CN110188834A

CN110188834A - 一种电力通信网的故障诊断方法、装置及设备

Info

Publication number: CN110188834A
Application number: CN201910481024.6A
Authority: CN
Inventors: 李伟坚; 施展; 刘新展; 曾瑛; 张正峰; 亢中苗; 李溢杰
Original assignee: Guangdong Power Grid Co Ltd; Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Current assignee: Guangdong Power Grid Co Ltd; Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date: 2019-06-04
Filing date: 2019-06-04
Publication date: 2019-08-30

Abstract

本申请公开了一种电力通信网的故障诊断方法，能够获取电力通信网中通信设备的运行数据，并利用基于随机森林方法的故障诊断模型的决策树对运行数据进行分类，得到决策树的分类结果，最终根据决策树的分类结果确定电力通信网的故障诊断结果。可见，该方法利用随机森林方法实现故障诊断，由于随机森林方法在电力通信网的故障诊断问题中具备诊断效率高且抗噪声能力强的特点，因此该方法提升了电力通信网的故障诊断效率和准确性。此外，本申请还提供了一种电力通信网的故障诊断装置、设备及计算机可读存储介质，其作用与上述方法相对应。

Description

一种电力通信网的故障诊断方法、装置及设备

技术领域

本申请涉及通信领域，特别涉及一种电力通信网的故障诊断方法、装置、设备及计算机可读存储介质。

背景技术

随着大数据和人工智能等新技术的快速发展和应用，电力通信网得到了快速发展，越来越多的电力通信设备被投入到生产环境中，为人民群众的生活提供了丰富的电力资源。但是，随着电力通信网的规模增大，故障点急剧增加，因此，电力通信网的故障诊断对电力通信网的稳定运行具有重要意义。

随着深度学习技术的发展，已经有一些研究将深度学习应用到故障诊断问题当中，但是现有的基于深度学习的故障诊断方案诊断效率较低，此外由于电力通信网中干扰信息较多，导致现有诊断方案的诊断准确性较低，无法满足实际的需求。

发明内容

本申请的目的是提供一种电力通信网的故障诊断方法、装置、设备及计算机可读存储介质，用以解决现有的基于深度学习的故障诊断方案诊断效率和准确性较低的问题。具体方案如下：

第一方面，本申请提供了一种电力通信网的故障诊断方法，包括：

获取电力通信网中通信设备的运行数据；

利用基于随机森林方法的故障诊断模型的决策树对所述运行数据进行分类，得到所述决策树的分类结果；

根据所述决策树的分类结果，确定所述电力通信网的故障诊断结果。

优选的，在所述利用基于随机森林方法的故障诊断模型的决策树对所述运行数据进行分类之前，还包括：

对所述运行数据进行特征降维。

获取训练数据集；

对所述训练数据集进行有放回的随机抽取，得到多个子数据集；

分别根据各个所述子数据集构建决策树，得到基于随机森林方法的故障诊断模型。

优选的，所述分别根据各个所述子数据集构建决策树，包括：

从根节点开始重复执行根据父节点确定子节点的操作，直至所述子数据集的特征数据被全部取出，得到决策树。

优选的，所述执行根据父节点确定子节点的操作，包括：

确定父节点的候选特征；

从所述候选特征中随机选取预设数量的特征；

确定所述预设数量的特征中的最优特征，以作为分裂特征；

确定所述分裂特征的特征阈值；

根据所述分裂特征和所述特征阈值，确定所述父节点的子节点。

优选的，所述确定所述预设数量特征中的最优特征，包括：

确定各个所述特征的信息增益率，根据所述信息增益率确定所述预设数量的特征中的最优特征。

第二方面，本申请提供了一种电力通信网的故障诊断装置，包括：

运行数据获取模块：用于获取电力通信网中通信设备的运行数据；

分类模块：用于利用基于随机森林方法的故障诊断模型的决策树对所述运行数据进行分类，得到所述决策树的分类结果；

故障诊断模块：用于根据所述决策树的分类结果，确定所述电力通信网的故障诊断结果。

优选的，还包括：

训练数据集获取模块：用于获取训练数据集；

抽取模块：用于对所述训练数据集进行有放回的随机抽取，得到多个子数据集；

决策树构建模块：用于分别根据各个所述子数据集构建决策树，得到基于随机森林方法的故障诊断模型。

第三方面，本申请提供了一种电力通信网的故障诊断设备，包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序以实现如上所述的一种电力通信的故障诊断方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种电力通信网的故障诊断方法的步骤。

本申请所提供的一种电力通信网的故障诊断方法，能够获取电力通信网中通信设备的运行数据，并利用基于随机森林方法的故障诊断模型的决策树对运行数据进行分类，得到决策树的分类结果，最终根据决策树的分类结果确定电力通信网的故障诊断结果。可见，该方法利用随机森林方法实现故障诊断，由于随机森林方法在电力通信网的故障诊断问题中具备诊断效率高且抗噪声能力强的特点，因此该方法提升了电力通信网的故障诊断效率和准确性。

此外，本申请还提供了一种电力通信网的故障诊断装置、设备及计算机可读存储介质，其作用与上述方法相对应，这里不再赘述。

附图说明

为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请所提供的一种电力通信网的故障诊断方法实施例一的实现流程图；

图2为本申请所提供的一种电力通信网的故障诊断方法实施例二的实现流程图；

图3为本申请所提供的一种电力通信网的故障诊断方法实施例二中决策树构建过程的实现流程图；

图4为本申请所提供的一种电力通信网的故障诊断方法实施例二中选择决策树子节点的实现流程图；

图5为本申请所提供的对比实验的准确率对比图；

图6为本申请所提供的对比实验的误报率对比图；

图7为本申请所提供的一种电力通信网的故障诊断装置实施例的功能框图；

图8为本申请所提供的一种电力通信网的故障诊断设备实施例的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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。

目前，现有的基于深度学习的故障诊断方案诊断效率较低，此外由于电力通信网中干扰信息较多，导致现有诊断方案的诊断准确性较低，无法满足实际的需求。针对上述问题，本申请提供一种电力通信网的故障诊断方法、装置、设备及计算机可读存储介质，显著提升了电力通信网的故障诊断效率和准确性。

下面对本申请提供的一种电力通信网的故障诊断方法实施例一进行介绍，参见图1，实施例一包括：

步骤S101：获取电力通信网中通信设备的运行数据；

电力通信网包括一个或多个通信设备，上述运行数据是指反映电力通信网中通信设备的运行状态的数据，本实施例不限定运行数据具体包括哪些参数。对于运行数据的获取方式，具体可以以主动的方式获取运行数据，也可以以被动的方式获取运行数据。比如，可以利用网管系统主动对电力通信网的可观测信息进行探测，具体的，探测可以经过多个通信设备，若探测所经过的全部通信设备处于正常工作状态，则探测结果为正常；若探测所经过的全部通信设备中存在处于非正常工作状态的通信设备，则探测结果为异常。最终可以依据一个或多个探测的探测结果实现故障诊断。再比如，当电力通信网中的通信设备处于非正常状态时，可以主动向网管系统发出异常提示信息，当通信设备处于正常状态时，可以主动向网管系统发出正常提示信息，本实施例可以根据该异常提示信息和正常提示信息实现后续的故障诊断。

步骤S102：利用基于随机森林方法的故障诊断模型的决策树对所述运行数据进行分类，得到所述决策树的分类结果；

具体的，本实施例预先对电力通信网的数据进行预处理以得到训练集，然后利用随机森林算法对训练集进行学习，最终得到故障诊断模型。故障诊断模型本质为分类器，包括一个或多个决策树，各个决策树之间不存在关联。在分类过程中，将运行数据分别输入各个决策树，可以得到各个决策树的分类结果，最终根据这些分类结果确定最终的故障诊断结果。

步骤S103：根据所述决策树的分类结果，确定所述电力通信网的故障诊断结果。

具体的，可以选取各个决策数据的分类结果中的大概率结果作为电力通信网的故障诊断结果。

本实施例所提供一种电力通信网的故障诊断方法，能够获取电力通信网中通信设备的运行数据，并利用基于随机森林方法的故障诊断模型的决策树对运行数据进行分类，得到决策树的分类结果，最终根据决策树的分类结果确定电力通信网的故障诊断结果。可见，该方法利用随机森林方法实现故障诊断，由于随机森林方法在电力通信网的故障诊断问题中具备诊断效率高且抗噪声能力强的特点，因此该方法提升了电力通信网的故障诊断效率和准确性。

下面开始详细介绍本申请提供的一种电力通信网的故障诊断方法实施例二，实施例二基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。

如图2所示，实施例二包括：

步骤S201：对电力通信网中通信设备的运行数据集合进行预处理，得到训练集和测试集；

在电力通信网的运行过程中，当通信设备处于非正常状态时，会通过网管系统发出异常提示信息。电力通信网在长期的运行过程中，会积累大量的通信设备运行数据。为便于问题描述，本实施例给出故障诊断中的三个重要概念，分别为故障、症状、故障传播模型，下面分别对三者进行介绍：

故障是指电力通信网设备处于非正常工作的状态，使用y_i∈Y表示，取值为1表示设备已发生故障，取值为0表示设备未发生故障。

症状是指网管系统使用探测获取到的可观测信息，使用x_i∈X表示。当探测经过的所有设备处于正常工作状态时，观测的信息称为正症状，取值为0；当探测经过的设备中包含处于非正常工作状态的设备时，观测的信息称为负症状，取值为1。

故障传播模型如表1所示，x_i∈X的取值表示症状属于正症状，还是属于负症状。当x_i＝1时，表示当前探测经过的设备存在非正常状态的设备；当x_i＝0时，表示当前探测经过的设备均处于正常的状态。y_i∈Y的取值表示获取当前症状的探测是否经过该设备。当y_i＝1时，表示当前症状的探测经过该设备；当y_i＝0时，表示当前症状的探测不经过该设备。

表1

通过对基本的随机森林算法进行分析可知，需要将已有的电力通信设备数据集合进行预处理，生成训练集和测试集。本实施例中，训练集使用Train＝{(X₁,y₁),(X₂,y₂),...,(X_m,y_m)}表示，测试集使用Test＝{(X_m+1,y_m+1),(X_m+2,y_m+2),...,(X_n,y_n)}表示。在训练集和测试集中的每个具体属性方面，节点集合的元素使用X＝{a₁,a₂,...,a_d}表示，其中，d表示节点的数量，a_d表示节点发生故障的概率，可以基于电力通信网的长期网络运营数据计算获得；探测属性集合的元素使用Y＝{b₁,b₂}表示。

步骤S202：对训练集和测试集进行特征降维；

通过对已有的随机森林算法的研究成果分析可知，过拟合问题是比较常见的问题之一，针对该问题，本实施例采用特征降维的办法解决此问题。具体的，可以通过选择属性实现特征降维，其中选择属性是指从节点属性中，随机选择指定数量的属性作为训练集和测试集的数据，具体的指定数量可以依据实际需求来确定。通过选择属性，可以提高构造的训练集和测试集的随机性，从而有效的解决过拟合问题，有效提高故障诊断算法的性能。本实施例中，使用W(0<W<d)表示从所有节点中选择的属性集合数量。

步骤S203：利用随机森林算法对训练集进行学习，得到故障诊断模型；

从随机森林算法分析可知，随机森林算法执行时，需要使用k个决策树进行故障诊断。因此，在数据准备阶段，需要基于训练集构造K个决策树的数据集。为了提高决策树的随机性，作为一种可选的实施方式，本实施例采用有放回的数据集构造方法，从训练集合中随机选择节点，构造出k个数据集合，用于构建决策树。本实施例使用表示生成的k个决策树的数据集合。

决策树算法采用迭代的方法逐步对数据集合进行分类，当满足迭代条件或者分类结束时迭代结束。在执行决策树算法时，包括制定算法迭代结束条件、判断节点分类标准两个关键过程。作为一种可选的实施方式，在制定算法的迭代结束条件方面，本实施例将数据集中的数据全部被取出或全部数据类型相同为结束条件；在判断节点分类的标准方面，本实施例使用计算节点属性的信息增益率的方法进行计算。

步骤S204：利用故障诊断模型的决策树对所述测试集进行分类，得到所述决策树的分类结果；

步骤S205：根据所述决策树的分类结果，确定所述电力通信网的故障诊断结果。

在得到k个决策树的分类结果之后，如何充分利用这些分类结果，是随机森林算法非常重要的步骤，也是影响随机森林算法优劣的关键要素。本实施例使用公式(1)解决此问题。公式(1)采用的方法是将大概率事件作为最终的结果，即对于每个节点，将k个决策树的结果中出现最多的分类作为该节点的分类。公式(1)中表示数据集合的最终类别h_e的标记。

本实施例所提供一种电力通信网的故障诊断方法，根据随机森林算法的特点，将已有的电力通信设备数据集合进行预处理，生成训练集和测试集；采用属性选择策略对过拟合问题进行优化，生成用于算法执行的决策树数据集合；采用迭代的方法逐步将数据集进行分类；基于分类结果求解数据集中数据的最佳分类。

下面对本申请提供的电力通信网的故障诊断方法实施例二中利用随机森林算法对训练集进行学习，以得到故障诊断模型的过程进行详细的介绍，如图3所示，该过程具体包括以下步骤：

步骤S301：获取训练集；

步骤S302：对所述训练集进行有放回的随机抽取，得到多个子数据集；

步骤S303：分别根据各个所述子数据集构建决策树，得到基于随机森林方法的故障诊断模型。

对于决策树的构建过程，主要为根据子数据集确定决策树的根节点，确定根节点后，从根节点开始重复执行根据父节点确定子节点的操作，直至所述子数据集的特征数据被全部取出，得到完整的决策树。

如图4所示，所述执行根据父节点确定子节点的操作具体包括以下步骤：

步骤S401：确定父节点的候选特征；

步骤S402：从所述候选特征中随机选取预设数量的特征；

步骤S403：确定所述预设数量的特征中的最优特征，以作为分裂特征；

具体的，本实施例通过确定各个所述特征的信息增益率，根据所述信息增益率确定所述预设数量的特征中的最优特征。信息增益率的计算方法见公式(2)所示，其取值可以有效的防止信息增益导致的数据分类性能低下的问题：

其中，Train表示数据集合，a表示节点属性；InfG(Train,a)表示计算信息增益的公式，具体计算方法见公式(3)；IValue(a)表示每个节点属性的取值，具体计算方法见公式(4)：

公式(3)中，|γ|表示数据集合中数据的类别数量，Ratio(T)表示各种类型数据在总的数据集合中所占有的比例，其计算公式见公式(5)所示：

步骤S404：确定所述分裂特征的特征阈值；

步骤S405：根据所述分裂特征和所述特征阈值，确定所述父节点的子节点。

为了验证本申请提出的电力通信网的故障诊断方法的性能，本申请将已有的BP神经网络算法、支持向量机算法、本发明方案进行了比较。实验中使用的是某省电力公司的电力通信网管理系统采集的系统中的真实数据，总共包含6000条样本数据，其中包含1000条故障数据，5000条正常数据。考虑到Matlab对数据处理比较方便，而且有较多的函数库可以使用，所以，实验中使用Matlab R2016b软件进行编程和分析。

与已有研究分析类似，本申请选择电力通信网故障诊断中常用的准确率、误报率两个指标进行性能分析。其中，准确率描述故障诊断算法诊断出的正确故障数据量在总的数据量中的占比，误报率描述故障诊断算法错误分类的故障数据量在总的数据量中的占比。考虑到正常数据和异常数据的数据量差距较大会影响故障诊断算法的性能，本申请优化了传统数据采集的方法，对正常数据进行较少的采样，对异常数据进行较多的采样，基于此，构建的数据集如表2所示。

表2

为了使实验结果趋于稳定，在将BP神经网络、支持向量机算法、本申请方案进行比较时，实验中将三种算法在训练集和测试集上都执行了10次，并将10次结果的平均值作为各个算法的最终实验结果。准确率比较的结果见图5，误报率比较的结果见图6所示。

从实验结果可知，随着数据集的规模增加，三种算法的准确率和误报率的性能都有所提提升，说明三种算法的运行效果与数据量的规模相关，数据量越大，程序的执行效果越好。从三种算法的性能分析方面，本申请算法在准确率和误报率两个方面的性能指标都优于其它两种算法，证明本申请方案较好的提升了现有故障诊断算法的性能。

综上所述，为了解决现有的电力通信网故障诊断方案诊断性能低的问题，本申请通过对朴素贝叶斯网络算法、回归算法、随机森林算法、分类算法等机器学习算法进行了比较，结合电力通信网的网管数据特点，最终得出以下结论：

(1)电力通信网覆盖范围较大，并且较多位于恶劣环境中，容易受到外界因素的影响，导致网管数据中存在不准确的数据，这就需要选用的机器学习算法具有较强的抗噪声能力。从已有的机器学习算法分析可知，随机森林算法通过建立多个决策树，并基于最佳选择算法从多个决策树的结果中获取最优结果，可以有效的解决此问题。

(2)电力通信网的稳定运行对电力资源的可靠服务非常重要，对故障诊断的实时性要求较高，所以，选择的机器学习算法需要具有较高的执行效率。随机森林算法可以将每个决策树分布式执行，具有较高的执行效率，适合大数据环境下执行。

(3)电力通信网的规模较大，数据的维度和数据量较大，要求所选择的算法具有较高的数据处理效率。此问题可通过采用大数据的分布式计算进行解决。所以，随机森林算法具有较大优势。

从上述分析可知，本申请采用随机森林算法解决电力通信网的故障诊断问题，具有较高的执行效率、较好的抗噪声能力，所以，本实施例将随机森林算法应用于故障诊断的问题中，对于电力通信网的稳定运行具有积极的重要意义。

下面对本申请实施例提供的一种电力通信网的故障诊断装置进行介绍，下文描述的一种电力通信网的故障诊断装置与上文描述的一种电力通信网的故障诊断方法可相互对应参照。

如图7所示，该装置实施例包括：

运行数据获取模块701：用于获取电力通信网中通信设备的运行数据；

分类模块702：用于利用基于随机森林方法的故障诊断模型的决策树对所述运行数据进行分类，得到所述决策树的分类结果；

故障诊断模块703：用于根据所述决策树的分类结果，确定所述电力通信网的故障诊断结果。

作为一种具体的实施方式，还包括：

训练数据集获取模块：用于获取训练数据集；

本实施例的电力通信网的故障诊断装置用于实现前述的电力通信网的故障诊断方法，因此该装置中的具体实施方式可见前文中的电力通信网的故障诊断方法的实施例部分，例如，运行数据获取模块701、分类模块702、故障诊断模块703，分别用于实现上述电力通信网的故障诊断方法中步骤S101，S102，S103。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的电力通信网的故障诊断装置用于实现前述的电力通信网的故障诊断方法，因此其作用与上述方法的作用相对应，这里不再赘述。

此外，本申请还提供了一种电力通信网的故障诊断设备，如图8所示，包括：

存储器801：用于存储计算机程序；

处理器802：用于执行所述计算机程序以实现如上所述的一种电力通信的故障诊断方法的步骤。

最后，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种电力通信网的故障诊断方法的步骤。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种电力通信网的故障诊断方法，其特征在于，包括：

获取电力通信网中通信设备的运行数据；

2.如权利要求1所述的方法，其特征在于，在所述利用基于随机森林方法的故障诊断模型的决策树对所述运行数据进行分类之前，还包括：

对所述运行数据进行特征降维。

3.如权利要求1所述的方法，其特征在于，在所述利用基于随机森林方法的故障诊断模型的决策树对所述运行数据进行分类之前，还包括：

获取训练数据集；

4.如权利要求3所述的方法，其特征在于，所述分别根据各个所述子数据集构建决策树，包括：

5.如权利要求4所述的方法，其特征在于，所述执行根据父节点确定子节点的操作，包括：

确定父节点的候选特征；

从所述候选特征中随机选取预设数量的特征；

确定所述预设数量的特征中的最优特征，以作为分裂特征；

确定所述分裂特征的特征阈值；

6.如权利要求5所述的方法，其特征在于，所述确定所述预设数量特征中的最优特征，包括：

7.一种电力通信网的故障诊断装置，其特征在于，包括：

8.如权利要求7所述的装置，其特征在于，还包括：

训练数据集获取模块：用于获取训练数据集；

9.一种电力通信网的故障诊断设备，其特征在于，包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序以实现如权利要求1-6任意一项所述的一种电力通信的故障诊断方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-6任意一项所述的一种电力通信网的故障诊断方法的步骤。