【技术实现步骤摘要】
本专利技术涉及电力，尤其涉及一种电力通信网故障诊断方法及装置。
技术介绍
1、电力通信网是电力系统的重要组成部分，当电力通信网中任何一部分发生故障时都会影响到电力通信网的服务质量，甚至可能对电网整体安全性造成非常严重的后果。电力通信网在电力系统的监控和控制、紧急通信、数据传输等关键领域中都发挥着重要作用，因此，故障排除对于维持电力通信网的可靠性和稳定性至关重要。
2、随着电力通信网的拓扑结构愈发的复杂，电力通信网的故障诊断也变得越来越困难。如果决策诊断失误，将会对检修消息造成很大的影响，导致电力通信网不能够及时恢复到正常状态。
3、传统的电力通信网的故障诊断方法主要是通过规则库进行故障分析，但是随着电力通信网的复杂性的增加，无法准确全面的确定规则，从而导致难以利用规则准确的进行电力通信网的故障分析，影响电力通信网故障诊断的效率。
技术实现思路
1、本专利技术实施例提供了一种电力通信网故障诊断方法及装置，以提高电力通信网故障诊断的效率。
2、第一方面，本专利技术实施例提供了一种电力通信网故障诊断方法，包括：
3、获取电力通信网中各个通信链路和各个站点的连接关系；
4、根据所述连接关系，确定所述电力通信网的邻接矩阵；
5、基于所述邻接矩阵，获得所述电力通信网的特征矩阵；
6、获取所述电力通信网中各个站点的告警数据，并根据所述告警数据和预设告警类型，确定所述电力通信网的告警矩阵；
7、基于所述
8、将所述故障矩阵输入至预先训练完成的故障状态诊断模型，得到所述故障状态诊断模型输出的所述电力通信网的故障类型；其中，所述故障状态诊断模型基于历史故障矩阵和历史故障类型训练得到。
9、在一种可能的实现方式中，所述基于所述邻接矩阵，获得所述电力通信网的特征矩阵，包括：
10、根据所述邻接矩阵，确定所述电力通信网中的总最短路径、各个通信链路对应的边最短路径、各个站点对应的节点最短路径和各个站点对应的相邻站点；
11、根据所述总最短路径、所述边最短路径、所述节点最短路径和各个站点对应的相邻站点，确定所述电力通信网对应的多个拓扑特征；
12、基于所述多个拓扑特征，确定所述电力通信网的特征矩阵。
13、在一种可能的实现方式中，所述多个拓扑特征包括边介数中心度、节点介数中心度、重要度和聚类系数；
14、所述根据所述总最短路径、所述边最短路径、所述节点最短路径和各个站点对应的相邻站点，确定所述电力通信网对应的多个拓扑特征，包括：
15、根据所述总最短路径和所述边最短路径，确定所述电力通信网中各个通信链路对应的链路介数中心度；
16、根据所述电力通信网中每个站点相邻的通信链路对应的边介数中心度，确定每个站点对应的边介数中心度；
17、根据所述总最短路径和所述节点最短路径，确定所述电力通信网中各个站点对应的节点介数中心度；
18、根据各个站点对应的相邻站点，确定所述电力通信网中各个站点对应的重要度和聚类系数。
19、在一种可能的实现方式中，所述电力通信网中各个站点对应的重要度的计算公式为：
20、
21、式中，pr(vi)表示所述电力通信网中第i个站点对应的重要度，vi表示所述电力通信网中第i个站点，d表示阻尼因子，表示所述电力通信网中第j个站点连接的站点的数量，bi表示所述电力通信网中与第i个站点相连接的所有站点的集合，vj表示所述电力通信网中与第i个站点相连接的第j个站点，pr(vj)表示所述电力通信网中与第i个站点相连接的第j个站点对应的重要度，n表示所述电力通信网中所有站点的总数量。
22、在一种可能的实现方式中，所述电力通信网中各个站点对应的聚类系数的计算公式为：
23、
24、式中，c(i)表示所述电力通信网中第i个站点对应的聚类系数，λi表示所述电力通信网中第i个站点连接的站点构成的闭环三角的数量，εi表示所述电力通信网中第i个站点连接的站点构成的开环三角的数量。
25、在一种可能的实现方式中，在所述根据所述告警数据和预设告警类型，确定所述电力通信网的告警矩阵之前，还包括：
26、获取每种告警类型对于每种故障类型的第一权值；
27、根据所述第一权值，分别确定每种告警类型对于故障诊断的第二权值；
28、选取所述第二权值最大的预设数量的告警类型作为预设告警类型。
29、在一种可能的实现方式中，在所述将所述故障矩阵输入至预先训练完成的故障状态诊断模型之前，还包括：
30、获取所述电力通信网的历史告警数据和对应的历史故障类型；
31、根据所述历史告警数据和预设告警类型，确定所述历史告警数据对应的历史告警矩阵；
32、根据所述邻接矩阵、所述特征矩阵和所述历史告警矩阵，计算历史故障矩阵；
33、根据所述历史故障矩阵和所述历史故障类型，对预设的神经网络模型进行训练，得到训练完成的故障状态诊断模型。
34、在一种可能的实现方式中，所述预设的神经网络模型包括特征提取层和机器学习层；
35、所述根据所述历史故障矩阵和所述历史故障类型，对预设的神经网络模型进行训练，得到训练完成的故障状态诊断模型，包括：
36、将所述历史故障矩阵输入至所述特征提取层，得到所述特征提取层的故障特征；
37、根据所述历史故障类型和所述故障特征，对所述机器学习层进行训练，得到所述历史故障矩阵的训练故障类型，以及所述训练故障类型和对应的所述历史故障类型的偏差值；
38、根据所述偏差值对所述特征提取层和所述机器学习层进行调整和训练，得到训练完成的故障状态诊断模型。
39、在一种可能的实现方式中，在所述基于所述多个拓扑特征，确定所述电力通信网的特征矩阵之前，还包括：
40、对每个拓扑特征分别进行数据清洗和归一化处理。
41、第二方面，本专利技术实施例提供了一种电力通信网故障诊断装置，包括：
42、第一获取模块，用于获取电力通信网中各个通信链路和各个站点的连接关系；
43、确定模块，用于根据所述连接关系，确定所述电力通信网的邻接矩阵，以及基于所述邻接矩阵，获得所述电力通信网的特征矩阵；
44、第二获取模块，用于获取所述电力通信网中各个站点的告警数据，并根据所述告警数据和预设告警类型，确定所述电力通信网的告警矩阵；
45、计算模块，用于基于所述邻接矩阵、所述特征矩阵和所述告警矩阵，计算故障矩阵；
46、诊断模块，用于将所述故障矩阵输入至预先训练完成的故障状态诊断模型，得到所述故障状态诊断模型输出的所述电力通信网的故障类型；其中，所述故障状态诊断模型基于历史故障矩阵和历史故障类型训练得到。
本文档来自技高网...【技术保护点】
1.一种电力通信网故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的电力通信网故障诊断方法，其特征在于，所述基于所述邻接矩阵，获得所述电力通信网的特征矩阵，包括：
3.根据权利要求2所述的电力通信网故障诊断方法，其特征在于，所述多个拓扑特征包括边介数中心度、节点介数中心度、重要度和聚类系数；
4.根据权利要求3所述的电力通信网故障诊断方法，其特征在于，所述电力通信网中各个站点对应的重要度的计算公式为：
5.根据权利要求3所述的电力通信网故障诊断方法，其特征在于，所述电力通信网中各个站点对应的聚类系数的计算公式为：
6.根据权利要求1-5任一项所述的电力通信网故障诊断方法，其特征在于，在所述根据所述告警数据和预设告警类型，确定所述电力通信网的告警矩阵之前，还包括：
7.根据权利要求1-5任一项所述的电力通信网故障诊断方法，其特征在于，在所述将所述故障矩阵输入至预先训练完成的故障状态诊断模型之前，还包括：
8.根据权利要求7所述的电力通信网故障诊断方法，其特征在于，所述预设的神经网络模型包括特
9.根据权利要求2-5任一项所述的电力通信网故障诊断方法，其特征在于，在所述基于所述多个拓扑特征，确定所述电力通信网的特征矩阵之前，还包括：
10.一种电力通信网故障诊断装置，其特征在于，包括：
...【技术特征摘要】
1.一种电力通信网故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的电力通信网故障诊断方法，其特征在于，所述基于所述邻接矩阵，获得所述电力通信网的特征矩阵，包括：
3.根据权利要求2所述的电力通信网故障诊断方法，其特征在于，所述多个拓扑特征包括边介数中心度、节点介数中心度、重要度和聚类系数；
4.根据权利要求3所述的电力通信网故障诊断方法，其特征在于，所述电力通信网中各个站点对应的重要度的计算公式为：
5.根据权利要求3所述的电力通信网故障诊断方法，其特征在于，所述电力通信网中各个站点对应的聚类系数的计算公式为：
6.根据权利要求1-5任一项所...
【专利技术属性】
技术研发人员：赵建华，樊会丛，耿少博，苏汉，刘洋，李文霄，梁莞笛，朱士加，于洪光，郭伟，安佳坤，齐晓光，高立坡，张倩茅，徐田丰，
申请(专利权)人：国网河北省电力有限公司经济技术研究院，
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。