[發明專利]一種基于遷移學習的電力通信網故障檢測方法

有效

• 申請號: 201911141903.0
• 申請日: 2019-11-20
• 公開（公告）號: CN110995475B
• 公開（公告）日: 2023-04-11
• 發明（設計）人: 楊杉;肖治華;周正;袁慧;劉鄭;孫志峰;邱爽;董亮
• 申請（專利權）人: 國網湖北省電力有限公司信息通信公司
• 主分類號: H04L41/0631
• 分類號: H04L41/0631;H04L41/0677;H04L41/12;H04L41/16;G06N3/048;G06N3/0464;G06N3/084;G06N3/096
• 代理公司: 北京眾達德權知識產權代理有限公司 11570
• 代理人: 劉杰

本發明涉及一種基于遷移學習的電力通信網故障檢測方法，結合卷積神經網絡和遷移學習，利用實際網絡拓撲結構和實驗網絡局部網絡拓撲的關聯性，將已訓練的多個局部網絡模型的特征相互集成，通過少量實際網絡故障樣本進行遷移參數學習，得到實際網絡故障診斷模型，從而實現一個可用、準確而全面的智能化電力通信網故障檢測技術，擴大了故障診斷技術的適用性。本發明則創新地結合卷積神經網絡和遷移學習這兩種方法的優勢，充分利用故障告警數據之間的特征相關性，以及不同網絡拓撲的網絡節點關聯度等特征的相似性，對實際網絡中的故障數據進行準確而全面的智能化檢測。

技術領域

本發明涉及電力通信網故障檢測技術領域，尤其涉及到一種基于遷移學習的電力通信網故障檢測方法。

背景技術

目前，電力通信骨干網絡已建成了以光纖通信為主，微波、載波為輔，衛星通信作為應急備用，多種傳輸技術并存，覆蓋總部-省公司-市-縣等通信節點的實體網絡。電力通信網是電力系統的神經網絡，在電力系統的各個業務中都起到至關重要的控制作用，電力系統的各個環節都離不開電力通信網的監測控制。傳統的電力通信網故障判斷技術大多是基于規則的，該技術具有局限性，無法準確全面地定義規則庫，其次規則庫的維護升級也十分困難。隨著網絡技術的快速發展以及軟硬件平臺計算能力的提高，在一些領域如機械故障診斷，已經有人用機器學習的方法做出嘗試，取得了不錯的效果。在電力通信網中，故障與告警之間存在一定的關聯性，而機器學習具有很強的特征學習能力，挖掘并分析故障與告警信息之間的特征關聯關系，就可以利用機器學習達到故障診斷的目的。

就故障診斷技術而言，基于卷積神經網絡對數據特征進行挖掘分析并診斷分類是一種有效的機器學習方法。主要是通過對電力網絡原始告警信息進行標準化等預處理，將告警信息轉化成故障狀態矩陣，構建樣本標簽矩陣，利用卷積神經網絡提取其特征并訓練，得到不同分類的神經網絡模型從而實現診斷故障。但實際電力網絡中存在海量的未標記數據，且正負樣本不均衡、故障樣本稀缺，導致卷積神經網絡不能準確地對故障信息進行診斷分析，在網絡適用性上存在制約。

發明內容

本發明所要解決的技術問題是針對電力通信網中故障診斷和樣本失衡等實際條件問題，提供一種利用遷移學習和卷積神經網絡對實際電力網絡告警數據進行故障檢測的方法。

為解決上述技術問題，本發明提出一種基于遷移學習的電力通信網故障檢測方法，包括以下步驟：

(一)搭建局部網絡拓撲為實驗網絡，獲取各個專業網管的告警信息，采集故障樣本。對原始告警信息數據進行去重、字段選取、標準化等處理，以得到統一格式的告警數據。由于告警數據具有時延性，還需要對告警數據進行同步處理，得到告警事務庫。時間窗大小用W表示，W是兩個告警事務相關的最大時間間隔，同一個時間窗的告警信息屬于一個告警事務。利用公式來計算每種告警類型對最終所有故障診斷的影響權值。其中告警A是告警簡稱，w_A表示告警A對故障診斷影響的權值；w_i表示告警A對于第i種故障的權值，k表示故障種類，n_A表示w_i不等于0的個數。依據計算得到的最終故障診斷權重表，選擇權重值較大的M種告警類型并按照優先級從1到M排列，并以站點為單位對應M種告警類型得到告警事務二值化編碼T(G)。

(二)將實驗網絡拓撲連接關系和告警信息映射為故障狀態矩陣。依據圖論的鄰接矩陣表達站點間拓撲連接關系，得出電力通信網站點鄰接矩陣為A(G)。其中設G是一個有n個頂點(站點)的圖，V(G)＝{v₁,v₂,...,v_n}是G的頂點集，是G的邊集。G的鄰接矩陣為A(G)＝(a_ij)_n×n，A(G)如公式設站點集為V(G)，則可表示這N個站點中各個站點的告警事務信息可由上述的告警事務二值化編碼T(G)＝diag{t11,t22,...,tnn}表示，其中tii為站點v_i的告警事務編碼。結合告警信息和網絡拓撲關系，定義故障狀態矩陣F(G)，利用公式F(G)＝T(G)A(G)，得到表征電力通信網站點故障時刻狀態和拓撲連接關系的矩陣。