CN110493054A - 一种基于频域特征的电力通信网设备故障预测方法 - Google Patents
一种基于频域特征的电力通信网设备故障预测方法 Download PDFInfo
- Publication number
- CN110493054A CN110493054A CN201910783518.XA CN201910783518A CN110493054A CN 110493054 A CN110493054 A CN 110493054A CN 201910783518 A CN201910783518 A CN 201910783518A CN 110493054 A CN110493054 A CN 110493054A
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- equipment
- neuron
- hidden layer
- neural network
- 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.)
- Granted
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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Telephonic Communication Services (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力通信网设备故障预测领域,更具体地,涉及一种基于频域特征的电力通信网设备故障预测方法。只需要基于设备的时间序列数据并通过傅立叶变换将设备时间序列数据转换为频域数据,再使用频域数据用于训练BP神经网络模型,最后对设备状态等级进行预测,能够在设备处于潜在故障状态时及时进行维护。本方法只需要获取设备的时间序列数据,减少数据量,缩短神经网络的训练时长。
Description
技术领域
本发明涉及电力通信网设备故障预测领域,更具体地,涉及一种基于频域特征的电力通信网设备故障预测方法。
背景技术
设备运行过程中,通常包含三个状态,正常运行状态,潜在故障状态,非正常运行状态。如下图1所示。在正常运行状态中,很难人工发现设备的异常特征。当设备处于潜在故障状态时,设备的部分特征会出现急剧变化,某个元件的损坏能够引起一系列连锁反应,虽然能够对外正常提供服务,但设备内部状态已经出现异常。当设备状态达到某个损坏阈值时,设备已经不能对外正常提供服务,甚至停止工作。
公开号为CN201711010115.9的《一种基于改进的LSTM的电力通信网设备故障预测方法》,基于海量设备告警日志和机房动环数据,提出了基于改进的LSTM的电力通信网设备故障预测模型,但该方法依赖大量的数据,包括设备运维数据、业务数据、机房温度数据、湿度数据等等,数据类型繁多,导致模型训练时间较长。
发明内容
本发明为克服上述现有技术中预测模需依赖大量数据的问题,提供一种基于频域特征的电力通信网设备故障预测方法,只需要采集的设备时域特征进行傅立叶变换转换为频域特征,以此为训练数据训练神经网络模型,便能进行设备故障预测
为解决上述技术问题,本发明采用的技术方案是:提供一种基于频域特征的电力通信网设备故障预测方法,包括以下的步骤:
步骤一:获取设备一个历史时间段的时间序列数据;对设备时间序列数据预处理,包括缺失值、异常值处理,数据规范化。
步骤二:对该历史时间段的设备状态进行等级设定;
步骤三:通过傅立叶变换将时间序列数据转化为频域数据;
步骤四:将频域数据输入人工神经网络,对人工神经网络进行训练;
步骤五:将时间序列数据输入训练好的神经网络,输出设备状态的等级。
优选的,在所述步骤一中,时间序列数据为若干条设备的时序状态特征数据,每条为设备一天的数据量,一天的数据量共进行N次采集,一天的时间段为t~t+N,t时刻所对应的特征为vt,一天的数据量的特征元组为Et,N=<vt,vt+1,...,vt+N>。
优选的,在所述步骤二中,对t~t+N时刻设备设定状态进行等级设定,共分为四个等级1-4,其中设定等级1-2为正常运行状态,等级3为存在潜在故障状态,等级4为设备故障状态。基于神经网络预测算法通过输入设备一个时间段的状态频域特征,输出该时间段的设备等级,从而得知设备运行状态,在潜在故障状态时对设备进行维护,避免设备过渡到故障状态。
优选的,在所述步骤三中,傅里叶变换的计算公式为:
其中,X(k)表示频率为k的信号所对应的振幅;x(i)表示i时刻的设备状态;j代表虚数部分。傅里叶变换能够提取一段时域信号中不同频率信号的振幅,从而将时域信号转化为频域信号。
优选的,得到频域信号后,进行归一化处理,得到频域数据
其中,式中ai=X(i),即频率为i的信号对应的振幅;F为时间段t~t+N的频域数据。
人工神经网络无需事先确定输入输出之间映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统,人工神经网络实现其功能的核心是算法。BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行,而调整权值和阈值则从输出到输入的方向进行。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。
优选的,所述神经网络为包括有输入层、隐含层和输出层的BP神经网络。
优选的,所述隐含层的神经元输入为:
其中,Ii为隐含层的神经元输入,wij为隐含层神经元i与输入层神经元j的连接权值,θi为隐含层神经元阈值;Xj为隐含层神经元j的输出。
隐含层的的神经元输出为:
其中,Ii为隐含层的神经元输入,Oi为隐含层的的神经元输出;
输出层单个神经元的输出为:
其中,Vi为输出层神经元与隐含层神经元的连接权值,Oi为隐含层的的神经元输出;
神经网络的均方差为:
其中,E(w)为神经网络的均方差,tk是期望输出值,yk是网络实际输出值,p为样本数目。
与现有技术相比,有益效果是:只需要基于设备的时间序列数据即可进行设置故障的预测,减少对其他大量数据的需求,减少神经网络的所需要的训练时间;通过傅立叶变换将设备时间序列数据转换为频域数据,避免了时间序列数据在非时间维度上的信息结构十分复杂并且多样化问题;将频域数据用于训练BP神经网络模型,最后对设备状态等级进行预测,能够在设备处于潜在故障状态时及时进行维护。
附图说明
图1是设备状态和运行时间的关系图;
图2是本发明一种基于频域特征的电力通信网设备故障预测方法的流程图;
图3是本发明时间序列数据经过傅里叶变换后得到的频域特征图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”“长”“短”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体描述:
实施例1
如图1所示为一种基于频域特征的电力通信网设备故障预测方法的实施例,本实施例以路由设备为例,具体步骤如下:
步骤一:获取路由设备的工作温度的一个历史时间段的时间序列数据,时间序列数据为200条设备的时间序列状态的特征数据,每条为设备一天的数据量,一天的数据量共进行48次采集,每30分钟采集一次。
步骤二:对48个时刻的设备设定状态进行等级设定,共分为四个等级1-4,其中设定等级1-2为正常运行状态,等级3为存在潜在故障状态,等级4为设备故障状态。基于神经网络预测算法通过输入设备一个时间段的状态频域特征,输出该时间段的设备等级,从而得知设备运行状态,在潜在故障状态时对设备进行维护,避免设备过渡到故障状态。
步骤三:如图2所示,通过傅立叶变换将每一条时间序列数据转化为频域数据;傅里叶变换的计算公式为:
其中,X(k)表示频率为k的信号所对应的振幅;x(i)表示i时刻的设备状态;j代表虚数部分。傅里叶变换能够提取一段时域信号中不同频率信号的振幅,从而将时域信号转化为频域信号。
优选的,得到频域信号后,进行归一化处理,得到频域数据
其中,式中ai=X(i),即频率为i的信号对应的振幅;F为时间段t~t+N的频域数据。。
步骤四:将其中140条频域数据输入人工神经网络,对人工神经网络进行训练;
具体的,神经网络的模型为包括有输入层、隐含层和输出层的BP神经网络,隐含层的神经元输入为:
其中,Ii为隐含层的神经元输入,wij为隐含层神经元i与输入层神经元j的连接权值,θi为隐含层神经元阈值;Xj为隐含层神经元j的输出。
隐含层的的神经元输出为:
其中,Ii为隐含层的神经元输入,Oi为隐含层的的神经元输出;
输出层单个神经元的输出为:
其中,Vi为输出层神经元与隐含层神经元的连接权值,Oi为隐含层的的神经元输出;
神经网络的均方差为:
其中,E(w)为神经网络的均方差,tk是期望输出值,yk是网络实际输出值,p为样本数目。
步骤五:将剩余的60条频域数据输入训练好的神经网络,输出设备状态的等级。其中选取的这60条频域数据中,每个等级各占15条。预测结果如下表所示:
Grade 1 | Grade 2 | Grade 3 | Grade 4 | |
Grade 1 | 80% | 13.4% | 6.6% | 0 |
Grade 2 | 0 | 93.4% | 6.6% | 0 |
Grade 3 | 0 | 6.6% | 93.4% | 0 |
Grade 4 | 0 | 0 | 13.3% | 86.7% |
从实验结果可以看出,等级2和等级3的识别率比较高,都是93.4%,其次等级4的识别率为86.7%,等级1的识别率最低80%。等级1较低主要因为等级1和等级2的特征较为相近,容易混淆。
本实施的有益效果:只需要基于设备的时间序列数据即可进行设置故障的预测,减少对其他大量数据的需求,减少神经网络的所需要的训练时间;通过傅立叶变换将设备时间序列数据转换为频域数据中,避免了时间序列数据在非时间维度上的信息结构十分复杂并且多样化问题;将频域数据用于训练BP神经网络模型,最后对设备状态等级进行预测,能够在设备处于潜在故障状态时及时进行维护。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于频域特征的电力通信网设备故障预测方法,其特征在于,包括以下的步骤:
步骤一:获取设备一个历史时间段的时间序列数据;
步骤二:对该历史时间段的设备状态进行等级设定;
步骤三:通过傅立叶变换将时间序列数据转化为频域数据;
步骤四:将频域数据输入人工神经网络,对人工神经网络进行训练;
步骤五:将时间序列数据输入训练好的神经网络,输出设备状态的等级。
2.根据权利要求1所述的一种基于频域特征的电力通信网设备故障预测方法,其特征在于,在所述步骤一中,时间序列数据为若干条设备的时序状态特征数据,每条为设备一天的数据量,一天的数据量共进行N次采集,一天的时间段为t~t+N,t时刻所对应的特征为vt,一天的数据量的特征元组为Et,N=<vt,vt+1,...,vt+N>。
3.根据权利要求2所述的一种基于频域特征的电力通信网设备故障预测方法,其特征在于,在所述步骤二中,对t~t+N时刻设备设定状态进行等级设定,共分为四个等级1~4,其中设定等级1~2为正常运行状态,等级3为存在潜在故障状态,等级4为设备故障状态。
4.根据权利要求3所述的一种基于频域特征的电力通信网设备故障预测方法,其特征在于,在所述步骤三中,傅里叶变换的计算公式为:
其中,X(k)表示频率为k的信号所对应的振幅;x(i)表示i时刻的设备状态;j代表虚数部分;傅里叶变换提取一段时域信号中不同频率信号的振幅,从而将时域信号转化为频域信号。
5.根据权利要求4所述的一种基于频域特征的电力通信网设备故障预测方法,其特征在于,得到频域信号后,进行归一化处理,得到频域数据,公式为
其中,式中ai=X(i),即频率为i的信号对应的振幅,F为时间段t~t+N的频域数据。
6.根据权利要求5所述的一种基于频域特征的电力通信网设备故障预测方法,其特征在于,所述神经网络为包括有输入层、隐含层和输出层的BP神经网络。
7.根据权利要求6所述的一种基于频域特征的电力通信网设备故障预测方法,其特征在于,所述隐含层的神经元输入为:
其中,Ii为隐含层的神经元输入,wij为隐含层神经元i与输入层神经元j的连接权值,θi为隐含层神经元阈值;Xj为隐含层神经元j的输出。
隐含层的的神经元输出为:
其中,Ii为隐含层的神经元输入,Oi为隐含层的的神经元输出;
输出层单个神经元的输出为:
其中,Vi为输出层神经元与隐含层神经元的连接权值,Oi为隐含层的的神经元输出;
神经网络的均方差为:
其中,E(w)为神经网络的均方差,tk是期望输出值,yk是网络实际输出值,p为样本数目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783518.XA CN110493054B (zh) | 2019-08-23 | 2019-08-23 | 一种基于频域特征的电力通信网设备故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910783518.XA CN110493054B (zh) | 2019-08-23 | 2019-08-23 | 一种基于频域特征的电力通信网设备故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110493054A true CN110493054A (zh) | 2019-11-22 |
CN110493054B CN110493054B (zh) | 2020-12-29 |
Family
ID=68553222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910783518.XA Active CN110493054B (zh) | 2019-08-23 | 2019-08-23 | 一种基于频域特征的电力通信网设备故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110493054B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884170A (zh) * | 2020-12-17 | 2021-06-01 | 上海智大电子有限公司 | 一种综合管廊预测性智能运维系统及方法 |
CN114417940A (zh) * | 2022-03-25 | 2022-04-29 | 阿里巴巴(中国)有限公司 | 检测数据中心的设备、获得设备检测模型的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
RU2668336C1 (ru) * | 2017-09-11 | 2018-09-28 | Федеральное Государственное Бюджетное Образовательное Учреждение Высшего Образования "Новосибирский Государственный Технический Университет" | Способ определения места короткого замыкания на линиях электропередач |
CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
CN109444667A (zh) * | 2018-12-17 | 2019-03-08 | 国网山东省电力公司电力科学研究院 | 基于卷积神经网络的配电网早期故障分类方法及装置 |
CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
CN110068759A (zh) * | 2019-05-22 | 2019-07-30 | 四川华雁信息产业股份有限公司 | 一种故障类型获得方法及装置 |
-
2019
- 2019-08-23 CN CN201910783518.XA patent/CN110493054B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107631867A (zh) * | 2017-09-07 | 2018-01-26 | 天津工业大学 | 一种基于深度学习的旋转机械故障智能分类方法 |
RU2668336C1 (ru) * | 2017-09-11 | 2018-09-28 | Федеральное Государственное Бюджетное Образовательное Учреждение Высшего Образования "Новосибирский Государственный Технический Университет" | Способ определения места короткого замыкания на линиях электропередач |
CN109357749A (zh) * | 2018-09-04 | 2019-02-19 | 南京理工大学 | 一种基于dnn算法的电力设备音频信号分析方法 |
CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
CN109444667A (zh) * | 2018-12-17 | 2019-03-08 | 国网山东省电力公司电力科学研究院 | 基于卷积神经网络的配电网早期故障分类方法及装置 |
CN110068759A (zh) * | 2019-05-22 | 2019-07-30 | 四川华雁信息产业股份有限公司 | 一种故障类型获得方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884170A (zh) * | 2020-12-17 | 2021-06-01 | 上海智大电子有限公司 | 一种综合管廊预测性智能运维系统及方法 |
CN114417940A (zh) * | 2022-03-25 | 2022-04-29 | 阿里巴巴(中国)有限公司 | 检测数据中心的设备、获得设备检测模型的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110493054B (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Post‐disturbance transient stability assessment of power systems by a self‐adaptive intelligent system | |
Ismail et al. | Efficient detection of electricity theft cyber attacks in AMI networks | |
JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
Kondratenko et al. | Multi-criteria decision making for selecting a rational IoT platform | |
Hijazi et al. | A Deep Learning Approach for Intrusion Detection System in Industry Network. | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
Yang et al. | Fault diagnosis of reciprocating compressor based on convolutional neural networks with multisource raw vibration signals | |
Gai et al. | A Parameter‐Optimized DBN Using GOA and Its Application in Fault Diagnosis of Gearbox | |
CN110493054A (zh) | 一种基于频域特征的电力通信网设备故障预测方法 | |
CN109033632A (zh) | 一种基于深度量子神经网络的趋势预测方法 | |
CN105721194A (zh) | 移动网故障隐患智能定位系统 | |
Tang et al. | Prediction of bearing performance degradation with bottleneck feature based on LSTM network | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
Zhang et al. | A new deep convolutional domain adaptation network for bearing fault diagnosis under different working conditions | |
Cheng et al. | Energy theft detection in an edge data center using deep learning | |
Kabore et al. | Review of anomaly detection systems in industrial control systems using deep feature learning approach | |
Zeng et al. | Detecting Cyber Attacks in Smart Grids with Massive Unlabeled Sensing Data | |
Chakraborty et al. | A dual‐tree complex wavelet transform‐based approach for recognition of power system transients | |
Zhang et al. | Partition fault diagnosis of power grids based on improved PNN and GRA | |
Javed et al. | Cloud-based collaborative learning (ccl) for the automated condition monitoring of wind farms | |
Mei et al. | A data‐driven approach to state assessment of the converter valve based on oversampling and Shapley additive explanations | |
Morsalin et al. | Induction motor inter-turn fault detection using heuristic noninvasive approach by artificial neural network with Levenberg Marquardt algorithm | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
Su et al. | Fault Prediction for Nonlinear System Using Sliding ARMA Combined with Online LS‐SVR | |
Islam et al. | Graph neural network based prediction of data traffic in cyber-physical smart power grids |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |