CN109086889A - 基于神经网络的终端故障诊断方法、装置和系统 - Google Patents

Abstract

本申请实施例公开了一种基于神经网络的终端故障智能化诊断方法、装置和系统，方法包括：判断特殊规则库中的每一个检修经验的可信度，若每一个检修经验的可信度小于预置信度阈值，将每一个检修经验存入所述一般规则库；根据特殊规则库与一般规则库输入神经网络，训练神经网络形成神经网络模型，并将神经网络模型存入一般规则库；获取配电终端的运行状态参数，输入神经网络，根据神经网络输出的故障诊断数据获得对应的故障诊断结果。本申请能够通过训练神经网络使得神经网络建立起配电网终端的状态参数与故障类型变量的对应关系，进行终端故障诊断时，将故障状态参数输入神经网络就能获得相应的故障类型变量，实现对配电网网终端故障的智能化诊断。

Description

基于神经网络的终端故障诊断方法、装置和系统

技术领域

本发明涉及配电自动化故障判别及处理技术领域，尤其涉及一种基于神经网络的终端故障诊断方法、装置和系统。

背景技术

如今在配电网中，配电终端的内部故障无法尽快上报给自动化系统的运维人员，往往要等配电终端完全掉线或者设备拒动才能被发现设备故障。这无疑降低了配电自动化的可靠性。

而当前供电局配电运维班组人员有限，技术水平参差不齐，实际配电终端的运维检修操作存在一定技术难度，往往也会专业技术水平缺乏造成人为导致配电终端的二次故障。同时配电终端型号种类众多，各厂家的设计标准不统一，在配网中的运行环境和投运时间也不尽相同，这更给实际运维检修操作带来了挑战。而正是各个厂家之间生产配电终端的差异性，配电终端故障所具有的“家族缺陷”这一特征信息却没能在实际的终端运维中得以挖掘和利用。

配电网中配电终端数量繁多，而其运检却只能依靠定期排查巡检的手段，需要投入大量的时间和人力，效果一般，制约了配电自动化、智能化的发展进程。

发明内容

本发明实施例提供了一种基于神经网络的终端故障诊断方法、装置和系统，能够解决现有技术存在的对配电网配电终端的诊断只能通过人工运检，，效率低下且效果一般的技术问题。

有鉴于此，本发明第一方面提供了一种基于神经网络的终端故障智能化诊断方法，包括建立神经网络模型和故障诊断；

所述建立神经网络模型具体包括：

判断特殊规则库中的每一个检修经验的可信度，若所述每一个检修经验的可信度小于预置信度阈值，将所述每一个检修经验存入所述一般规则库；

根据所述特殊规则库与所述一般规则库输入神经网络，训练所述神经网络形成神经网络模型，并将所述神经网络模型存入所述一般规则库；

所述故障诊断包括：

获取配电终端的运行状态参数，输入所述神经网络，根据所述神经网络输出的故障诊断数据获得对应的故障诊断结果。

优选的，所述运行状态参数包括内部状态变量和外部状态变量，其中，所述内部状态变量包括配电终端的运行状态、参数显示、通信状态、操作控制回路状态、蓄电池接入状态、电源模块交流部分状态、遥测数据质量、上下行通信状态。

优选的，所述建立神经网络模型之前包括：

获取专家在预置时间段内实际累积的检修经验数据，根据所述检修经验数据提取出运行状态参数和故障类型量，以所述运行状态参数为第一自变量和以所述故障类型量为第一因变量，训练形成所述特殊规则库。

优选的，所述建立神经网络模型还包括：

获取配电终端故障检修的一般故障样本数据，根据所述一般故障样本数据提取出所述运行状态参数和所述故障类型量，以所述运行状态参数为第二自变量和所述故障类型量为第二因变量，输入神经网络进行训练形成所述一般规则库。

优选的，还包括：

若所述一般故障样本的所述第二自变量和所述检修经验数据的所述第一自变量相同，判断所述一般故障样本的频度是否大于或等于所述预置频度阈值；

若是，将所述一般故障样本列入所述特殊规则库中。

优选的，所述故障类型量包括：无故障、通信模块故障、控制模块故障、采集模块故障、电源模块故障、中央处理模块故障。

优选的，所述配电终端具体为馈线终端。

本发明第二方面提供了一种基于神经网络的终端故障智能化诊断装置，包括：

检验可信度模块，用于判断特殊规则库中的每一个检修经验的可信度，若所述每一个检修经验的可信度小于预置信度阈值，将所述每一个检修经验存入所述一般规则库；

训练神经网络模块，用于根据所述特殊规则库与所述一般规则库输入神经网络，训练所述神经网络形成神经网络模型，并将所述神经网络模型存入所述一般规则库；

故障诊断模块，用于获取配电终端的运行状态参数，输入所述神经网络，根据所述神经网络输出的故障诊断数据获得对应的故障诊断结果。

优选的，所述运行状态参数包括内部状态变量和外部状态变量，其中，所述内部状态变量包括配电终端的运行状态、参数显示、通信状态、操作控制回路状态、蓄电池接入状态、电源模块交流部分状态、遥测数据质量、上下行通信状态。

本发明第三方面提供了一种基于神经网络的终端故障智能化诊断系统，所述系统包括神经网络模块、外部知识库、解释模块和人机交互接口：

所述外部知识库包括如上所述的特殊规则库和一般规则库；

所述神经网络模块包括内部知识库，所述内部知识库包括学习机制和推理机制；

所述系统执行的步骤包括：通过所述人机交互接口接收配电终端的运行状态参数，根据所述推理机制计算得到对应的结果数据，将所述结果数据输入所述解释模块，所述解释模块将所述结果数据进行转换后得到故障诊断结果。

从以上技术方案可以看出，本申请实施例具有以下优点：

本发明实施例中，提供了一种基于神经网络的终端故障智能化诊断方法、装置、设备及存储介质，其中，基于神经网络的终端故障智能化诊断方法包括：获取来源于专家长期实践积累的检修经验，从中提取出终端状态参数与故障类型变量的对应关系，形成特殊规则库；获取配网自动化中历史记录的含有终端状态参数表与故障类型变量，从中提取出终端状态参数与故障类型变量的对应关系，形成一般规则库；根据形成的特殊规则库与一般规则库训练神经网络，以使神经网络形成终端状态参数与故障类型变量的对应关系；进行终端故障诊断时，将诊断的状态参数输入神经网络中，神经网络根据状态参数输出对应的故障类型变量，实现对终端故障的智能化诊断。

本发明实施例提供的基于神经网络的终端故障智能化诊断方法能够通过训练神经网络使得神经网络建立起配电网终端的状态参数与故障类型变量的对应关系，进行终端故障诊断时，将故障状态参数输入神经网络就能获得相应的故障类型变量，实现对配电网网终端故障的智能化诊断。

附图说明

图1为本发明第一实施例提供的基于神经网络的终端故障智能化诊断方法方法的流程示意图；

图2为本发明第二实施例提供的基于神经网络的终端故障智能化诊断系统的结构示意图；

图3为本发明第三实施例提供的基于神经网络的终端故障智能化诊断装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明实施例的方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参阅图1，图1是本发明第一实施例提供的基于神经网络的终端故障诊断方法的流程示意图。

本发明第一实施例提供了一种基于神经网络的终端故障智能化诊断方法，包括建立神经网络模型和故障诊断；

所述建立神经网络模型具体包括：

S1、判断特殊规则库中的每一个检修经验的可信度，若所述每一个检修经验的可信度小于预置信度阈值，将所述每一个检修经验存入所述一般规则库；

需要说明的是，本发明第一实施例提供的一种基于神经网络的终端故障诊断方法，获取的专家长期实践累积的检修经验，该检修经验为来自于配电终端的专家在长年运维检修的实践中总结的关于终端故障诊断的可靠经验知识数据；获取的基于终端的一般故障样本，该一般故障样本为配电网关于配电终端的运维检修的历史记录的数据；根据获得的检修经验建立特殊规则库和根据获得一般故障样本建立一般规则库；需要说明的是，设置预置信度阈值，并一一检验建立的特殊规则库中的每一条检修经验的信度，只有待检验的检修经验的信度大于或等于预置信度阈值，才能继续保留在特殊规则库中；如果存在有待检验的检修经验的信度小于预置信度阈值，则将该检修经验剔除出特殊规则库，且将该检修经验作为一般故障样本，列入一般规则库。

S2、根据所述特殊规则库与所述一般规则库输入神经网络，训练所述神经网络形成神经网络模型，并将所述神经网络模型存入所述一般规则库；

根据前述的步骤建立的特殊规则库以及一般规则库，将特殊规则库的所有检修经验和一般规则库的一般故障样本一一输入神经网络，根据这些数据训练神经网络，使得神经网络形成智能诊断机制。

S3、所述故障诊断包括：

获取配电终端的运行状态参数，输入所述神经网络，根据所述神经网络输出的故障诊断数据获得对应的故障诊断结果。

需要说明的是，基于上述步骤建立的神经网络，当使用本发明第一实施例提供的一种基于神经网络的终端故障方法对终端故障进行诊断时，只需获取终端的运行状态参数，输入到神经网络中，神经网络根据该运行状态参数和经过训练形成的相关诊断机制，即能获得相应诊断结果，实现对配电终端故障的智能化诊断。

本发明第一实施例提供的一种基于神经网络的终端故障诊断方法，通过获取来源于专家长期实践积累的检修经验，从中提取出终端状态参数与故障类型变量的对应关系，形成特殊规则库；获取配网自动化中历史记录的含有终端状态参数表与故障类型变量，从中提取出终端状态参数与故障类型变量的对应关系，形成一般规则库；根据形成的特殊规则库与一般规则库训练神经网络，以使神经网络形成终端状态参数与故障类型变量的对应关系；进行终端故障诊断时，将诊断的状态参数输入神经网络中，神经网络根据状态参数输出对应的故障类型变量，实现对终端故障的智能化诊断。

请参阅图2，图2是本发明第二实施例提供的基于神经网络的终端故障诊断系统的结构示意图。

所述运行状态参数包括内部状态变量和外部状态变量，其中，所述内部状态变量包括配电终端的运行状态、参数显示、通信状态、操作控制回路状态、蓄电池接入状态、电源模块交流部分状态、遥测数据质量、上下行通信状态。

所述建立神经网络模型之前包括：

获取专家在预置时间段内实际累积的检修经验数据，根据所述检修经验数据提取出运行状态参数和故障类型量，以所述运行状态参数为第一自变量和以所述故障类型量为第一因变量，训练形成所述特殊规则库。

所述建立神经网络模型还包括：

获取配电终端故障检修的一般故障样本数据，根据所述一般故障样本数据提取出所述运行状态参数和所述故障类型量，以所述运行状态参数为第二自变量和所述故障类型量为第二因变量，输入神经网络进行训练形成所述一般规则库。

若所述一般故障样本的所述第二自变量和所述检修经验数据的所述第一自变量相同，判断所述一般故障样本的频度是否大于或等于所述预置频度阈值；

若是，将所述一般故障样本列入所述特殊规则库中。

所述故障类型量包括：无故障、通信模块故障、控制模块故障、采集模块故障、电源模块故障、中央处理模块故障。

本发明第三方面提供了一种基于神经网络的终端故障智能化诊断系统，其特征在于，所述系统包括神经网络模块107、外部知识库101、解释模块108和人机交互接口109：

所述外部知识库101包括如上所述的特殊规则库102和一般规则库103；

所述神经网络模块101包括内部知识库104，所述内部知识库104包括学习机制105和推理机制106；

所述系统执行的步骤包括：通过所述人机交互接口109接收配电终端的运行状态参数，根据所述推理机制106计算得到对应的结果数据，将所述结果数据输入所述解释模块108，所述解释模块108将所述结果数据进行转换后得到故障诊断结果。

需要说明的是，本发明第二实施例提供的基于神经网络的终端故障智能化诊断方法，在基于影响配电终端运行状态的内部运行状态的基础上，研究配电终端所处的环境因素、生产厂家和投运行时间这些外部变量对终端故障的影响，引入神经网络，在其内部建立由终端运维专家经验、典型案例形成的特殊规则库和一般终端故障事实所形成的一般规则库，形成状态变量与故障变量的非线性对应关系。从而可以根据配电终端的运行状态给出其相应的故障判断结果，方便配电终端的运维实践中快速定位故障终端及故障类型，给运维检修人员提出一定信度的运维策略，提高配电终端运维的可靠性和快速性；也可以分析出不同厂家配电终端可能存在的“家族缺陷”，帮助配电终端厂家发现终端产品的潜在问题。

本发明第二实施例提供的基于神经网络的终端故障智能化诊断方法，方法在基于神经网络的终端故障智能化诊断方法上实施，实施流程如图2所示，调试人员通过人机交互接口，将现场的大量的抑制的配电终端的故障样本输入系统，系统将包含知识的数据样本按照信度分为特殊规则库和一般规则库。其中特殊规则库代表的是来自于配电终端的专家在长年运维检修的实践中总结的关于终端故障诊断的可靠经验知识数据；一般规则库代表的是配电网关于配电终端的运维检修的历史记录数据。当普通运维人员将配电终端运行状态参数通过人际交互接口输入到配电终端故障诊断系统时，该系统将根据内部知识库，由神经网络的推理机制计算搜索到一个满意解，然后通过解释系统将神经网络的输出结果转换为便于理解的故障逻辑概念，即该相应运行状态参数对应的配电终端的故障诊断结果。

将配电终端根据功能分为5个模块：通信模块、控制模块、采集模块、电源模块、中央处理模块,将各模块按顺序编号为模块i∈[1，5]，模块的故障状态表示为：

式中，1表示该状态量正常，0表示该状态量异常；

确立配电终端的任务运行状态、参数显示、通信状态、操作控制回路状态、蓄电池接入状态、电源模块交流部分状态、遥测数据质量、上下行通信状态为内部状态变量，将这8个内部状态按顺序分别记为N[j]，j∈[1，8]，则N[j]的状态为：

式中，1表示该状态量正常，0表示该状态量异常；

根据查找的某配电网中关于配电终端的故障判断的专家经验知识，即询问长期从事终端检修与故障诊断的专家，从其积累的经验数据中得出终端的运行状态参数与故障类型变量的经验性的对应关系，由系统程序调试人员通过人机交互接口输入系统，做出由内部状态变量推导终端故障态势基于专家经验的关系对应表。如表1，如果状态量N＝{0,0,0,0,0,0,0,0}，根据专家经验即可认为终端大概率无故障(对应F＝{0,0,0,0,0,0,0,0})；如果状态量N＝{1,1,0,0,0,0,0,0}，根据专家经验即可认为终端大概率是中央处理模块故障(对应F＝{0,0,0,0,0,0,0,1}，其它表中对应关系同理)。该基于专家经验关系的故障判断关系对应表被存放于特殊规则库中。

表1配电终端基于检修专家经验的故障判断关系对应表

为了判断特殊规则库中专家经验的针对终端某一般故障样本的可信度，增加终端运行样本对经验规则的检验逻辑，防止信度较低的专家经验被存于特殊规则库中，从而影响终端故障判断的精度。具体判断方式如下：

从2000条终端一般故障样本(也即形成一般规则库的神经网络训练集)中，根据样本中与表1种状态变量相同的的样本挑选出来分为6组，其中“*”表示不需要相同的变量位：{0,0,0,0,0,0,0,0,*,*,*,*,*}、{1,1,0,0,0,0,0,0,*,*,*,*,*}、{0,0,0,1,0,0,0,0,*,*,*,*,*}、{0,0,0,0,0,0,0,1,*,*,*,*,*}、{0,0,0,0,1,1,0,0,*,*,*,*,*}、{0,0,0,0,0,0,1,0,*,*,*,*,*}。按组从2000条样本中提取出每组的样本数分别为：240、130、80、110、70、130。在每组样本中，依次比较样本输出位{*,*,*,*,*}与该组经验表输出量是否相同。检验出分别有12、13、8、11、7、26条数据与对应表的输出不完全相同，计算不匹配数据所占的比例，得经验组的可信度(在一般故障样本中的出现频度)：

经验组1可信度：1-12/240＝0.95

经验组2可信度：1-13/130＝0.9

经验组3可信度：1-8/80＝0.9

经验组4可信度：1-11/110＝0.9

经验组5可信度：1-7/70＝0.9

经验组6可信度：1-26/130＝0.8

设置特殊规则库内的预置信度阈值为0.8，即专家经验关系表内经验可信度(在一般故障样本中的出现频度)如果小于0.8，则从特殊规则库(故障判断关系对应表)中去除，另将该经验作为一条终端故障样本存入一般故障样本(也即形成一般规则库的神经网络训练样本)中，再用新的一般故障样本训练神经网络形成新的一般规则库。

同样，在一般故障样本中选出有如下特征的样本组，且该样本组没有在特殊规则库中出现过：{#,#,#,#,#,#,#,#,*,*,*,*,*}，其中“#”表示特征样本组中需要相同的变量位(即状态量位相同)，“*”表示可以差异的变量位(即故障类型量可以不相同)，检验该组样本中如果某一样本的信度达到了0.8及以上，即可作为新的专家经验存入特殊规则库中。

共取2000条终端一般故障样本(即一般故障样本)，将样本数据按顺序1～2000编号，：在matlab中用k＝rand(1，2000)指令产生代表2000组随机数的行向量，再用sort函数将随机数向量k按升序排列，再提取排列后的乱序编号来实现打乱样本的目的，使样本数据在分布上具有随机性。再按4：1分为两组，即一组的1600条数据样本作为BP神经网络的训练集，另一组的400条数据样本作为神经网络的检验集。

然后，将训练集的样本数据按神经网络的输入和输出进行划分：

神经网络训练集输入量：

x_t＝{N_t[1],N_t[2],N_t[3],N_t[4],N_t[5],N_t[6],N_t[7],N_t[8]} t＝1,2,…,1600

神经网络训练集输出量：

y_t＝{F_t[1],F_i[2],F_t[3],F_t[4],F_t[5]} t＝1,2,…,1600

在不考虑模块并行故障的情况下，即仅考虑单模块故障导致的终端故障，不考虑多模块同时故障(实际运维中配电终端多模块同时故障导致终端故障的情况较少)，将终端的故障判断输出态分为6类：y＝{0,0,0,0,0,0}表示终端运行正常，无故障；y＝{1,0,0,0,0,0}表示终端故障(通信模块故障)，y＝{0,1,0,0,0,0}表示终端故障(控制模块故障)，y＝{0,0,1,0,0,0}表示终端故障(采集模块故障)，

接着，确定BP神经网络的结构，即输入层神经元个数为8个，用i＝1,2,…,8编号；输出层神经元为5个，用j＝1,2,…,5编号，由经验公式(1)得到神经网络隐含层神经元的个数为6个，用k＝1,2,…,6编号。

式中：n_implicit为隐含层神经元个数；n_input为输入层神经元个数，n_input为输出层神经元的个数。

输入层和隐含层神经元之间的链接权值为ω_ij(i＝1,2,…,8；j＝1,2,…,6),隐含层神经元阈值为a_j(j＝1,2,…,6)；隐含层和输出层神经元之间的链接权值为ω_jk(j＝1,2,…,6；k＝1,2,…,5)，输出层神经元阈值为b_k(k＝1,2,…,5)。

隐含层神经元j的输出为：

其中f代表神经元间的传递函数(激励函数)，选其为Sigmoid型，表示为：

f(s_j)＝[1+exp(-s_j)]^-1 (3)

BP神经网络输出，也即输出层输出O_k(k＝1,2,…,5)为：

初始化网络参数：设置训练要求精度为0.01，学习速率θ按一般性取值设为0.1，最大训练次数取默认值50。利用随机函数rand对神经网络中的权值和阈值进行初始化赋值。

训练迭代过程中，由公式(5)计算网络预测值与实际值之间的误差e_k，计及每次网络的预测误差由公式(6)～(9)求得更新后的网络连接的权值 和阈值

e_k＝y_k-o_k (5)

设置程序，开始BP神经网络基于终端专家经验总结的样本数据的训练，经过12次训练迭代后，网络训练样本均方误差满足要求。

用训练好的BP神经网络分类终端的故障所属的类别，用含有400条样本的检验集检验BP神经网络故障判别(分类)能力，即统计400条样本中由神经网络判断故障与实际情况相一致(即判断正确)的样本个数。由公式(5)得出BP神经网络故障判断(分类)结果与实际结果不一致的检验集样本((即e_k中存在非零元素)，统计该差异样本的个数为31条)400条检验集的样本故障判断的正确率为：369/400×100％＝92.25％。即故障判断模型有较好的故障判别(分类)能力。

确立配电终端的运行环境温度、投运时间、生产厂家作为可观的外部状态变量，并分别表示为：

用变量W表示配电终端运行环境的平均温度：

式中，1表示运行环境平均温度在26℃以上，0表示运行环境平均温度在26℃以下；

用变量T表示配电终端的投放时间：

式中，1表示投放时间在1年内，0表示投放时间超过1年；

用变量P表示配电终端的生产厂家：

式中，1表示终端厂家A，0表示终端厂家B。

将2000个样本数据乱序排列后，按4：1分为训练组和检验组，并重新按神经网络的输入和输出将数据进行划分：

神经网络输入量：x_t＝{W_t,T_t,P_t,N_t[1],N_t[2],N_t[3],N_t[4],N_t[5],N_t[6],N_t[7],N_t[8]}t＝1,2,…,1600。

神经网络输出量:y_t＝{F_t[1],F_i[2],F_t[3],F_t[4],F_t[5]} t＝1,2,…,1600。

确定神经网络结构为：输入层神经元为11个，输出层神经元为5个，隐含层神经元个数为7个。训练过程和内部状态变量为输入量下的神经网络训练相同。网络经过29次迭代训练后满足精度要求。再用检验集数据检验网络模型的故障判别(分类)性能，统计出BP神经网络故障判断(分类)结果与实际结果不一致的检验集样本个数为29条，则400条检验集的样本故障判断的正确率为：371/400×100％＝92.75％，即考虑内外状态变量共11维因素的故障判断模型准确率有所提升，即预测精度更高。同样将该故障判断模型被存入一般规则库中。

按照变量及变量值代表的含义，将“数值”还原为“代表含义”。即将故障判断结果中的输出{0,0,0,0,0}翻译为“该终端正常”；{0,1,0,0,0}翻译为“该终端故障，且是通信模块故障”；{0,0,1,0,0}翻译为“该终端故障，且是控制模块故障”；{0,0,0,1,0}翻译为“该终端故障，且是电源模块故障”；{0,0,0,0,1}翻译为“该终端故障，且是中央处理模块故障”。如果判别依据来源于专家经验形成的特殊规则库，则输出对应的信度值“特殊规则库信度值为0.95”；如果判别依据来源于内部状态变量形成神经网络生成的一般规则库，则输出对应的故障预测正确率“一般规则库预测正确率为92.25％”；如果判别依据来源于综合外部状态变量和内部状态变量形成神经网络生成的一般规则库，则输出对应的故障预测正确率“一般规则库预测正确率为92.75％”。整体的翻译结果将显示到到人机交互界面上。

本发明第二方面提供了一种基于神经网络的终端故障智能化诊断装置，包括：

检验可信度模块10，用于判断特殊规则库中的每一个检修经验的可信度，若所述每一个检修经验的可信度小于预置信度阈值，将所述每一个检修经验存入所述一般规则库；

训练神经网络模块20，用于根据所述特殊规则库与所述一般规则库输入神经网络，训练所述神经网络形成神经网络模型，并将所述神经网络模型存入所述一般规则库；

故障诊断模块30，用于获取配电终端的运行状态参数，输入所述神经网络，根据所述神经网络输出的故障诊断数据获得对应的故障诊断结果。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于神经网络的终端故障智能化诊断方法，其特征在于，包括建立神经网络模型和故障诊断；

所述建立神经网络模型具体包括：

判断特殊规则库中的每一个检修经验的可信度，若所述每一个检修经验的可信度小于预置信度阈值，将所述每一个检修经验存入所述一般规则库；

根据所述特殊规则库与所述一般规则库输入神经网络，训练所述神经网络形成神经网络模型，并将所述神经网络模型存入所述一般规则库；

所述故障诊断包括：

获取配电终端的运行状态参数，输入所述神经网络，根据所述神经网络输出的故障诊断数据获得对应的故障诊断结果。

2.根据权利要求1所述的基于神经网络的终端故障智能化诊断方法，其特征在于，所述运行状态参数包括内部状态变量和外部状态变量，其中，所述内部状态变量包括配电终端的运行状态、参数显示、通信状态、操作控制回路状态、蓄电池接入状态、电源模块交流部分状态、遥测数据质量、上下行通信状态。

3.根据权利要2所述的基于神经网络的终端故障智能化诊断方法，其特征在于，所述建立神经网络模型之前包括：

获取专家在预置时间段内实际累积的检修经验数据，根据所述检修经验数据提取出运行状态参数和故障类型量，以所述运行状态参数为第一自变量和以所述故障类型量为第一因变量，训练形成所述特殊规则库。

4.根据权利要求3所述的基于神经网络的终端故障智能化诊断方法，其特征在于，所述建立神经网络模型还包括：

获取配电终端故障检修的一般故障样本数据，根据所述一般故障样本数据提取出所述运行状态参数和所述故障类型量，以所述运行状态参数为第二自变量和所述故障类型量为第二因变量，输入神经网络进行训练形成所述一般规则库。

5.根据权利要求4所述的基于神经网络的终端故障智能化诊断方法，其特征在于，还包括：

若所述一般故障样本的所述第二自变量和所述检修经验数据的所述第一自变量相同，判断所述一般故障样本的频度是否大于或等于所述预置频度阈值；

若是，将所述一般故障样本列入所述特殊规则库中。

6.根据权利要求5所述的基于神经网络的终端故障智能化诊断方法，其特征在于，所述故障类型量包括：无故障、通信模块故障、控制模块故障、采集模块故障、电源模块故障、中央处理模块故障。

7.根据权利要求1或4所述的基于神经网络的终端故障智能化诊断方法，其特征在于，所述配电终端具体为馈线终端。

8.基于神经网络的终端故障智能化诊断装置，其特征在于，包括：

检验可信度模块，用于判断特殊规则库中的每一个检修经验的可信度，若所述每一个检修经验的可信度小于预置信度阈值，将所述每一个检修经验存入所述一般规则库；

训练神经网络模块，用于根据所述特殊规则库与所述一般规则库输入神经网络，训练所述神经网络形成神经网络模型，并将所述神经网络模型存入所述一般规则库；

故障诊断模块，用于获取配电终端的运行状态参数，输入所述神经网络，根据所述神经网络输出的故障诊断数据获得对应的故障诊断结果。

9.根据权利要求8所述的基于神经网络的终端故障智能化诊断装置，其特征在于，所述运行状态参数包括内部状态变量和外部状态变量，其中，所述内部状态变量包括配电终端的运行状态、参数显示、通信状态、操作控制回路状态、蓄电池接入状态、电源模块交流部分状态、遥测数据质量、上下行通信状态。

10.一种基于神经网络的终端故障智能化诊断系统，其特征在于，所述系统包括神经网络模块、外部知识库、解释模块和人机交互接口：

所述外部知识库包括根据权利要求1-7所述的特殊规则库和一般规则库；

所述神经网络模块包括内部知识库，所述内部知识库包括学习机制和推理机制；

所述系统执行的步骤包括：通过所述人机交互接口接收配电终端的运行状态参数，根据所述推理机制计算得到对应的结果数据，将所述结果数据输入所述解释模块，所述解释模块将所述结果数据进行转换后得到故障诊断结果。