CN104751374A - 一种计量自动化系统无线通信故障预测方法 - Google Patents

Abstract

本发明提供的一种计量自动化系统无线通信故障预测方法，包括：将终端采集的历史通信质量数据分为训练样本集和测试集；根据从所述训练样本集中提取的特征将训练样本集转化为训练向量集；基于逻辑回归模型训练所述训练向量集获得特征向量的权重参数向量，以得到预测计量自动化终端通信故障的预测模型；在所述测试集中选取与所述训练样本集中提取的特征相同的特征构建测试向量集；根据所述测试向量集是评价所述训练得到的预测模型，并且根据预测结果对所述预测模型的参数做出调整。本发明能提前分析各类通信故障的数据，主动预测终端故障的概率，从而间接提高终端在线率，从而能有效解决电网中通信故障预测的问题。

Description

一种计量自动化系统无线通信故障预测方法

技术领域

本发明涉及电力技术领域，尤其涉及一种计量自动化系统无线通信故障预测方法。

背景技术

电力是国民经济发展的命脉，是社会生产生活的支撑力量。电网肩负着将发电单位提供的电能，通过输电、变电、配电系统，送达用电单位和千家万户的重任，是电力系统运行和电力市场运营的枢纽。如果计量自动化终端通信出现故障，将在经济效益、调度决策等方面带来不良后果。

随着电力系统规模的不断扩大和结构的日益复杂，大量的报警信息在短时间内涌入电力系统调度中心，远远超过运行人员的处理能力，易使调度员误判、漏判，为了适应各种简单和复杂事故情况下故障的快速、准确识别，需要电网故障预测系统进行决策参考。电网系统故障预测研究具有重要的现实意义。

目前，国内外提出了许多电力系统故障诊断的技术和方法，主要有以下几种：专家系统、人工神经网络、优化技术、Petri网络、模糊集理论、粗糙集理论、多代理技术。

计量自动化系统的采集终端传送给数据中心采用GPRS无线通信技术，由于无线通信固有的特点，而且分布范围广，终端的GPRS信号质量不稳定，信号故障的事后维修延时较大，对系统影响大。因此，采集终端在线率水平是提高系统实用化水平的关键。

发明内容

为解决上述技术问题，本发明提供一种计量自动化系统无线通信故障预测方法，包括：

将终端采集的历史通信质量数据分为训练样本集和测试集；

根据从所述训练样本集中提取的特征将训练样本集转化为训练向量集；

基于逻辑回归模型训练所述训练向量集获得特征向量的权重参数向量，以得到预测计量自动化终端通信故障的预测模型；所述预测模型的目标函数如下公式(1)：

$\mathrm{GCF}=\frac{1}{1+e^{-{\mathrm{\θ}}^{T}x}}---\left(1\right)$

在所述测试集中选取与所述训练样本集中提取的特征相同的特征构建测试向量集；

根据所述测试向量集是评价所述训练得到的预测模型，并且根据预测结果对所述预测模型的参数做出调整。

其中，从所述训练样本集中提取的特征具体为：终端ID、登录时间、数据比特数、时钟比特数、连接比特数、在线率。

其中，所述逻辑回归模型的目标函数如下公式(2)：

$g\left(Z\right)=\frac{1}{1+e^{-z}},Z={\mathrm{\Σ}}_i{\mathrm{\θ}}_i{x}_i---\left(2\right)$

其中，x_i是第i个训练样本的输入特征，θ_i是所述输入特征的权重向量；该逻辑回归模型的输出结果g(Z)范围为0到1。

其中，为所述g(Z)选择一阀值以使用所述逻辑回归模型来预测计量自动化终端通信故障。

其中，为所述g(Z)选择的阀值为0.5，若输出结果g(Z)≥0.5，则预测结果为故障数据；若输出结果g(Z)＜0.5，则预测结果为正常数据。

其中，所述逻辑回归模型的目标函数中的参数向量θ_i通过梯度下降法计算得到。

其中，所述使用梯度下降法来计算得到参数向量θ_i具体为：通过最小化损失函数，计算得到最优化的参数向量θ；所述最小化损失函数如公式(3)：

$J\left(\mathrm{\θ}\right)=-\frac{1}{m}{\mathrm{\Σ}}_i[y^{\left(i\right)}\log h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right)+(1-y^{\left(i\right)})\log (1-h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right))]$

h_θ(x⁽ⁱ⁾)＝g(θ^Tx⁽ⁱ⁾)     (3)；

其中为所述训练样本的样本特征；y⁽ⁱ⁾为第i个训练样本的类别标签，标注为0或1，分别代表故障样本和正常样本。

其中，计算最优化参数向量θ的过程如下所示：

随机选取θ₀，θ₁，...，θ_n作为初始值；

不断更新θ₀，θ₁，...，θ_n，以持续减少损失函数值J(θ)直到算法收敛到最小值。

其中，更新θ的方法为其中α是学习率参数。

其中，所述方法还包括：根据所述计算得到的最优化参数向量θ，获得模型h_θ(x)＝g(θ^Tx)。

本发明提出一种基于回归模型的计量自动化系统无线通信故障预测方法，针对故障预测的需求，该方法能提前分析各类通信故障的数据，主动预测终端故障的概率，从而间接提高终端在线率。基于回归模型的计量自动化系统无线通信故障预测的关键在于构建预测模型，根据历史数据分析故障类型及其产生的原因。本方法能有效解决电网中通信故障预测的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种计量自动化系统无线通信故障预测方法的流程示意图。

图2为本发明提供的一种计量自动化系统无线通信故障预测方法中通信故障预测模型的示意图。

具体实施方式

本发明“一种计量自动化系统无线通信故障预测方法”旨在提供一种通信故障预测模型，用于分析无线通信故障原因和预测无线通信故障，以利于运维工作人员主动掌握信号状态，及时解决信号问题，提升终端在线率。下面详细介绍通信故障预测模型的构建过程以及逻辑回归算法的工作原理。

如图1所示，本发明提供的一种计量自动化系统无线通信故障预测方法，包括：

步骤100，将终端采集的历史通信质量数据分为训练样本集和测试集；

具体实现中，可选用Weka来训练历史通信质量数据，Weka是一种包含多种机器学习算法(逻辑回归，支持向量机，朴素贝叶斯等)实现的工具箱。

步骤101，根据从所述训练样本集中提取的特征将训练样本集转化为训练向量集；

步骤102，基于逻辑回归模型训练所述训练向量集获得特征向量的权重参数向量，以得到预测计量自动化终端通信故障的预测模型；所述预测模型的目标函数如下公式(1)：

$\mathrm{GCF}=\frac{1}{1+e^{-{\mathrm{\θ}}^{T}x}}---\left(1\right)$

步骤103，在所述测试集中选取与所述训练样本集中提取的特征相同的特征构建测试向量集；

步骤104，根据所述测试向量集是评价所述训练得到的预测模型，并且根据预测结果对所述预测模型的参数做出调整，改善模型的预测效果。

该通信故障预测模型如图2所示，其中特征提取部分的目的是选择有价值的信息，这些信息可以有效地将故障样本和正常样本区分。

具体的，从所述训练样本集中提取的特征具体为：终端ID、登录时间、数据比特数、时钟比特数、连接比特数、在线率。

例如，选择在线率的值作为特征之一，如果终端发生故障，该值会比较低；反之，该值会比较高。在线率的值是一个区分度较强的特征项。

本发明实施例中，逻辑回归模型的目标函数如下公式(2)：

$g\left(Z\right)=\frac{1}{1+e^{-z}},Z={\mathrm{\Σ}}_i{\mathrm{\θ}}_i{x}_i---\left(2\right)$

其中，x_i是第i个训练样本的输入特征，θ_i是所述输入特征的权重向量；该逻辑回归模型的输出结果g(Z)范围为0到1。

其中，为所述g(Z)选择一阀值以使用所述逻辑回归模型来预测计量自动化终端通信故障。具体的，为所述g(Z)选择的阀值为0.5，若输出结果g(Z)≥0.5，则预测结果为故障数据；若输出结果g(Z)＜0.5，则预测结果为正常数据。

由于逻辑回归是一种非线性分类模型，因此使用梯度下降法来计算得到参数向量θ_i。梯度下降法，就是利用负梯度方向来决定每次迭代的新的搜索方向，使得每次迭代能使待优化的目标函数逐步减小。

其中，所述使用梯度下降法来计算得到参数向量θ_i具体为：通过最小化损失函数，计算得到最优化的参数向量θ；所述最小化损失函数如公式(3)：

$J\left(\mathrm{\θ}\right)=-\frac{1}{m}{\mathrm{\Σ}}_i[y^{\left(i\right)}\log h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right)+(1-y^{\left(i\right)})\log (1-h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right))]$

h_θ(x⁽ⁱ⁾)＝g(θ^Tx⁽ⁱ⁾)             (3)；

其中为所述训练样本的样本特征；y⁽ⁱ⁾为第i个训练样本的类别标签，标注为0或1，分别代表故障样本和正常样本。

其中，计算最优化参数向量θ的过程如下所示：

随机选取θ₀，θ₁，...，θ_n作为初始值；

不断更新θ₀，θ₁，...，θ_n，以持续减少损失函数值J(θ)直到算法收敛到最小值。

其中，更新θ的方法为其中α是学习率参数。

其中，所述方法还包括：根据所述计算得到的最优化参数向量θ，获得模型h_θ(x)＝g(θ^Tx)，最后可以输入新的样本并预测分类结果。需要说明的是，模型h_θ(x)＝g(θ^Tx)跟公式(1)的模型的含义相同，其引入了一个g(Z)函数(见公式(2))，这里自变量Z取(θ^Tx)，即为公式(1)。

本发明提出一种基于回归模型的计量自动化系统无线通信故障预测方法，针对故障预测的需求，该方法能提前分析各类通信故障的数据，主动预测终端故障的概率，从而间接提高终端在线率。基于回归模型的计量自动化系统无线通信故障预测的关键在于构建预测模型，根据历史数据分析故障类型及其产生的原因。本方法能有效解决电网中通信故障预测的问题。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种计量自动化系统无线通信故障预测方法，其特征在于，包括：

将终端采集的历史通信质量数据分为训练样本集和测试集；

根据从所述训练样本集中提取的特征将训练样本集转化为训练向量集；

基于逻辑回归模型训练所述训练向量集获得特征向量的权重参数向量，以得到预测计量自动化终端通信故障的预测模型；所述预测模型的目标函数如下公式(1)：

$\mathrm{GCF}=\frac{1}{1+e-{\mathrm{\θ}}^{T}x}---\left(1\right)$

在所述测试集中选取与所述训练样本集中提取的特征相同的特征构建测试向量集；

根据所述测试向量集是评价所述训练得到的预测模型，并且根据预测结果对所述预测模型的参数做出调整。

2.如权利要求1所述的计量自动化系统无线通信故障预测方法，其特征在于，从所述训练样本集中提取的特征具体为：终端ID、登录时间、数据比特数、时钟比特数、连接比特数、在线率。

3.如权利要求2所述的计量自动化系统无线通信故障预测方法，其特征在于，所述逻辑回归模型的目标函数如下公式(2)：

$\begin{array}{cc}g\left(Z\right)=\frac{1}{1+e^{-Z}}& Z={\mathrm{\Σ}}_i{\mathrm{\θ}}_i{x}_i\end{array}---\left(2\right)$

其中，x_i是第i个训练样本的输入特征，θ_i是所述输入特征的权重向量；该逻辑回归模型的输出结果g(Z)范围为0到1。

4.如权利要求3所述的计量自动化系统无线通信故障预测方法，其特征在于，为所述g(Z)选择一阀值以使用所述逻辑回归模型来预测计量自动化终端通信故障。

5.如权利要求4所述的计量自动化系统无线通信故障预测方法，其特征在于，为所述g(Z)选择的阀值为0.5，若输出结果g(Z)≥0.5，则预测结果为故障数据；若输出结果g(Z)＜0.5，则预测结果为正常数据。

6.如权利要求5所述的计量自动化系统无线通信故障预测方法，其特征在于，所述逻辑回归模型的目标函数中的参数向量θ_i通过梯度下降法计算得到。

7.如权利要求6所述的计量自动化系统无线通信故障预测方法，其特征在于，所述使用梯度下降法来计算得到参数向量θ_i具体为：通过最小化损失函数，计算得到最优化的参数向量θ；所述最小化损失函数如公式(3)：

$J\left(\mathrm{\θ}\right)=-\frac{1}{m}{\mathrm{\Σ}}_i[y^{\left(i\right)}\log h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right)+(1-y^{\left(i\right)})\log (1-h_{\mathrm{\θ}}\left(x^{\left(i\right)}\right))]$

h_θ(x⁽ⁱ⁾)＝g(θ^Tx⁽ⁱ⁾)                 (3)；

其中为所述训练样本的样本特征；y⁽ⁱ⁾为第i个训练样本的类别标签，标注为0或1，分别代表故障样本和正常样本。

8.如权利要求7所述的计量自动化系统无线通信故障预测方法，其特征在于，计算最优化参数向量θ的过程如下所示：

随机选取θ₀，θ₁，...，θ_n作为初始值；

不断更新θ₀，θ₁，...，θ_n，以持续减少损失函数值J(θ)直到算法收敛到最小值。

9.如权利要求8所述的计量自动化系统无线通信故障预测方法，其特征在于，更新θ的方法为其中α是学习率参数。

10.如权利要求9所述的计量自动化系统无线通信故障预测方法，其特征在于，所述方法还包括：

根据所述计算得到的最优化参数向量θ，获得模型h_θ(x)＝g(θ^Tx)。