个指标处于同一数量级。
6.如权利要求1所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,基于滑动窗口的数据增强模块,生成包括时序数据之间依赖关系和统计特征的时序增强向量。
7.如权利要求1所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,引入多层感知机,完成电源故障定位。
8.一种基于多源异构数据的电源故障协同定位系统,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现了如权利要求1-7任一项所述的基于多源异构数据的电源故障协同定位方法的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于多源异构数据的电源故障协同定位方法的步骤。
...【技术特征摘要】
1.一种基于多源异构数据的电源故障协同定位方法,其特征在于,包括:
2.如权利要求1所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,故障定位网络模型训练时,进行特征提取得到三个时间尺度上的低维表示向量;对三个时间尺度上的低维表示向量进行加权融合;将加权融合的特征输入到网络模型中学习时序信息;学习后,拉远异常样本特征表示与正常样本特征表示的距离,拉近正常样本特征表示之间的距离。
3.如权利要求2所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,采用一维的卷积神经网络进行特征的提取,采用注意力机制特征融合方法对三个时间尺度上的低维表示向量分配不同的注意力权重进行融合,将加权融合的特征输入到长短期记忆网络中学习时序信息。
4.如权利要求2所述的一种基于多源异构数据的电源故障协同定位方法,其特征在于,对融合后的加权融合向量进行学习,得到综合表示向量;利用综合表示向量,计算对比学习损失值,以拉远异常样本表示向量和正常样本表示向量的距离,并且拉近正样本表示向量之间的距离;采用多层感知机和softmax函数进行故障判别,并计算softmax函数输出的故障判别损失值;基于...
【专利技术属性】
技术研发人员:朱国朋,于秋生,朱尤祥,卢奕,张彦,张璞,吕新荃,韩光明,王立君,马恺,王世豪,任廷鑫,刘炜,王琪,田安琪,江颖洁,马良,孙超,肖沈阳,李丽,王晓勇,吕德品,魏永静,刘磊,
申请(专利权)人:国网山东省电力公司信息通信公司,
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。