[發(fā)明專(zhuān)利]一種基于遷移學(xué)習(xí)的電力通信網(wǎng)故障檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911141903.0
• 申請(qǐng)日: 2019-11-20
• 公開(kāi)（公告）號(hào): CN110995475B
• 公開(kāi)（公告）日: 2023-04-11
• 發(fā)明（設(shè)計(jì)）人: 楊杉;肖治華;周正;袁慧;劉鄭;孫志峰;邱爽;董亮
• 申請(qǐng)（專(zhuān)利權(quán)）人: 國(guó)網(wǎng)湖北省電力有限公司信息通信公司
• 主分類(lèi)號(hào): H04L41/0631
• 分類(lèi)號(hào): H04L41/0631;H04L41/0677;H04L41/12;H04L41/16;G06N3/048;G06N3/0464;G06N3/084;G06N3/096
• 代理公司: 北京眾達(dá)德權(quán)知識(shí)產(chǎn)權(quán)代理有限公司 11570
• 代理人: 劉杰

1.一種基于遷移學(xué)習(xí)的電力通信網(wǎng)故障檢測(cè)方法，其特征在于，包括以下步驟：

(一)搭建局部網(wǎng)絡(luò)拓?fù)錇閷?shí)驗(yàn)網(wǎng)絡(luò)，獲取各個(gè)專(zhuān)業(yè)網(wǎng)管的告警信息，采集故障樣本；對(duì)原始告警信息數(shù)據(jù)進(jìn)行去重、字段選取、標(biāo)準(zhǔn)化處理，得到統(tǒng)一格式的告警數(shù)據(jù)；對(duì)告警數(shù)據(jù)進(jìn)行同步處理，得到告警事務(wù)庫(kù)；時(shí)間窗大小用W表示，W是兩個(gè)告警事務(wù)相關(guān)的最大時(shí)間間隔，同一個(gè)時(shí)間窗的告警信息屬于一個(gè)告警事務(wù)；利用公式來(lái)計(jì)算每種告警類(lèi)型對(duì)最終所有故障診斷的影響權(quán)值；其中告警A是告警簡(jiǎn)稱(chēng)，w_A表示告警A對(duì)故障診斷影響的權(quán)值；w_i表示告警A對(duì)于第i種故障的權(quán)值，k表示故障種類(lèi)，n_A表示w_i不等于0的個(gè)數(shù)；依據(jù)計(jì)算得到的最終故障診斷權(quán)重表，選擇權(quán)重值較大的M種告警類(lèi)型并按照優(yōu)先級(jí)從1到M排列，并以站點(diǎn)為單位對(duì)應(yīng)M種告警類(lèi)型得到告警事務(wù)二值化編碼T(G)；

(二)將實(shí)驗(yàn)網(wǎng)絡(luò)拓?fù)溥B接關(guān)系和告警信息映射為故障狀態(tài)矩陣；依據(jù)圖論的鄰接矩陣表達(dá)站點(diǎn)間拓?fù)溥B接關(guān)系，得出電力通信網(wǎng)站點(diǎn)鄰接矩陣為A(G)；其中設(shè)G是一個(gè)有n個(gè)頂點(diǎn)即站點(diǎn)的圖，V(G)＝{v₁,v₂,...,v_n}是G的頂點(diǎn)集，E(G)是G的邊集；G的鄰接矩陣為A(G)＝(a_ij)_n×n，A(G)如公式設(shè)站點(diǎn)集為V(G)，則可表示這N個(gè)站點(diǎn)中各個(gè)站點(diǎn)的告警事務(wù)信息可由上述的告警事務(wù)二值化編碼T(G)＝diag{t11,t22,...,tnn}表示，其中tii為站點(diǎn)v_i的告警事務(wù)編碼；結(jié)合告警信息和網(wǎng)絡(luò)拓?fù)潢P(guān)系，定義故障狀態(tài)矩陣F(G)，利用公式F(G)＝T(G)A(G)，得到表征電力通信網(wǎng)站點(diǎn)故障時(shí)刻狀態(tài)和拓?fù)溥B接關(guān)系的矩陣；

(三)構(gòu)建樣本標(biāo)簽矩陣并進(jìn)行預(yù)訓(xùn)練；將所有故障狀態(tài)矩陣F(G)打上其根源故障的標(biāo)簽，構(gòu)成了卷積神經(jīng)網(wǎng)絡(luò)CNN訓(xùn)練樣本集；將CNN訓(xùn)練樣本集，即表征故障狀態(tài)的矩陣和其對(duì)應(yīng)的故障標(biāo)簽以向量對(duì)的形式輸入到CNN網(wǎng)絡(luò)中，自動(dòng)地學(xué)習(xí)故障與告警信息的關(guān)聯(lián)模式，提取故障的特征；其中卷積操作提取不同故障類(lèi)別特征圖，多個(gè)卷積核能從不同層面提取到多個(gè)特征，有利于挖掘故障與告警之間的特征關(guān)聯(lián)；池化層通過(guò)最大池化操作；全連接層將池化層輸出的故障類(lèi)別特征進(jìn)行組合，然后送入softmax分類(lèi)器對(duì)不同故障類(lèi)別進(jìn)行分類(lèi)；最后輸出的Softmax分類(lèi)層輸出最終的分類(lèi)結(jié)果，得到神經(jīng)網(wǎng)絡(luò)故障狀態(tài)診斷模型，并通過(guò)前向傳播輸出結(jié)果，將輸出的結(jié)果與故障對(duì)應(yīng)的真實(shí)的標(biāo)簽向量對(duì)比，計(jì)算兩者之間的誤差；然后進(jìn)一步通過(guò)BP算法調(diào)整修改模型參數(shù)，提高模型的診斷和定位的正確率，直到模型滿(mǎn)足設(shè)定的正確率，再將各層參數(shù)及學(xué)習(xí)機(jī)制輸出保存用于之后的故障診斷；

(四)從實(shí)驗(yàn)網(wǎng)絡(luò)的故障診斷模型到實(shí)際電力網(wǎng)復(fù)雜網(wǎng)絡(luò)模型的遷移學(xué)習(xí)；利用實(shí)際網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和實(shí)驗(yàn)網(wǎng)絡(luò)局部網(wǎng)絡(luò)拓?fù)涞年P(guān)聯(lián)性、傳播性，將已訓(xùn)練的多個(gè)局部網(wǎng)絡(luò)模型的特征相互集成，通過(guò)少量實(shí)際網(wǎng)絡(luò)故障樣本進(jìn)行遷移參數(shù)學(xué)習(xí)；輸入新的實(shí)際網(wǎng)絡(luò)故障樣本，使用微調(diào)網(wǎng)絡(luò)，對(duì)預(yù)訓(xùn)練的網(wǎng)絡(luò)進(jìn)行初始化，將實(shí)際測(cè)試故障樣本進(jìn)行多次裁剪：將裁剪的數(shù)據(jù)集通過(guò)標(biāo)準(zhǔn)化、時(shí)間站點(diǎn)同步處理，定義為多個(gè)告警事務(wù)編碼T(G)，并結(jié)合網(wǎng)絡(luò)拓?fù)渚仃嘇(G)，利用公式F(G)＝T(G)A(G)得到故障狀態(tài)矩陣F(G)，得到新的測(cè)試集；將處理后的測(cè)試樣本集輸入卷積神經(jīng)網(wǎng)絡(luò)模型，固定CNN模型的卷積層參數(shù)和全連接層的部分層的參數(shù)，用新的訓(xùn)練集進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程中只對(duì)初始化的全連接層權(quán)重參數(shù)進(jìn)行更新，迭代多次后，依靠隱藏層的前向神經(jīng)網(wǎng)絡(luò)和反向傳播機(jī)制不斷調(diào)整參數(shù)，直到模型的準(zhǔn)確率達(dá)到設(shè)定值時(shí)，即得到新的基于CNN和遷移學(xué)習(xí)的故障診斷模型；

(五)在當(dāng)前待檢測(cè)的網(wǎng)絡(luò)通信網(wǎng)中獲取新的告警數(shù)據(jù)，采用上述步驟(一)至(四)得到新的故障狀態(tài)矩陣F(G)，將新的故障狀態(tài)矩陣F(G)輸入所述基于CNN和遷移學(xué)習(xí)的故障診斷模型，分析得到故障站點(diǎn)及其故障類(lèi)型。