CN110677290A - 基于退火算法及神经网络模型的电力通信运维风险预警方法 - Google Patents

基于退火算法及神经网络模型的电力通信运维风险预警方法 Download PDF

Info

Publication number
CN110677290A
CN110677290A CN201910917973.4A CN201910917973A CN110677290A CN 110677290 A CN110677290 A CN 110677290A CN 201910917973 A CN201910917973 A CN 201910917973A CN 110677290 A CN110677290 A CN 110677290A
Authority
CN
China
Prior art keywords
neural network
data
power communication
network model
annealing algorithm
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.)
Pending
Application number
CN201910917973.4A
Other languages
English (en)
Inventor
于浩
钱锜
李振伟
吴可香
陈会杰
陆俊
刘军
张璐
程康
张丽丽
刘涛
毛文杰
孙自更
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.)
Nanjing Hua Su Science And Technology Ltd
Nari Information and Communication Technology Co
Information and Telecommunication Branch of State Grid Anhui Electric Power Co Ltd
Original Assignee
Nanjing Hua Su Science And Technology Ltd
Nari Information and Communication Technology Co
Information and Telecommunication Branch of State Grid Anhui Electric Power 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 Nanjing Hua Su Science And Technology Ltd, Nari Information and Communication Technology Co, Information and Telecommunication Branch of State Grid Anhui Electric Power Co Ltd filed Critical Nanjing Hua Su Science And Technology Ltd
Priority to CN201910917973.4A priority Critical patent/CN110677290A/zh
Publication of CN110677290A publication Critical patent/CN110677290A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • H04L41/14—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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明涉及一种基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，包括以下步骤：(1)数据采集：采集用户数据和工参数据；(2)数据预处理：将步骤(1)中收集的用户数据和工参数据进行归一化处理，得到指标数据；(3)将归一化处理后的指标数据分为训练集和测试集进行分析处理并清洗得到数据结果；(4)选取若干条通道数据结果作为训练数据和测试数据；再采用退火算法改进的神经网络模型进行预测电力通信运维风险，从而获得电力通信运维风险预警信息。该方法根据电力通信网的风险因素，从网络、设备、站点、业务和环境多个角度建立指标体系并对其中的每个指标进行量化处理，从而给通信网风险评估提供预警。

Description

基于退火算法及神经网络模型的电力通信运维风险预警方法
技术领域
本发明涉及通信技术领域，尤其涉及一种基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法。
背景技术
电力通信安全风险，是指确定在电力通信网管理中每一种资源缺失或遭到破坏对整个系统造成的严重损失，是对威胁、脆弱点以及由此带来的风险大小评估。
资产：指企业、机构直接赋予了价值并需要保护的东西。各种资产存在的弱点、面临的威胁、需要进行的保护和安全控制各不相同。
脆弱点：是指资产中能够被利用的弱点。弱点可以是硬件的，也可以是软件的。
威胁：是指可能对资产或组织造成损害事故的潜在原因。
风险：是指特定的威胁利用资产的一种或一组脆弱点，导致资产的丢失或损害的潜在可能性。
电力通信网中包含各种各样的通信设备、网络设备、机房组织在一起，构成了多技术、多层次的复杂网络结构，因而构建电力通信网的风险评估指标体系时需要考虑众多风险因素。根据电力通信网风险的概念，需要对电力通信网中资产、脆弱点、威胁和风险进行识别，同时挖掘风险点的影响因素，建立面向电力通信网风险指标体系。根据过往的一些研究成果，结合现有的数据和资料，考虑网络、设备、站点、业务和环境五个方面。
因此，有必要提供一种基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，从网络、设备、站点、业务和环境多个角度建立指标体系并对其中的每个指标进行量化处理，增加了数据预测的稳定性和准确性，为通信网风险评估提供一种解决方案。
发明内容
本发明要解决的技术问题是，提供一种基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，从网络、设备、站点、业务和环境多个角度建立指标体系并对其中的每个指标进行量化处理，增加了数据预测的稳定性和准确性，为通信网风险评估提供一种解决方案。
为了解决上述技术问题，本发明采用的技术方案是：该基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，包括以下步骤：
(1)数据采集：采集用户数据和工参数据；
(2)数据预处理：将步骤(1)中收集的用户数据和工参数据进行归一化处理，得到指标数据；
(3)将归一化处理后的指标数据分为训练集和测试集进行分析处理并清洗得到数据结果；
(4)选取若干条通道数据结果作为训练数据和测试数据；再采用退火算法改进的神经网络模型进行预测电力通信运维风险，从而获得电力通信运维风险预警信息。
采用上述技术方案，本申请中基于电力通信业务风险模型的业务中所指的每个业务都会经过如图的一条最简化的物理链路，由机房中的设备和中间的一条光缆，与另一个机房中的设备组成一条物理链路，机房中可以有多个设备；
根据上述业务风险模型将风险因素进行分类，分成一级和二级两类指标，同时对指标的取值范围给出限制，电力通信网风险评估指标体系，如表1所示的。
表1电力通信网风险评估指标体系
Figure BDA0002216752120000021
上述指标是可能造成通信运维风险的因变量，为了衡量风险的大小，使用光缆的故障中断时长和设备的故障中断时长计算故障率，故障率的计算如下：
Figure BDA0002216752120000032
根据电力通信网的风险因素，从网络、设备、站点、业务和环境多个角度建立指标体系并对其中的每个指标进行量化处理；增加了数据预测的稳定性和准确性，基于指标体系，例如BP神经网络和退火算法优化的BP神经网络模型进行风险评估，最后基于真实数据，分测试集和训练集进行实验验证，为通信网风险预警也为通信网风险评估提供一种解决方案。
作为本发明的优选技术方案，所述步骤(4)中采用退火算法改进的神经网络模型的步骤包括：
S41优化函数选择BP神经网络的误差平方和，即error＝∑(Pi-Ri)2，其中Pi是预测值，Ri是实际值；定义优化问题的解释BP神经网络的权值W和阈值B；选择权值和阈值组成函数；
S42当温度较高时采用模拟退火算法对位移函数进行调整；
S43达到稳定状态后将优化后作为BP神经的初始权值和阀值，再进行标准的BP神经网络的训练。
作为本发明的优选技术方案，所述步骤S42采用模拟退火算法对位移函数进行调整的具体步骤包括：
S421开始随机挑选单元k，设定一个随机的位移，求出系统因此而产生的能量变化ΔEk；
S422若ΔEk≤0，该位移可采纳，而变化后的系统状态可作为下次变化的起点；
若ΔEk>0，位移后的状态可采纳的概率为：
其中T为温度，然后从(0，1)区间均匀分布的随机数中挑选一个数R，若R≤Pk，则将变化后的状态作为下次的起点；否则，将变化前的状态作为下次的起点；
S423循环步骤S421继续执行，直至达到平衡状态为止。
作为本发明的优选技术方案，所述BP神经网络模型包括选择站点到站点之间的一条通路作为基本单元，根据指标体系设定，输入层是网络指标、设备指标、站点指标、环境指标和业务指标；输出层是光缆故障率和设备故障率。
作为本发明的优选技术方案，该基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法根据指标体系五个不同的方面，分别对衡量运维风险的光缆和设备故障时间进行预测，并在给定的数据基础上进行仿真实验验证。
作为本发明的优选技术方案，所述步骤(2)进行归一化处理时对于离散值变量，需将离散变最拆分成若干0,1变量。根据指标体系中的指标，可以看出变量的范围不仅仅是[0,1]之间，因此需要进行归一化。对于离散值变量，将离散变量拆分成若干0,1变量，例如业务承载方式，需要拆分成单通道、主备通道同路由、其他三个自变量，分别取值为0,1。
作为本发明的优选技术方案，所述步骤(4)中选取30条业务通道作为训练数据，选取10条业务通道作为测试数据。
作为本发明的优选技术方案，所述输入层与所述输出层之间包含有隐含层。
附图说明
下面结合附图进一步描述本发明的技术方案：
图1是本发明的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法中的电力通信业务风险模型；
图2是本发明的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法中的电力通信业务风险神经网络模型。
具体实施方式
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
实施例1：如图1～2所示，该基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，包括以下步骤：
(1)数据采集：采集用户数据和工参数据；
(2)数据预处理：将步骤(1)中收集的用户数据和工参数据进行归一化处理，得到指标数据；
所述步骤(2)进行归一化处理时对于离散值变量，需将离散变最拆分成若干0,1变量；
(3)将归一化处理后的指标数据分为训练集和测试集进行分析处理并清洗得到数据结果；
(4)选取若干条通道数据结果作为训练数据和测试数据；再采用退火算法改进的神经网络模型进行预测电力通信运维风险，从而获得电力通信运维风险预警信息；
所述步骤(4)中采用退火算法改进的神经网络模型的步骤包括：
S41优化函数选择BP神经网络的误差平方和，即error＝∑(Pi-Ri)2，其中Pi是预测值，Ri是实际值；定义优化问题的解释BP神经网络的权值W和阈值B；选择权值和阈值组成函数；
S42当温度较高时采用模拟退火算法对位移函数进行调整；
所述步骤S42采用模拟退火算法对位移函数进行调整的具体步骤包括：S421开始随机挑选单元k，设定一个随机的位移，求出系统因此而产生的能量变化ΔEk；
S422若ΔEk≤0，该位移可采纳，而变化后的系统状态可作为下次变化的起点；
若ΔEk>0，位移后的状态可采纳的概率为：
其中T为温度，然后从(0，1)区间均匀分布的随机数中挑选一个数R，若R≤Pk，则将变化后的状态作为下次的起点；否则，将变化前的状态作为下次的起点；
S423循环步骤S421继续执行，直至达到平衡状态为止；
S43达到稳定状态后将优化后作为BP神经的初始权值和阀值，再进行标准的BP神经网络的训练。
所述BP神经网络模型包括选择站点到站点之间的一条通路作为基本单元，根据指标体系设定，输入层是网络指标、设备指标、站点指标、环境指标和业务指标；输出层是光缆故障率和设备故障率。
该基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法根据指标体系五个不同的方面，分别对衡量运维风险的光缆和设备故障时间进行预测，并在给定的数据基础上进行仿真实验验证。
所述输入层与所述输出层之间包含有隐含层。
本申请中基于电力通信业务风险模型的业务中所指的每个业务都会经过如图的一条最简化的物理链路，由机房中的设备和中间的一条光缆，与另一个机房中的设备组成一条物理链路，机房中可以有多个设备。
实施例2：以某市电力公司通信数据作为样例，获取从2017年到2018年整年的数据，以月为单位，12个月为历史数据，预测未来设备故障情况。根据指标体系五个不同的方面，分别对衡量运维风险的光缆和设备故障时间进行预测，并在给定的数据基础上进行仿真实验验证。
该基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，包括以下步骤：
(1)数据采集：采集用户数据和工参数据；
(2)数据预处理：将步骤(1)中收集的用户数据和工参数据进行归一化处理，得到指标数据；
所述步骤(2)进行归一化处理时对于离散值变量，需将离散变最拆分成若干0,1变量；根据指标体系中的指标，可以看出变量的范围不仅仅是[0,1]之间，因此需要进行归一化；对于离散值变量，将离散变量拆分成若干0,1变量，例如业务承载方式，需要拆分成单通道、主备通道同路由、其他三个自变量，分别取值为0,1；考虑对训练结果进行纠正，采用预测值和专家打分值进行比较。同时将数据分为训练集和测试集两类数据进行实验分析；
(3)将归一化处理后的指标数据从中选择2018年的数据分成训练集和测试集进行处理，清洗并得到数据结果；
(4)选择其中30条业务通道作为训练数据，10条业务通道作为测试数据；再采用退火算法改进的神经网络模型进行预测电力通信运维风险，从而获得电力通信运维风险预警信息；
所述步骤(4)中采用退火算法改进的神经网络模型的步骤包括：
S41优化函数选择BP神经网络的误差平方和，即error＝∑(Pi-Ri)2，其中Pi是预测值，Ri是实际值；定义优化问题的解释BP神经网络的权值W和阈值B；选择权值和阈值组成函数；
S42当温度较高时采用模拟退火算法对位移函数进行调整；
所述步骤S42采用模拟退火算法对位移函数进行调整的具体步骤包括：
S421开始随机挑选单元k，设定一个随机的位移，求出系统因此而产生的能量变化ΔEk；
S422若ΔEk≤0，该位移可采纳，而变化后的系统状态可作为下次变化的起点；
若ΔEk>0，位移后的状态可采纳的概率为：
Figure BDA0002216752120000071
其中T为温度，然后从(0，1)区间均匀分布的随机数中挑选一个数R，若R≤Pk，则将变化后的状态作为下次的起点；否则，将变化前的状态作为下次的起点；
S423循环步骤S421继续执行，直至达到平衡状态为止；
S43达到稳定状态后将优化后作为BP神经的初始权值和阀值，再进行标准的BP神经网络的训练。
对比普通神经网络模型和退火算法改进的神经网络模型两种不同的算法，实验结果如下表2：
表2电力通信网风险评估实验结果
Figure BDA0002216752120000072
根据实验数据计算，神经网络模型的平均误差为27％，退火算法改进的神经网络模型平均误差为9％，实验结果表明后者在预测模型上表现更优。
对于本领域的普通技术人员而言，具体实施例只是对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (8)

1.一种基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，其特征在于，包括以下步骤：
(1)数据采集：采集用户数据和工参数据；
(2)数据预处理：将步骤(1)中收集的用户数据和工参数据进行归一化处理，得到指标数据；
(3)将归一化处理后的指标数据分为训练集和测试集进行分析处理并清洗得到数据结果；
(4)选取若干条通道数据结果作为训练数据和测试数据；再采用退火算法改进的神经网络模型进行预测电力通信运维风险，从而获得电力通信运维风险预警信息。
2.根据权利要求1所述的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，其特征在于，所述步骤(4)中采用退火算法改进的神经网络模型的步骤包括：
S41优化函数选择BP神经网络的误差平方和，即error＝∑(Pi-Ri)2，其中Pi是预测值，Ri是实际值；定义优化问题的解释BP神经网络的权值W和阈值B；选择权值和阈值组成函数；
S42当温度较高时采用模拟退火算法对位移函数进行调整；
S43达到稳定状态后将优化后作为BP神经的初始权值和阀值，再进行标准的BP神经网络的训练。
3.根据权利要求2所述的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，其特征在于，所述步骤S42采用模拟退火算法对位移函数进行调整的具体步骤包括：
S421开始随机挑选单元k，设定一个随机的位移，求出系统因此而产生的能量变化ΔEk；
S422若ΔEk≤0，该位移可采纳，而变化后的系统状态可作为下次变化的起点；
若ΔEk>0，位移后的状态可采纳的概率为：
Figure FDA0002216752110000021
其中T为温度，然后从(0，1)区间均匀分布的随机数中挑选一个数R，若R≤Pk，则将变化后的状态作为下次的起点；否则，将变化前的状态作为下次的起点；S423循环步骤S421继续执行，直至达到平衡状态为止。
4.根据权利要求3所述的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，其特征在于，所述BP神经网络模型包括选择站点到站点之间的一条通路作为基本单元，根据指标体系设定，输入层是网络指标、设备指标、站点指标、环境指标和业务指标；输出层是光缆故障率和设备故障率。
5.根据权利要求3所述的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，其特征在于，该基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法根据指标体系五个不同的方面，分别对衡量运维风险的光缆和设备故障时间进行预测，并在给定的数据基础上进行仿真实验验证。
6.根据权利要求3所述的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，其特征在于，所述步骤(2)进行归一化处理时对于离散值变量，需将离散变最拆分成若干0,1变量。
7.根据权利要求6所述的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，其特征在于，所述步骤(4)中选取30条业务通道作为训练数据，选取10条业务通道作为测试数据。
8.根据权利要求4所述的基于退火算法改进的神经网络模型在电力通信运维风险预警中的应用方法，其特征在于，所述输入层与所述输出层之间包含有隐含层。
CN201910917973.4A 2019-09-26 2019-09-26 基于退火算法及神经网络模型的电力通信运维风险预警方法 Pending CN110677290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910917973.4A CN110677290A (zh) 2019-09-26 2019-09-26 基于退火算法及神经网络模型的电力通信运维风险预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910917973.4A CN110677290A (zh) 2019-09-26 2019-09-26 基于退火算法及神经网络模型的电力通信运维风险预警方法

Publications (1)

Publication Number Publication Date
CN110677290A true CN110677290A (zh) 2020-01-10

Family

ID=69079417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910917973.4A Pending CN110677290A (zh) 2019-09-26 2019-09-26 基于退火算法及神经网络模型的电力通信运维风险预警方法

Country Status (1)

Country Link
CN (1) CN110677290A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815437A (zh) * 2020-07-21 2020-10-23 天元大数据信用管理有限公司 金融服务信用风险分析方法及系统
CN111981635A (zh) * 2020-07-21 2020-11-24 沈阳安新自动化控制有限公司 一种双智能算法的中央空调故障预测与诊断方法
CN112604186A (zh) * 2020-12-30 2021-04-06 佛山科学技术学院 一种呼吸运动预测方法
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1798894A1 (en) * 2005-12-19 2007-06-20 Alcatel Lucent A fast simulated annealing for traffic matrix estimation
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
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
CN106960281A (zh) * 2017-03-23 2017-07-18 深圳大图科创技术开发有限公司 一种基于神经网络的电力通信网风险管理系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1798894A1 (en) * 2005-12-19 2007-06-20 Alcatel Lucent A fast simulated annealing for traffic matrix estimation
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
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
CN106960281A (zh) * 2017-03-23 2017-07-18 深圳大图科创技术开发有限公司 一种基于神经网络的电力通信网风险管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董彦军等: "基于退火算法优化的BP神经网络的电力通信网业务可靠性评价", 《微型电脑应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815437A (zh) * 2020-07-21 2020-10-23 天元大数据信用管理有限公司 金融服务信用风险分析方法及系统
CN111981635A (zh) * 2020-07-21 2020-11-24 沈阳安新自动化控制有限公司 一种双智能算法的中央空调故障预测与诊断方法
CN111981635B (zh) * 2020-07-21 2021-12-31 沈阳安新自动化控制有限公司 一种双智能算法的中央空调故障预测与诊断方法
CN112604186A (zh) * 2020-12-30 2021-04-06 佛山科学技术学院 一种呼吸运动预测方法
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

Similar Documents

Publication Publication Date Title
CN110677290A (zh) 基于退火算法及神经网络模型的电力通信运维风险预警方法
Mozhaev et al. Multiservice network security metric
CN108429651A (zh) 流量数据检测方法、装置、电子设备及计算机可读介质
WO2014101636A1 (zh) 一种电力通信网风险评估方法
Azuwa et al. Technical security metrics model in compliance with ISO/IEC 27001 standard
Jelacic et al. STRIDE to a secure smart grid in a hybrid cloud
US20240060605A1 (en) Method, internet of things (iot) system, and storage medium for smart gas abnormal data analysis
Ali et al. Two-tier data-driven intrusion detection for automatic generation control in smart grid
Haque et al. ICS-CRAT: a cyber resilience assessment tool for industrial control systems
CN112333128B (zh) 一种基于自编码器的Web攻击行为检测系统
CN103065050A (zh) 一种信息系统运维期健康度状态层次判断方法
Abdulrahaman Okino Otuoze et al. Electricity theft detection framework based on universal prediction algorithm
CN107122884A (zh) 一种配电自动化系统信息安全防护的评估方法及装置
CN117221295A (zh) 一种基于边缘计算和网络切片的低延迟视频传输系统
US20240305519A1 (en) Detecting and mitigating cascading errors in a network to improve network resilience
Mohajerani et al. Cyber-related risk assessment and critical asset identification within the power grid
CN113159638B (zh) 一种智能变电站分层健康度指数评估方法及装置
CN118157961A (zh) 主动模拟入侵评估与全链路可视化防护系统、方法及设备
Shen et al. Prior knowledge based advanced persistent threats detection for IoT in a realistic benchmark
CN118095823A (zh) 一种因素关联性的电力物联网安全风险评估方法
CN117763555A (zh) 一种基于区块链的配电网数据安全防护和评估方法
CN113408967B (zh) 电力“一网通办”多态数据共享风险的评估方法及装置
CN109840688B (zh) 一种电力移动终端安全评估方法及装置
Baddar et al. Modeling and forecasting overdispersed IoT data using an efficient and accurate computation of the Dirichlet Multinomial distribution
Seo et al. AI-Enabled Abnormal Behavior Detection and Visualization Technology on Blockchain Network

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200110