基于bp神經(jīng)網(wǎng)絡(luò)的電力通信網(wǎng)故障分析方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及電力通信網(wǎng)領(lǐng)域，特別是設(shè)及基于神經(jīng)網(wǎng)絡(luò)的電力通信網(wǎng)故障分析方 法。
【背景技術(shù)】
[0002] 隨著電力系統(tǒng)呈現(xiàn)協(xié)作的特點，電力通信網(wǎng)將承載越來越多的控制、自動化等業(yè) 務(wù)，呈現(xiàn)出多制式、結(jié)構(gòu)復(fù)雜、設(shè)備數(shù)量眾多、運行數(shù)據(jù)多元化的特點，如何面向未來大數(shù)據(jù) 環(huán)境下的運行態(tài)勢展開電力通信網(wǎng)故障和告警之間關(guān)系的深度挖掘，W明確電力通信網(wǎng)運 行的安全隱患，對電力通信網(wǎng)的可靠運行具有重要的意義。
[0003] 電力通信網(wǎng)中的設(shè)備運行故障與告警相對應(yīng)，在傳統(tǒng)的通信網(wǎng)絡(luò)中，是在個別故 障案例發(fā)生時，對此設(shè)備發(fā)生故障時可能觀察到的告警進行關(guān)系挖掘，由此得出反映物理 網(wǎng)絡(luò)及業(yè)務(wù)應(yīng)用中所有可能的故障和告警及其之間的關(guān)聯(lián)關(guān)系的故障分析方法。由于運些 關(guān)聯(lián)關(guān)系僅通過經(jīng)驗?zāi)Ｊ将@取，缺乏足夠的科學(xué)依據(jù)，所得到的結(jié)論并不能普遍適用于電 力通信網(wǎng)中的故障預(yù)警與態(tài)勢分析。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問題是提供一種基于BP神經(jīng)網(wǎng)絡(luò)的電力通信網(wǎng)故障分析 方法，具有較高的預(yù)測精度，能為電力通信網(wǎng)故障的分析和恢復(fù)提供有效參考。
[0005] 上述技術(shù)問題通過W下技術(shù)方案進行解決：
[0006] -種基于BP神經(jīng)網(wǎng)絡(luò)的電力通信網(wǎng)故障分析方法，包括W下步驟：
[0007] 獲取預(yù)設(shè)故障周期范圍內(nèi)的多組告警數(shù)據(jù)W及對應(yīng)的故障值，每組告警數(shù)據(jù)包括 設(shè)備廠商信息和告警類別；
[000引對所述設(shè)備廠商信息、告警類別、故障值進行數(shù)值化處理；
[0009] W所述數(shù)值化處理后的設(shè)備廠商信息、告警類別和故障值作為訓(xùn)練樣本數(shù)據(jù)，進 行BP神經(jīng)網(wǎng)絡(luò)初始模型的學(xué)習(xí)訓(xùn)練，直到BP神經(jīng)網(wǎng)絡(luò)初始模型的預(yù)測精度達到要求，得到 BP神經(jīng)網(wǎng)絡(luò)最終模型，其中，所述數(shù)值化處理后的設(shè)備廠商信息、告警類別為訓(xùn)練樣本數(shù)據(jù) 中的輸入向量，所述數(shù)值化處理后的故障值為訓(xùn)練樣本數(shù)據(jù)中的輸出量；
[0010] 根據(jù)所述BP神經(jīng)網(wǎng)絡(luò)最終模型對電力通信網(wǎng)的故障進行預(yù)測。
[0011] 在其中一個實施例中，對所述設(shè)備廠商信息、告警類別進行數(shù)值化處理的方式包 括：
[0012]根據(jù)設(shè)備廠商信息的數(shù)量m，m為大于1的整數(shù)，將0到1的區(qū)間均勻劃分為與m個設(shè) 備廠商信息一一對應(yīng)的m個子區(qū)間，分別為m個設(shè)備廠商信息在對應(yīng)的子區(qū)間中按隨機數(shù)公 式隨機取一數(shù)值W賦值；
[001引根據(jù)告警類別的數(shù)量n，n為大于1的整數(shù)，將0到1的區(qū)間均勻劃分為與η個告警類 別一一對應(yīng)的η個子區(qū)間，分別為η個告警類別在對應(yīng)的子區(qū)間中按隨機數(shù)公式隨機取一數(shù) 值W賦值；
[0014] 對所述故障值進行數(shù)值化處理的方式包括:使用第一數(shù)值表示發(fā)生故障，使用第 二數(shù)值表示未發(fā)生故障。
[0015] 在其中一個實施例中，B巧申經(jīng)網(wǎng)絡(luò)初始模型的學(xué)習(xí)訓(xùn)練的過程包括：
[0016] 讀取訓(xùn)練樣本數(shù)據(jù)，進行前向傳播；
[0017] 檢驗BP神經(jīng)網(wǎng)絡(luò)初始模型的預(yù)測精度是否達到預(yù)設(shè)精度要求；
[0018] 若未達到，則進行反向傳播，然后返回上述進行前向傳播的步驟；
[0019]若達到，結(jié)束學(xué)習(xí)訓(xùn)練的過程。
[0020] 在其中一個實施例中，在檢驗到BP神經(jīng)網(wǎng)絡(luò)初始模型的預(yù)測精度未達到預(yù)設(shè)精度 要求之后，進行反向傳播之前，還包括步驟:調(diào)整學(xué)習(xí)速率η;
[0021] 調(diào)整學(xué)習(xí)速率η的方式包括：
[0022] 當(dāng)相鄰兩次迭代的梯度方向相同時，學(xué)習(xí)速率η調(diào)整為：
[0023]
[0024] 其中，riz為學(xué)習(xí)速率η作此次調(diào)整前的值；
[0025] 當(dāng)相鄰兩次迭代的梯度方向相反時，學(xué)習(xí)速率η調(diào)整具體為：
[0026]
[0027] 其中，riz為學(xué)習(xí)速率η作此次調(diào)整前的值。
[0028] 在其中一個實施例中，所述ΒΡ神經(jīng)網(wǎng)絡(luò)初始模型包括輸入層、隱含層和輸出層，所 述隱含層W對數(shù)-S型函數(shù)作為傳遞函數(shù)，所述輸出層W硬極限函數(shù)作為傳遞函數(shù)。
[0029] 在其中一個實施例中，所述前向傳播包括：
[0030] W所述數(shù)值化處理后的設(shè)備廠商信息、告警類別為輸入層的輸入值，采用〇1ι = χι 確定輸入層的輸出值，其中，XI為輸入層第i個節(jié)點的輸入值;oil為輸入層第i個節(jié)點的輸出 值，i = l，2;
[003。 W所述輸入層的輸出值為輸入，通過
j=l;，2,…，P確定隱含 層的輸入值，并基于隱含層的輸入值，通過
·確定隱含層的輸出值； 其中，netl功隱含層第j個節(jié)點的輸入值，P為隱含層的節(jié)點個數(shù)，Θ功隱含層第j個節(jié)點的 闊值；ωυ為輸入層第i個節(jié)點與隱含層第j個節(jié)點的連接權(quán)值;02j為隱含層第j個節(jié)點的輸 出值；
[0032] W所述隱含層的輸出值為輸入，通過
確定輸出層的輸入值， 并基于輸出層的輸入值，通過
確定輸出層的輸出值，其中， net2t為輸出層節(jié)點的輸入值；為隱含層第j個節(jié)點與輸出層節(jié)點的連接權(quán)值;Θ*為輸出 層節(jié)點的闊值;〇3t為輸出層節(jié)點的輸出值。
[0033] 在其中一個實施例中，所述反向傳播包括：
[0034] 通過
調(diào)整隱含層與輸出層之間的連接權(quán)值Wjt，其中， St = o3t(l-〇3t)(dt-〇3t)，Δ cojt為連接權(quán)值cojt的變化量；
[0035] 通過
調(diào)整輸入層與隱含層之間的連接權(quán)值ωυ，其中，
S Δ ω U為連接權(quán)值ω U的變化量；
[0036] 所述Ε通過
騎定，dt為輸出層節(jié)點的所期望輸出。
[0037] 在其中一個實施例中，B巧申經(jīng)網(wǎng)絡(luò)初始模型的預(yù)測精度通過下述方式確定：
[0038] 將預(yù)設(shè)故障周期范圍內(nèi)的多組告警數(shù)據(jù)分別作為BP神經(jīng)網(wǎng)絡(luò)初始模型的輸入，得 出故障的預(yù)測值；
[0039] 將故障的預(yù)測值與實際的故障值進行比對統(tǒng)計，確定結(jié)果一致的數(shù)量值與故障值 總數(shù)量的比值；
[0040] 將所述比值作為預(yù)測精度。
[0041] 本發(fā)明利用BP神經(jīng)網(wǎng)絡(luò)并結(jié)合量化后的設(shè)備廠商信息、告警類別來挖掘電力通信 網(wǎng)故障與設(shè)備廠商信息、告警類別之間的關(guān)系，W形成基于BP神經(jīng)網(wǎng)絡(luò)使用設(shè)備廠商信息、 告警類別來預(yù)測電力通信網(wǎng)故障的方法，具有較高的預(yù)測精度，能為電力通信網(wǎng)故障的分 析和恢復(fù)提供有效參考。
[0042] 本發(fā)明通過將學(xué)習(xí)速率η根據(jù)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的狀態(tài)自動調(diào)整，實現(xiàn)自適應(yīng)學(xué)習(xí) 設(shè)備廠商信息、告警類別與故障之間的關(guān)系，減少人為主觀因素的影響，進一步提升預(yù)測精 度。
【附圖說明】
[0043] 圖1為本發(fā)明的流程圖；
[0044] 圖2為隱層節(jié)點輸出變化曲線圖；
[0045] 圖3為對ΒΡ神經(jīng)網(wǎng)絡(luò)初始模型進行學(xué)習(xí)訓(xùn)練的一種流程圖。
[0046] 圖4為對ΒΡ神經(jīng)網(wǎng)絡(luò)初始模型進行學(xué)習(xí)訓(xùn)練的另一鐘流程圖。
【具體實施方式】
[0047] 結(jié)合圖1-圖4,一種基于神經(jīng)網(wǎng)絡(luò)的電力通信網(wǎng)故障分析方法，包括W下步驟：
[004引步驟S101:獲取預(yù)設(shè)故障周期范圍內(nèi)的多組告警數(shù)據(jù)W及對應(yīng)的故障值，每組告 警數(shù)據(jù)包括設(shè)備廠商信息和告警類別。
[0049] 步驟S102:對所述設(shè)備廠商信息、告警類別、故障值進行數(shù)值化處理。
[0050] 對故障值進行數(shù)值化處理的方式包括:使用第一數(shù)值表示發(fā)生故障，使用第二數(shù) 值表不未發(fā)生故障。第一數(shù)值代表某一設(shè)備廠商信息的設(shè)備發(fā)出某一種告警類別時被檢定 發(fā)生故障。第二數(shù)值代表某一設(shè)備廠商信息的設(shè)備發(fā)出某一種告警類別時被檢定沒有發(fā)生 故障。在本實施例中，第一數(shù)值為1，第二數(shù)值為ο。
[0051] 對于告警數(shù)據(jù)無法根據(jù)現(xiàn)實情況進行數(shù)值化處理的字段，在本申請中采用離散化 賦值方法對該設(shè)備廠商信息、告警類別兩種字段的各個值分別進行賦值，作為ΒΡ神經(jīng)網(wǎng)絡(luò) 的輸入。
[0052] 對設(shè)備廠商信息采用離散化賦值方法進行數(shù)值化處理：
[0053] 1)根據(jù)設(shè)備廠商信息的數(shù)量m，m為大于1的整數(shù)，將0到1的區(qū)間均勻劃分為與m個 設(shè)備廠商信息一一對應(yīng)的m個子區(qū)間，離散化后的子區(qū)間表示為