CN105447568B - 基于bp神经网络的电力通信网故障分析方法 - Google Patents

基于bp神经网络的电力通信网故障分析方法 Download PDF

Info

Publication number
CN105447568B
CN105447568B CN201510762574.7A CN201510762574A CN105447568B CN 105447568 B CN105447568 B CN 105447568B CN 201510762574 A CN201510762574 A CN 201510762574A CN 105447568 B CN105447568 B CN 105447568B
Authority
CN
China
Prior art keywords
layer
value
neural network
input
node
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510762574.7A
Other languages
English (en)
Other versions
CN105447568A (zh
Inventor
吴刚
王柏勇
陈昌娜
陆嘉恩
张思敏
刘诗怡
滕蔓
陈伯龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Power Supply Bureau Co Ltd filed Critical Guangzhou Power Supply Bureau Co Ltd
Priority to CN201510762574.7A priority Critical patent/CN105447568B/zh
Publication of CN105447568A publication Critical patent/CN105447568A/zh
Application granted granted Critical
Publication of CN105447568B publication Critical patent/CN105447568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明具体涉及一种基于BP神经网络的电力通信网故障分析方法，其包括以下步骤：获取预设故障周期范围内的多组告警数据以及对应的故障值，每组告警数据包括设备厂商信息和告警类别；对所述设备厂商信息、告警类别、故障值进行数值化处理；以所述数值化处理后的设备厂商信息、告警类别和故障值作为训练样本数据，进行BP神经网络初始模型的学习训练，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型；根据所述BP神经网络最终模型对电力通信网的故障进行预测。本发明具有较高的预测精度，能为电力通信网故障的分析和恢复提供有效参考。

Description

基于BP神经网络的电力通信网故障分析方法
技术领域
本发明涉及电力通信网领域，特别是涉及基于神经网络的电力通信网故障分析方法。
背景技术
随着电力系统呈现协作的特点，电力通信网将承载越来越多的控制、自动化等业务，呈现出多制式、结构复杂、设备数量众多、运行数据多元化的特点，如何面向未来大数据环境下的运行态势展开电力通信网故障和告警之间关系的深度挖掘，以明确电力通信网运行的安全隐患，对电力通信网的可靠运行具有重要的意义。
电力通信网中的设备运行故障与告警相对应，在传统的通信网络中，是在个别故障案例发生时，对此设备发生故障时可能观察到的告警进行关系挖掘，由此得出反映物理网络及业务应用中所有可能的故障和告警及其之间的关联关系的故障分析方法。由于这些关联关系仅通过经验模式获取，缺乏足够的科学依据，所得到的结论并不能普遍适用于电力通信网中的故障预警与态势分析。
发明内容
本发明所要解决的技术问题是提供一种基于BP神经网络的电力通信网故障分析方法，具有较高的预测精度，能为电力通信网故障的分析和恢复提供有效参考。
上述技术问题通过以下技术方案进行解决：
一种基于BP神经网络的电力通信网故障分析方法，包括以下步骤：
获取预设故障周期范围内的多组告警数据以及对应的故障值，每组告警数据包括设备厂商信息和告警类别；
对所述设备厂商信息、告警类别、故障值进行数值化处理；
以所述数值化处理后的设备厂商信息、告警类别和故障值作为训练样本数据，进行BP神经网络初始模型的学习训练，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型，其中，所述数值化处理后的设备厂商信息、告警类别为训练样本数据中的输入向量，所述数值化处理后的故障值为训练样本数据中的输出量；
根据所述BP神经网络最终模型对电力通信网的故障进行预测。
在其中一个实施例中，对所述设备厂商信息、告警类别进行数值化处理的方式包括：
根据设备厂商信息的数量m，m为大于1的整数，将0到1的区间均匀划分为与m个设备厂商信息一一对应的m个子区间，分别为m个设备厂商信息在对应的子区间中按随机数公式随机取一数值以赋值；
根据告警类别的数量n，n为大于1的整数，将0到1的区间均匀划分为与n个告警类别一一对应的n个子区间，分别为n个告警类别在对应的子区间中按随机数公式随机取一数值以赋值；
对所述故障值进行数值化处理的方式包括：使用第一数值表示发生故障，使用第二数值表示未发生故障。
在其中一个实施例中，BP神经网络初始模型的学习训练的过程包括：
读取训练样本数据，进行前向传播；
检验BP神经网络初始模型的预测精度是否达到预设精度要求；
若未达到，则进行反向传播，然后返回上述进行前向传播的步骤；
若达到，结束学习训练的过程。
在其中一个实施例中，在检验到BP神经网络初始模型的预测精度未达到预设精度要求之后，进行反向传播之前，还包括步骤：调整学习速率η；
调整学习速率η的方式包括：
当相邻两次迭代的梯度方向相同时，学习速率η调整为：
其中，ηz为学习速率η作此次调整前的值；
当相邻两次迭代的梯度方向相反时，学习速率η调整具体为：
其中，ηz为学习速率η作此次调整前的值。
在其中一个实施例中，所述BP神经网络初始模型包括输入层、隐含层和输出层，所述隐含层以对数-S型函数作为传递函数，所述输出层以硬极限函数作为传递函数。
在其中一个实施例中，所述前向传播包括：
以所述数值化处理后的设备厂商信息、告警类别为输入层的输入值，采用o1i＝xi确定输入层的输出值，其中，xi为输入层第i个节点的输入值；o1i为输入层第i个节点的输出值，i＝1，2；
以所述输入层的输出值为输入，通过确定隐含层的输入值，并基于隐含层的输入值，通过确定隐含层的输出值；其中，net1j为隐含层第j个节点的输入值，P为隐含层的节点个数，θj为隐含层第j个节点的阈值；ωij为输入层第i个节点与隐含层第j个节点的连接权值；o2j为隐含层第j个节点的输出值；
以所述隐含层的输出值为输入，通过确定输出层的输入值，并基于输出层的输入值，通过确定输出层的输出值，其中，net2t为输出层节点的输入值；ωjt为隐含层第j个节点与输出层节点的连接权值；θt为输出层节点的阈值；o3t为输出层节点的输出值。
在其中一个实施例中，所述反向传播包括：
通过调整隐含层与输出层之间的连接权值ωjt，其中，δt＝o3t(1-o3t)(dt-o3t)，Δωjt为连接权值ωjt的变化量；
通过调整输入层与隐含层之间的连接权值ωij，其中，Δωij为连接权值ωij的变化量；
所述E通过确定，dt为输出层节点的所期望输出。
在其中一个实施例中，BP神经网络初始模型的预测精度通过下述方式确定：
将预设故障周期范围内的多组告警数据分别作为BP神经网络初始模型的输入，得出故障的预测值；
将故障的预测值与实际的故障值进行比对统计，确定结果一致的数量值与故障值总数量的比值；
将所述比值作为预测精度。
本发明利用BP神经网络并结合量化后的设备厂商信息、告警类别来挖掘电力通信网故障与设备厂商信息、告警类别之间的关系，以形成基于BP神经网络使用设备厂商信息、告警类别来预测电力通信网故障的方法，具有较高的预测精度，能为电力通信网故障的分析和恢复提供有效参考。
本发明通过将学习速率η根据BP神经网络训练的状态自动调整，实现自适应学习设备厂商信息、告警类别与故障之间的关系，减少人为主观因素的影响，进一步提升预测精度。
附图说明
图1为本发明的流程图；
图2为隐层节点输出变化曲线图；
图3为对BP神经网络初始模型进行学习训练的一种流程图。
图4为对BP神经网络初始模型进行学习训练的另一钟流程图。
具体实施方式
结合图1-图4，一种基于神经网络的电力通信网故障分析方法，包括以下步骤：
步骤S101：获取预设故障周期范围内的多组告警数据以及对应的故障值，每组告警数据包括设备厂商信息和告警类别。
步骤S102：对所述设备厂商信息、告警类别、故障值进行数值化处理。
对故障值进行数值化处理的方式包括：使用第一数值表示发生故障，使用第二数值表示未发生故障。第一数值代表某一设备厂商信息的设备发出某一种告警类别时被检定发生故障。第二数值代表某一设备厂商信息的设备发出某一种告警类别时被检定没有发生故障。在本实施例中，第一数值为1，第二数值为0。
对于告警数据无法根据现实情况进行数值化处理的字段，在本申请中采用离散化赋值方法对该设备厂商信息、告警类别两种字段的各个值分别进行赋值，作为BP神经网络的输入。
对设备厂商信息采用离散化赋值方法进行数值化处理：
1)根据设备厂商信息的数量m，m为大于1的整数，将0到1的区间均匀划分为与m个设备厂商信息一一对应的m个子区间，离散化后的子区间表示为：
S＝{[0，1/m)，[1/m，2/m)，...，[m-1/m，1]} (1)；
其中，S表示0到1的区间的集合，S＝[0，1]；
2)分别为m个设备厂商信息在对应的子区间中按随机数公式随机取一数值以赋值。
对告警类别采用离散化赋值方法进行数值化处理：
1)根据告警类别的数量n，n为大于1的整数，将0到1的区间均匀划分为与n个告警类别一一对应的m个子区间，离散化后的子区间表示为：
S＝{[0，1/n)，[1/n，2/n)，...，[n-1/n，1]} (2)；
其中，S表示0到1的区间的集合，S＝[0，1]；
2)分别为n个告警类别在对应的子区间中按随机数公式随机取一数值以赋值。
例如：假设电力通信网中有3个设备厂商信息和6种告警类别，其中一组告警数据为：与第2个设备厂商信息对应的设备产生第3种告警类别，并认为是发生故障。那么这组告警数据包括：设备厂商信息数值、告警类别数值，故障值1，其中，设备厂商信息数值在[1/3，2/3)随机取一数值，告警类别数值在[2/6，3/6)随机取一数值。
上述对告警数据进行离散化赋值的方式，将该两种字段的各个值均匀地离散到0到1的区间中，而不产生字段值数值化之后数值大小的明显差异，也保证了BP神经网络模型输入值数值化过程中不产生权值差异的要求。
步骤S103：以上述数值化处理后的设备厂商信息、告警类别和故障值作为训练样本数据，进行BP神经网络初始模型的学习训练，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型，其中，上述数值化处理后的设备厂商信息、告警类别为训练样本数据中的输入向量，上述数值化处理后的故障值为训练样本数据中的输出量。
上述BP神经网络初始模型包括输入层、隐含层和输出层；输入层设有两个节点，分别对应设备厂商信息、告警类别；输出层设有一个节点，对应故障值。
其中，隐含层以对数-S型函数为传递函数，对数-S型函数的定义见《神经网络设计》中的“表2-1传递函数”；输出层以硬极限函数为传递函数，硬极限函数的定义见《神经网络设计》中的“表2-1传递函数”。
关于隐含层的节点个数的确定，理论上没有明确的规定，往往是需要根据设计者的经验和多次实验来确定，并且与问题所要求的学习误差、输入单元数目和输出单元数目都有着直接关系。
本申请中，隐层节点数为大于4的整数较好，优选为5个、9个、17个或21个。
在进行学习训练之前，先对BP神经网络初始模型进行初始化，包括以下参数的赋值：各连接权值的初始取值、隐含层的节点的阀值、输出层的节点的阀值、学习速率η、目标精度。这些按实际需求进行具体设定。其中，学习速率η的初始值η0要求为：0＜η0＜1。
结合图3，对BP神经网络初始模型进行初始化后，对BP神经网络初始模型进行学习训练，学习训练的过程包括：
读取训练样本数据，进行前向传播；
检验BP神经网络初始模型的预测精度是否达到预设精度要求；
若未达到，则进行反向传播，然后返回上述进行前向传播的步骤；
若达到，结束学习训练的过程。
其中，上述前向传播包括输入层的输入与输出、隐含层的输入与输出、输出层的输入与输出。
其中，输入层的输入与输出包括：
以所述数值化处理后的设备厂商信息、告警类别为输入层的输入值，通过公式(3)确定输入层的输出值，
o1i＝xi (3)；
其中，xi为输入层第i个节点的输入值；o1i为输入层第i个节点的输出值，i＝1，2。
其中，隐含层的输入与输出包括：
以所述输入层的输出值为输入，通过公式(4)确定隐含层的输入值，并基于隐含层的输入值，通过公式(5)确定隐含层的输出值；
其中，net1j为隐含层第j个节点的输入值，P为隐含层的节点个数，θj为隐含层第j个节点的阈值；ωij为输入层第i个节点与隐含层第j个节点的连接权值；f1为隐层节点的传输函数，为对数-S型函数；o2j为隐含层第j个节点的输出值，其变化曲线见图2。o2j变化曲线的坡度和位置可以通过调节ωij和θj进行调整。
其中，输出层的输入与输出包括：
以所述隐含层的输出值为输入，通过公式(6)确定输出层的输入值，并基于输出层的输入值，通过公式(7)确定输出层的输出值；
其中，net2t为输出层节点的输入值，由隐层节点输出值o2j经公式(5)计算得到；ωjt为隐含层第j个节点与输出层节点的连接权值；θt为输出层节点的阈值；f2为输出层的传输函数，为硬极限函数；o3t为输出层节点的输出值，o3t＝0表示未发生故障，o3t＝1表示发生故障。
上述BP神经网络初始模型的预测精度通过下述方式确定：
将预设故障周期范围内的多组告警数据分别作为BP神经网络初始模型的输入，得出故障的预测值；
将故障的预测值与实际的故障值进行比对统计，确定结果一致的数量值与故障值总数量的比值；
将所述比值作为预测精度。
上述反向传播的基本思想是：通过o3t与dt之间的误差反向传播来修改各连接权值，o3t为输出层节点的实际计算输出，dt为输出层第节点的所期望输出。具体是对于每一个训练样例，BP神经网络的连接权值沿误差函数梯度方向下降修正。
误差函数定义为公式(8)，E为误差值；
因此，上述反向传播具体包括：
通过公式(9)调整隐含层与输出层之间的连接权值ωjt，其中，δt通过公式(10)确定，Δωjt为连接权值ωjt的变化量；
δt＝o3t(1-o3t)(dt-o3t) (10)；
通过公式(10)调整输入层与隐含层之间的连接权值ωij，其中，通过公式(11)确定，Δωij为连接权值ωij的变化量；
结合图4，在检验到BP神经网络初始模型的预测精度未达到预设精度要求之后，进行反向传播之前，还包括步骤：调整学习速率η；
调整学习速率η的方式包括：
当相邻两次迭代的梯度方向相同时(可以通过相邻两次迭代的梯度之积为正来得知)，表明收敛情况较好，可以使用黄金分割加大学习速率，使收敛速率加快，学习速率η通过公式(13)作调整；
其中，ηz为学习速率η作此次调整前的值。
此式的含义是：在ηi与1之间取黄金分割点，将该点的值作为η的取值。
当相邻两次迭代的梯度方向相反(可以通过相邻两次迭代的梯度之积为反来得知)，表明在两次迭代之间出现了极值点，此时学习速率过大，使得上一次迭代时越过了极值点，因而需要使用黄金分割减小学习速率，提高误差精度，学习速率η通过公式(14)作调整；
其中，ηz为学习速率η作此次调整前的值。
此式的含义是：在0与ηz之间取黄金分割点，将该点的值作为η的取值。
上述学习速率η的调整方法，是一种基于黄金分割的学习速率自适应BP神经网络的方法，使学习速率η根据网络训练的状态自动调整，若相邻两次迭代的梯度方向相同则使用黄金分割加大学习速率η，若相邻两次迭代的梯度方向不同则使用黄金分割减少学习速率η，从而达到在训练过程中不断优化学习速率和减少人为主观因素影响的目的，有效地加快了收敛的速度和准确度。
步骤S104：利用所得的BP神经网络最终模型对电力通信网的故障进行预测。
获取新的告警数据，采用上述离散化赋值方法进行赋值处理，将处理后的告警数据输入BP神经网络最终模型，得到故障预测结果。
本发明将设备厂商信息、告警类别进行量化，并利用黄金分割法提高神经网络的学习速率，形成应用于电力通信网故障分析的自适应BP神经网络方法，对电力通信网的故障进行预测，为电力通信网故障的分析和恢复提供有效参考。
为验证本发明的有效性，在此，以对某电力公司的2013年电力通信网数据进行实验。
(L1)2013年电力通信网所参与的设备来自3个设备厂商，这些设备可以产生11种告警类别。收集2013年电力通信网的所有告警数据以及对应的实际故障值，共有58440组告警数据，每组告警数值包括某一次告警类别、与触发此次告警类别的设备对应的设备厂商信息。
对每一组的告警数据中，对设备厂商信息与告警类别分别采用离散化赋值方法进行量化处理。
对经处理后的所有告警数据，分别按以下四个不同百分比分裂(Percentagesplit)进行取数作为训练样本数据：50％、66％、80％、90％。
(L2)在对BP神经网络初始模型进行初始化时，学习速率η的初始值η0设定为0.05；取用上述四种不同分裂度的训练样本数据分别对BP神经网络初始模型进行学习训练，直到BP神经网络模型学习训练的误差达到要求，最终得到四个不同权重的BP神经网络最终模型。
(L3)将2013年电力通信网的所有告警数据分别在上述四个不同权重的BP神经网络最终模型中进行测试，以比对由BP神经网络最终模型得出的故障值与实际故障值，比对的统计结果具体如表1所示。
表1分类准确度
由表1可得出，本发明对电力通信网故障的预测具有较高的准确度，能为电力通信网故障的分析和恢复提供有效参考。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于BP神经网络的电力通信网故障分析方法，其特征在于，包括以下步骤：
获取预设故障周期范围内的多组告警数据以及对应的故障值，每组告警数据包括设备厂商信息和告警类别；
对所述设备厂商信息、告警类别、故障值进行数值化处理；
以所述数值化处理后的设备厂商信息、告警类别和故障值作为训练样本数据，进行BP神经网络初始模型的学习训练，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型，其中，所述数值化处理后的设备厂商信息、告警类别为训练样本数据中的输入向量，所述数值化处理后的故障值为训练样本数据中的输出量；
根据所述BP神经网络最终模型对电力通信网的故障进行预测；
所述BP神经网络初始模型的学习训练的过程包括：
读取训练样本数据，进行前向传播；
检验BP神经网络初始模型的预测精度是否达到预设精度要求；
若未达到，则进行反向传播，然后返回上述进行前向传播的步骤；
若达到，结束学习训练的过程；
在检验到BP神经网络初始模型的预测精度未达到预设精度要求之后，进行反向传播之前，还包括步骤：调整学习速率η；
调整学习速率η的方式包括：
当相邻两次迭代的梯度方向相同时，学习速率η调整为：
<mrow> <mi>&amp;eta;</mi> <mo>=</mo> <mfrac> <mrow> <msqrt> <mn>5</mn> </msqrt> <mo>-</mo> <msub> <mi>&amp;eta;</mi> <mi>z</mi> </msub> </mrow> <mn>2</mn> </mfrac> <mo>+</mo> <msub> <mi>&amp;eta;</mi> <mi>z</mi> </msub> <mo>;</mo> </mrow>
其中，ηz为学习速率η作此次调整前的值；
当相邻两次迭代的梯度方向相反时，学习速率η调整具体为：
<mrow> <mi>&amp;eta;</mi> <mo>=</mo> <mfrac> <mrow> <mo>(</mo> <msqrt> <mn>5</mn> </msqrt> <mo>-</mo> <mn>1</mn> <mo>)</mo> <msub> <mi>&amp;eta;</mi> <mi>z</mi> </msub> </mrow> <mn>2</mn> </mfrac> <mo>;</mo> </mrow>
其中，ηz为学习速率η作此次调整前的值。
2.根据权利要求1所述的基于BP神经网络的电力通信网故障分析方法，其特征在于：
对所述设备厂商信息、告警类别进行数值化处理的方式包括：
根据设备厂商信息的数量m，m为大于1的整数，将0到1的区间均匀划分为与m个设备厂商信息一一对应的m个子区间，分别为m个设备厂商信息在对应的子区间中按随机数公式随机取一数值以赋值；
根据告警类别的数量n，n为大于1的整数，将0到1的区间均匀划分为与n个告警类别一一对应的n个子区间，分别为n个告警类别在对应的子区间中按随机数公式随机取一数值以赋值；
对所述故障值进行数值化处理的方式包括：使用第一数值表示发生故障，使用第二数值表示未发生故障。
3.根据权利要求1所述的基于BP神经网络的电力通信网故障分析方法，其特征在于，所述BP神经网络初始模型包括输入层、隐含层和输出层，所述隐含层以对数-S型函数作为传递函数，所述输出层以硬极限函数作为传递函数。
4.根据权利要求3所述的基于BP神经网络的电力通信网故障分析方法，其特征在于，所述前向传播包括：
以所述数值化处理后的设备厂商信息、告警类别为输入层的输入值，采用o1i＝xi确定输入层的输出值，其中，xi为输入层第i个节点的输入值；o1i为输入层第i个节点的输出值，i＝1，2；
以所述输入层的输出值为输入，通过确定隐含层的输入值，并基于隐含层的输入值，通过确定隐含层的输出值；其中，net1j为隐含层第j个节点的输入值，P为隐含层的节点个数，θj为隐含层第j个节点的阈值；ωij为输入层第i个节点与隐含层第j个节点的连接权值；o2j为隐含层第j个节点的输出值；
以所述隐含层的输出值为输入，通过确定输出层的输入值，并基于输出层的输入值，通过确定输出层的输出值，其中，net2t为输出层节点的输入值；ωjt为隐含层第j个节点与输出层节点的连接权值；θt为输出层节点的阈值；o3t为输出层节点的输出值。
5.根据权利要求4所述的基于BP神经网络的电力通信网故障分析方法，其特征在于，所述反向传播包括：
通过调整隐含层与输出层之间的连接权值ωjt，其中，δt＝o3t(1-o3t)(dt-o3t)，Δωjt为连接权值ωjt的变化量；
通过调整输入层与隐含层之间的连接权值ωij，其中，Δωij为连接权值ωij的变化量；
所述E通过确定，dt为输出层节点的所期望输出。
6.根据权利要求1所述的基于BP神经网络的电力通信网故障分析方法，其特征在于，BP神经网络初始模型的预测精度通过下述方式确定：
将预设故障周期范围内的多组告警数据分别作为BP神经网络初始模型的输入，得出故障的预测值；
将故障的预测值与实际的故障值进行比对统计，确定结果一致的数量值与故障值总数量的比值；
将所述比值作为预测精度。
CN201510762574.7A 2015-11-09 2015-11-09 基于bp神经网络的电力通信网故障分析方法 Active CN105447568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510762574.7A CN105447568B (zh) 2015-11-09 2015-11-09 基于bp神经网络的电力通信网故障分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510762574.7A CN105447568B (zh) 2015-11-09 2015-11-09 基于bp神经网络的电力通信网故障分析方法

Publications (2)

Publication Number Publication Date
CN105447568A CN105447568A (zh) 2016-03-30
CN105447568B true CN105447568B (zh) 2018-03-27

Family

ID=55557723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510762574.7A Active CN105447568B (zh) 2015-11-09 2015-11-09 基于bp神经网络的电力通信网故障分析方法

Country Status (1)

Country Link
CN (1) CN105447568B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7144412B2 (ja) * 2016-12-02 2022-09-29 エフ．ホフマン－ラ ロシュ アーゲー 生物学的試料を分析する自動分析装置のための故障状態予測
CN108898249A (zh) * 2018-06-28 2018-11-27 鹿寨知航科技信息服务有限公司 一种电网故障预测方法
CN109543814A (zh) * 2018-08-31 2019-03-29 南京理工大学 一种地铁信号系统各设备故障预测方法
CN110163263A (zh) * 2019-04-30 2019-08-23 首钢京唐钢铁联合有限责任公司 一种故障识别方法及装置
CN110825549A (zh) * 2019-11-06 2020-02-21 国家电网有限公司信息通信分公司 一种信息系统故障根因的确定方法、装置、设备及存储介质
CN110929934A (zh) * 2019-11-22 2020-03-27 深圳市通用互联科技有限责任公司 设备故障预测方法、装置、计算机设备和存储介质
CN111142060B (zh) * 2019-12-02 2023-11-07 国网浙江省电力有限公司 一种基于改进的bp神经网络的自适应阈值调整诊断方法
CN111090747A (zh) * 2019-12-03 2020-05-01 国家电网有限公司 一种基于神经网络分类的电力通信故障应急处置方法
CN111222244B (zh) * 2020-01-06 2024-02-02 北京锦鸿希电信息技术股份有限公司 一种预测列车车载设备性能和故障部件的方法及装置
CN111242357B (zh) * 2020-01-06 2024-02-02 北京锦鸿希电信息技术股份有限公司 基于神经网络学习的列车车载设备故障预测方法及装置
CN111539516A (zh) * 2020-04-22 2020-08-14 谭雄向 基于大数据处理的电网故障诊断系统及方法
CN111461925A (zh) * 2020-04-24 2020-07-28 广东电网有限责任公司东莞供电局 一种配电网故障分析方法、装置、设备及存储介质
CN112134736A (zh) * 2020-09-17 2020-12-25 叶晓斌 一种基于阻尼算法判定告警收敛恢复的方法
CN113935858A (zh) * 2021-11-05 2022-01-14 国家电网有限公司信息通信分公司 一种基于神经网络的电力通信设备状态检修的预测方法
CN115001941B (zh) * 2022-04-20 2023-10-13 广东省电信规划设计院有限公司 一种通信网管故障的确定方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707256A (zh) * 2012-06-20 2012-10-03 北京航空航天大学 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN103095494A (zh) * 2012-12-31 2013-05-08 北京邮电大学 一种电力通信网风险评估方法
CN103218662A (zh) * 2013-04-16 2013-07-24 郑州航空工业管理学院 一种基于bp神经网络的变压器故障诊断方法
CN103279794A (zh) * 2013-06-06 2013-09-04 中国南方电网有限责任公司 电力通信网风险评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102707256A (zh) * 2012-06-20 2012-10-03 北京航空航天大学 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法
CN103095494A (zh) * 2012-12-31 2013-05-08 北京邮电大学 一种电力通信网风险评估方法
CN103218662A (zh) * 2013-04-16 2013-07-24 郑州航空工业管理学院 一种基于bp神经网络的变压器故障诊断方法
CN103279794A (zh) * 2013-06-06 2013-09-04 中国南方电网有限责任公司 电力通信网风险评估方法

Also Published As

Publication number Publication date
CN105447568A (zh) 2016-03-30

Similar Documents

Publication Publication Date Title
CN105447568B (zh) 基于bp神经网络的电力通信网故障分析方法
CN107786369B (zh) 基于irt层次分析和lstm的电力通信网络安全态势感知和预测方法
An et al. Reliable p-median facility location problem: two-stage robust models and algorithms
CN103095494B (zh) 一种电力通信网风险评估方法
Zhao et al. Towards traffic matrix prediction with LSTM recurrent neural networks
CN104463351A (zh) 基于电力业务需求的通信带宽预测方法及装置
CN103676881A (zh) 一种半导体生产线动态瓶颈分析方法
CN110334865B (zh) 一种基于卷积神经网络的电力设备故障率预测方法及系统
CN109063939A (zh) 一种基于邻域门长短期记忆网络的风速预测方法及系统
CN104539601B (zh) 动态网络攻击过程可靠性分析方法及系统
CN105141446A (zh) 一种基于客观权重确定的网络设备健康度评估方法
CN107067092A (zh) 一种特高压输变电工程造价组合预测方法及预测装置
CN106056400A (zh) 预测新增用户数的方法、装置及系统
Al-Dabbagh et al. Reliability modeling of networked control systems using dynamic flowgraph methodology
Hua et al. Prediction method for network traffic based on maximum correntropy criterion
CN108596514A (zh) 基于模糊遗传算法的电力设备混合威布尔可靠性建模方法
Pankratova et al. Queueing system MAP/M/∞ with n types of customers
Chi et al. Multi‐objective robust tuning of STATCOM controller parameters for stability enhancement of stochastic wind‐penetrated power systems
Cenggoro et al. Dynamic bandwidth management based on traffic prediction using Deep Long Short Term Memory
Wang et al. Prediction of water quality in South to North Water Transfer Project of China based on GA-optimized general regression neural network
CN107861082A (zh) 一种电子测量设备的校准间隔确定方法及装置
Azadegan et al. Robust stability and stabilization of TCP‐networked control systems with multiple delay system modeling
CN113919162B (zh) 基于仿真与多源实测数据融合的电压暂降风险预警方法
Reddy et al. An optimal neural network model for software effort estimation
CN115629576A (zh) 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200917

Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Patentee after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd.

Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Patentee before: GUANGZHOU POWER SUPPLY Co.,Ltd.

TR01 Transfer of patent right