CN110943857A - 基于卷积神经网络的电力通信网故障分析及定位方法 - Google Patents
基于卷积神经网络的电力通信网故障分析及定位方法 Download PDFInfo
- Publication number
- CN110943857A CN110943857A CN201911141890.7A CN201911141890A CN110943857A CN 110943857 A CN110943857 A CN 110943857A CN 201911141890 A CN201911141890 A CN 201911141890A CN 110943857 A CN110943857 A CN 110943857A
- Authority
- CN
- China
- Prior art keywords
- fault
- alarm
- network
- neural network
- convolutional neural
- 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
-
- 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
- H04L41/0677—Localisation of faults
-
- 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
-
- 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
- H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
-
- 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
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L41/12—Discovery or management of network topologies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于卷积神经网络的电力通信网故障分析及定位方法。主要是针对电力通信网中告警数据和网络拓扑结构的特征诊断。通过对告警信息进行关键字选取和标准化,并进行同步处理得到告警事务数据,与网络邻接矩阵加权编码,得到既包含网络拓扑连接关系,又包含网络故障状态的故障状态矩阵。本方法的提出,通过将网络拓扑连接关系和告警信息映射为故障状态矩阵,提高了故障诊断所需要的多重特征,同时结合了网络拓扑信息,增强了网络的关联性和变化适应能力。
Description
技术领域
本发明涉及一种电力通信网故障分析及定位方法,尤其涉及基于卷积神经网络的电力通信网故障分析及定位方法。
背景技术
如今任何一个国家的发展都离不开电力系统的作用,很多国家都在做智能电网的研究以求更高效合理的利用电网资源。电力通信网是电力系统的神经网络,对整个电力系统起到至关重要的监测控制任务,它连接着电力系统的各个环节,负责传输、生产和管理信息,是电力系统的重要基础设施。一旦网络出现故障,准确及时的诊断故障十分重要。然而,随着电力通信网络的快速发展,其网络规模不断扩大、通信设备类别增多、通信技术更新加快,使得驾驭电力通信网络的难度越来越大。当前的电力通信网在调度运维监测管控上仍然存在一些问题,给智能电网的发展带来了严重制约。
传统的解决方法是依靠人工从网管收集告警数据,再依据经验或规则定位故障源的策略、精确度和判断速度难以保证,如果决策失误可能会对检修效率有很大影响,造成网络不能及时恢复到正常状态。基于网络拓扑连接和网络告警信息定义故障状态矩阵,利用卷积神经网络对数据特征进行挖掘分析并诊断分类是一种有效的机器学习方法。通过对原始告警信息进行去重、字段选取、标准化和同步等处理,将告警信息转化成告警事务,并与网络邻接矩阵同时加权编码,生成故障状态矩阵,基于卷积神经网络的故障诊断模型利用不同特征对故障进行分类,进而实现故障诊断。但当网络拓扑十分复杂且多,有标记的故障样本种类不足时,在众多的告警信息中诊断故障也比较困难。
发明内容
本发明所要解决的技术问题是提出了一种基于卷积神经网络的电力通信网故障分析及定位方法。
为解决上述技术问题,本发明针对电力通信网中故障分析和定位问题,本发明的技术构思是将告警信息和网络拓扑关系映射为故障状态矩阵,并用卷积神经网络对数据特征进行挖掘分析并诊断分类的方法。
基于以上问题及构思,本发明基于卷积神经网络的电力通信网故障分析及定位方法,包括以下步骤:
(一)对目标告警数据库的数据采用时间窗口的方式进行时间和站点同步,时间窗大小用W表示,W的大小可以认为是两个告警事务相关的最大时间间隔,同一个时间窗的告警信息属于一个告警事务;利用公式来计算每种告警类型对最终所有故障诊断的影响权值,其中告警A是告警简称,wA表示告警A对故障诊断影响的权值;wi表示告警A对于第i种故障的权值,k表示故障种类,nA表示wi不等于0的个数;依据计算得到的最终故障诊断权重表,选择权重值较大的N种告警类型并按照优先级从1到8排列,权重越大优先级越高,并以站点为单位对应N种告警类型得到告警事务二值化编码T(G);
(二)依据图论的邻接矩阵表达站点间拓扑连接关系,得出电力通信网站点邻接矩阵为A(G),其中设G是一个有n个顶点(站点)的图,V(G)={v1,v2,...,vn}是G的顶点集,E(G)是G的边集,G的邻接矩阵为A(G)=(aij)n×n,A(G)如公式i,j=1,2,...,n;设站点集为V(G),则可表示这N个站点中各个站点的告警事务信息可由上述的告警事务二值化编码T(G)=diag{t11,t22,...,tnn}表示,其中tii为站点vi的告警事务编码;
(三)结合告警信息和网络拓扑关系,定义故障状态矩阵F(G),利用公式F(G)=T(G)A(G),得到表征电力通信网站点故障时刻状态和拓扑连接关系的矩阵,并打上其根源故障的标签,故障标签包括故障类型标签、故障站点标签;将全部故障时刻的告警事务都编码成故障状态矩阵,并给出故障类别标签就构成了卷积神经网络CNN模型的训练样本集;
(四)将CNN训练样本集,即表征故障状态的矩阵和其对应的故障标签以向量对的形式输入到CNN网络中,自动地学习故障与告警信息的关联模式,提取故障特征;通过前向传播输出结果,并将输出的结果与故障对应的真实的标签向量对比,计算两者之间的误差;然后利用BP算法调整修改卷积神经网络故障状态诊断模型参数,直到卷积神经网络故障状态诊断模型达到设定的准确率后,卷积神经网络故障状态诊断模型自动训练完成;
(五)在当前网络通信管理系统中获取新的告警数据,采用上述步骤(一)至(四)得到新的故障状态矩阵F(G),将新的故障状态矩阵F(G)输入卷积神经网络故障状态诊断模型,分析得到故障站点及其故障类型。
进一步的,所述步骤(四)中,所述的将CNN训练样本集,即表征故障状态的矩阵和其对应的故障类别标签以向量对的形式输入到CNN网络中,自动地学习故障与告警信息的关联模式,提取故障的特征,通过前向传播输出结果,包括以下具体过程:
首先将数据处理阶段得到的故障状态矩阵输入CNN网络,由卷积操作提取不同故障类别特征图;多个卷积核能从不同层面提取到多个特征,更利于挖掘故障与告警之间的特征关联。然后将特征图输入到池化层,池化层通过最大池化操作,虽然只采样了特征图的部分数据,但其仍保留了故障的重要特征,充分利用了图像局部相关性的特点。经过卷积和池化操作后,CNN网络提取到了不同故障类别的特征,即对应的n1,n2,nk共k个特征图,但是这些特征图都是从故障状态矩阵的局部像素得到的,并不能完全的反映故障类别特征。再经过全连接层将池化层输出的故障类别特征进行组合后送入softmax分类层,Softmax分类层有N个神经元,神经元与训练故障站点标签分类个数一致,输出维度为1×N故障类别标签向量,即得到神经网络故障状态诊断模型。
优选的,所述目标告警数据库的数据为若干个故障诊断重要性高的告警信息字段数据。
本发明提出的基于卷积神经网络的电力通信网故障分析及定位系统,主要是针对电力通信网中告警数据和网络拓扑结构的特征诊断,通过对告警信息进行关键字选取和标准化,并进行同步处理得到告警事务数据,与网络邻接矩阵加权编码,得到既包含网络拓扑连接关系,又包含网络故障状态的故障状态矩阵。本方法的提出,通过将网络拓扑连接关系和告警信息映射为故障状态矩阵,提高了故障诊断所需要的多重特征,同时结合了网络拓扑信息,增强了网络的关联性和变化适应能力。
具体实施方式
基于卷积神经网络的电力通信网故障分析及定位方法,其特征在于,包括以下步骤:
(一)获取各个专业网管的告警信息,得到原始的告警信息数据库,选取对故障诊断重要性高的告警信息字段并对数据进行标准化处理,例如选择告警级别、告警名称、告警类型、开始时间、定位信息五个重要字段。对目标告警数据库的数据采用时间窗口的方式进行时间和站点同步,时间窗大小用W表示,W的大小可以认为是两个告警事务相关的最大时间间隔,同一个时间窗的告警信息属于一个告警事务;利用公式来计算每种告警类型对最终所有故障诊断的影响权值,其中告警A是告警简称,wA表示告警A对故障诊断影响的权值;wi表示告警A对于第i种故障的权值,k表示故障种类,nA表示wi不等于0的个数;依据计算得到的最终故障诊断权重表,选择权重值较大的M种告警类型并按照优先级从1到M排列,权重越大优先级越高,并以站点为单位对应M种告警类型得到告警事务二值化编码T(G);
(二)依据图论的邻接矩阵表达站点间拓扑连接关系,得出电力通信网站点邻接矩阵为A(G),其中设G是一个有n个顶点(站点)的图,V(G)={v1,v2,...,vn}是G的顶点集,E(G)是G的边集,G的邻接矩阵为A(G)=(aij)n×n,A(G)如公式i,j=1,2,...,n;设站点集为V(G),则可表示这n个站点中各个站点的告警事务信息可由上述的告警事务二值化编码T(G)=diag{t11,t22,...,tnn}表示,其中tii为站点vi的告警事务编码;
(三)结合告警信息和网络拓扑关系,定义故障状态矩阵F(G),利用公式F(G)=T(G)A(G),得到表征电力通信网站点故障时刻状态和拓扑连接关系的矩阵,并打上其根源故障的标签,故障标签包括故障类型标签、故障站点标签;将全部故障时刻的告警事务都编码成故障状态矩阵,并给出故障标签就构成了卷积神经网络CNN模型的训练样本集;
(四)将CNN训练样本集,即表征故障状态的矩阵和其对应的故障标签以向量对的形式输入到CNN网络中,自动地学习故障与告警信息的关联模式,提取故障特征;通过前向传播输出结果,并将输出的结果与故障对应的真实的标签向量对比,计算两者之间的误差;然后利用BP算法调整修改卷积神经网络故障状态诊断模型参数,直到卷积神经网络故障状态诊断模型达到设定的准确率后,卷积神经网络故障状态诊断模型自动训练完成;
步骤(四)中,所述提取故障特征中的故障类别标签的分类包括以下具体过程:
首先将数据处理阶段得到的故障状态矩阵输入CNN网络,由卷积操作提取不同故障类别特征图;多个卷积核能从不同层面提取到多个特征,更利于挖掘故障与告警之间的特征关联。然后将特征图输入到池化层,池化层通过最大池化操作,虽然只采样了特征图的部分数据,但其仍保留了故障的重要特征,充分利用了图像局部相关性的特点。经过卷积和池化操作后,CNN网络提取到了不同故障类别的特征,即对应的n1,n2,nk共k个特征图,但是这些特征图都是从故障状态矩阵的局部像素得到的,并不能完全的反映故障类别特征。再经过全连接层将池化层输出的故障类别特征进行组合后送入softmax分类层,Softmax分类层输出故障标签向量,得到神经网络故障状态诊断模型。
(五)在当前网络通信管理系统中获取新的告警数据,采用上述步骤(一)至(四)得到新的故障状态矩阵F(G),将新的故障状态矩阵F(G)输入卷积神经网络故障状态诊断模型,分析得到故障站点及其故障类型。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于卷积神经网络的电力通信网故障分析及定位方法,其特征在于,包括以下步骤:
(一)对目标告警数据库的数据采用时间窗口的方式进行时间和站点同步,时间窗大小用W表示,W的大小可以认为是两个告警事务相关的最大时间间隔,同一个时间窗的告警信息属于一个告警事务;利用公式来计算每种告警类型对最终所有故障诊断的影响权值,其中告警A是告警简称,wA表示告警A对故障诊断影响的权值;wi表示告警A对于第i种故障的权值,k表示故障种类,nA表示wi不等于0的个数;依据计算得到的最终故障诊断权重表,选择权重值较大的N种告警类型并按照优先级从1到8排列,权重越大优先级越高,并以站点为单位对应N种告警类型得到告警事务二值化编码T(G);
(二)依据图论的邻接矩阵表达站点间拓扑连接关系,得出电力通信网站点邻接矩阵为A(G),其中设G是一个有n个顶点(站点)的图,V(G)={v1,v2,...,vn}是G的顶点集,E(G)是G的边集,G的邻接矩阵为A(G)=(aij)n×n,A(G)如公式设站点集为V(G),则可表示这N个站点中各个站点的告警事务信息可由上述的告警事务二值化编码T(G)=diag{t11,t22,...,tnn}表示,其中tii为站点vi的告警事务编码;
(三)结合告警信息和网络拓扑关系,定义故障状态矩阵F(G),利用公式F(G)=T(G)A(G),得到表征电力通信网站点故障时刻状态和拓扑连接关系的矩阵,并打上其根源故障的标签,故障标签包括故障类型标签、故障站点标签;将全部故障时刻的告警事务都编码成故障状态矩阵,并给出故障类别标签就构成了卷积神经网络CNN模型的训练样本集;
(四)将CNN训练样本集,即表征故障状态的矩阵和其对应的故障标签以向量对的形式输入到CNN网络中,自动地学习故障与告警信息的关联模式,提取故障的特征,通过前向传播输出结果;将输出的结果与故障对应的真实的标签向量对比,计算两者之间的误差;然后利用BP算法调整修改卷积神经网络故障状态诊断模型参数,直到卷积神经网络故障状态诊断模型达到设定的准确率后,卷积神经网络故障状态诊断模型自动训练完成;
(五)在当前网络通信管理系统中获取新的告警数据,采用上述步骤(一)至(四)得到新的故障状态矩阵F(G),将新的故障状态矩阵F(G)输入卷积神经网络故障状态诊断模型,分析得到故障站点及其故障类型。
2.根据权利要求1所述的基于卷积神经网络的电力通信网故障分析及定位方法,其特征在于,所述步骤(四)中,所述提取故障特征中的故障类别标签的分类包括以下具体过程:
首先将数据处理阶段得到的故障状态矩阵输入CNN网络,由卷积操作提取不同故障类别特征图;多个卷积核能从不同层面提取到多个特征,然后将特征图输入到池化层,池化层通过最大池化操作,经过卷积和池化操作后,CNN网络提取到了不同故障类别的特征,即对应的n1,n2,nk共k个特征图;再经过全连接层将池化层输出的故障类别特征进行组合后送入softmax分类层,Softmax分类层输出故障类别标签向量,即得到神经网络故障状态诊断模型。
3.根据权利要求1或2所述的基于卷积神经网络的电力通信网故障分析及定位方法,其特征在于,所述目标告警数据库的数据为若干个故障诊断重要性高的告警信息字段数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911141890.7A CN110943857B (zh) | 2019-11-20 | 2019-11-20 | 基于卷积神经网络的电力通信网故障分析及定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911141890.7A CN110943857B (zh) | 2019-11-20 | 2019-11-20 | 基于卷积神经网络的电力通信网故障分析及定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110943857A true CN110943857A (zh) | 2020-03-31 |
CN110943857B CN110943857B (zh) | 2023-04-11 |
Family
ID=69907801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911141890.7A Active CN110943857B (zh) | 2019-11-20 | 2019-11-20 | 基于卷积神经网络的电力通信网故障分析及定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110943857B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111404603A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司佛山供电局 | 一种基于最大匹配度的通信网故障快速定位方法 |
CN111476299A (zh) * | 2020-04-07 | 2020-07-31 | 国家电网有限公司华东分部 | 一种改进型卷积神经网络及基于其的电网智能告警系统 |
CN111781461A (zh) * | 2020-06-01 | 2020-10-16 | 云南电网有限责任公司临沧供电局 | 一种小电流接地电力系统的接地故障选线定段方法 |
CN111914401A (zh) * | 2020-07-08 | 2020-11-10 | 国家电网有限公司 | 一种基于故障仿真的电力通信网检修演练方法及系统 |
CN111988176A (zh) * | 2020-08-20 | 2020-11-24 | 国网湖北省电力有限公司信息通信公司 | 一种基于仿真拓扑结构的故障定位系统可视化方法 |
CN112104495A (zh) * | 2020-09-09 | 2020-12-18 | 四川信息职业技术学院 | 一种基于网络拓扑的系统故障根因定位算法 |
CN112285489A (zh) * | 2020-10-26 | 2021-01-29 | 青岛鼎信通讯股份有限公司 | 一种基于特征融合和模型融合的故障指示器故障定位方法 |
CN112987693A (zh) * | 2021-03-03 | 2021-06-18 | 上海天旦网络科技发展有限公司 | 智能故障诊断系统及方法 |
CN113407645A (zh) * | 2021-05-19 | 2021-09-17 | 福建福清核电有限公司 | 一种基于知识图谱的声像档案智能编研方法 |
CN113740666A (zh) * | 2021-08-27 | 2021-12-03 | 西安交通大学 | 一种数据中心电力系统告警风暴根源故障的定位方法 |
CN113824575A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 故障节点识别的方法、装置、计算设备及计算机存储介质 |
CN113825148A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 网络节点告警等级的确定方法、装置及计算设备 |
CN114090393A (zh) * | 2022-01-14 | 2022-02-25 | 云智慧(北京)科技有限公司 | 一种告警级别的确定方法、装置及设备 |
CN114124654A (zh) * | 2020-08-10 | 2022-03-01 | 中国移动通信集团浙江有限公司 | 告警合并方法、装置、计算设备及计算机存储介质 |
CN114418226A (zh) * | 2022-01-21 | 2022-04-29 | 广东电网有限责任公司 | 电力通信系统的故障分析方法及装置 |
CN114553671A (zh) * | 2022-02-28 | 2022-05-27 | 国家电网有限公司 | 一种电力通信网故障告警的诊断方法 |
CN114866402A (zh) * | 2022-05-07 | 2022-08-05 | 安徽凯炎电力保护设备有限公司 | 一种系统数据动态对比方法 |
CN114968727A (zh) * | 2022-06-29 | 2022-08-30 | 北京柏睿数据技术股份有限公司 | 基于人工智能运维的数据库贯穿基础设施的故障定位方法 |
CN114997745A (zh) * | 2022-07-28 | 2022-09-02 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种基于深度特征提取的光伏故障诊断溯源方法 |
CN116184124A (zh) * | 2023-04-26 | 2023-05-30 | 华东交通大学 | 一种配电网故障类型识别方法 |
CN116466689A (zh) * | 2023-06-19 | 2023-07-21 | 广汽埃安新能源汽车股份有限公司 | 故障诊断方法及装置 |
CN118093447A (zh) * | 2024-04-28 | 2024-05-28 | 福州畅昕信息科技有限公司 | 软件故障定位方法、模型训练方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
US20180096078A1 (en) * | 2016-10-04 | 2018-04-05 | Sas Institute Inc. | Visualizing convolutional neural networks |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN110289987A (zh) * | 2019-05-27 | 2019-09-27 | 杭州电子科技大学 | 基于表征学习的多智能体系统网络抗攻击能力评估方法 |
CN110445665A (zh) * | 2019-09-06 | 2019-11-12 | 国网江苏省电力公司信息通信分公司 | 基于改进gsp的电力通信网络告警关联挖掘方法 |
-
2019
- 2019-11-20 CN CN201911141890.7A patent/CN110943857B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180096078A1 (en) * | 2016-10-04 | 2018-04-05 | Sas Institute Inc. | Visualizing convolutional neural networks |
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息系统故障诊断方法及装置 |
CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
CN110289987A (zh) * | 2019-05-27 | 2019-09-27 | 杭州电子科技大学 | 基于表征学习的多智能体系统网络抗攻击能力评估方法 |
CN110445665A (zh) * | 2019-09-06 | 2019-11-12 | 国网江苏省电力公司信息通信分公司 | 基于改进gsp的电力通信网络告警关联挖掘方法 |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476299A (zh) * | 2020-04-07 | 2020-07-31 | 国家电网有限公司华东分部 | 一种改进型卷积神经网络及基于其的电网智能告警系统 |
CN111781461A (zh) * | 2020-06-01 | 2020-10-16 | 云南电网有限责任公司临沧供电局 | 一种小电流接地电力系统的接地故障选线定段方法 |
CN111781461B (zh) * | 2020-06-01 | 2022-04-26 | 云南电网有限责任公司临沧供电局 | 一种小电流接地电力系统的接地故障选线定段方法 |
CN111404603A (zh) * | 2020-06-03 | 2020-07-10 | 广东电网有限责任公司佛山供电局 | 一种基于最大匹配度的通信网故障快速定位方法 |
CN113825148A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 网络节点告警等级的确定方法、装置及计算设备 |
CN113825148B (zh) * | 2020-06-18 | 2023-08-18 | 中国移动通信集团浙江有限公司 | 网络节点告警等级的确定方法、装置及计算设备 |
CN113824575A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 故障节点识别的方法、装置、计算设备及计算机存储介质 |
CN111914401A (zh) * | 2020-07-08 | 2020-11-10 | 国家电网有限公司 | 一种基于故障仿真的电力通信网检修演练方法及系统 |
CN111914401B (zh) * | 2020-07-08 | 2024-05-28 | 国家电网有限公司 | 一种基于故障仿真的电力通信网检修演练方法及系统 |
CN114124654A (zh) * | 2020-08-10 | 2022-03-01 | 中国移动通信集团浙江有限公司 | 告警合并方法、装置、计算设备及计算机存储介质 |
CN114124654B (zh) * | 2020-08-10 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 告警合并方法、装置、计算设备及计算机存储介质 |
CN111988176A (zh) * | 2020-08-20 | 2020-11-24 | 国网湖北省电力有限公司信息通信公司 | 一种基于仿真拓扑结构的故障定位系统可视化方法 |
CN112104495A (zh) * | 2020-09-09 | 2020-12-18 | 四川信息职业技术学院 | 一种基于网络拓扑的系统故障根因定位算法 |
CN112104495B (zh) * | 2020-09-09 | 2022-07-05 | 四川信息职业技术学院 | 一种基于网络拓扑的系统故障根因定位方法 |
CN112285489B (zh) * | 2020-10-26 | 2022-02-22 | 青岛鼎信通讯股份有限公司 | 一种基于特征融合和模型融合的故障指示器故障定位方法 |
CN112285489A (zh) * | 2020-10-26 | 2021-01-29 | 青岛鼎信通讯股份有限公司 | 一种基于特征融合和模型融合的故障指示器故障定位方法 |
CN112987693A (zh) * | 2021-03-03 | 2021-06-18 | 上海天旦网络科技发展有限公司 | 智能故障诊断系统及方法 |
CN113407645A (zh) * | 2021-05-19 | 2021-09-17 | 福建福清核电有限公司 | 一种基于知识图谱的声像档案智能编研方法 |
CN113407645B (zh) * | 2021-05-19 | 2024-06-11 | 福建福清核电有限公司 | 一种基于知识图谱的声像档案智能编研方法 |
CN113740666A (zh) * | 2021-08-27 | 2021-12-03 | 西安交通大学 | 一种数据中心电力系统告警风暴根源故障的定位方法 |
CN114090393A (zh) * | 2022-01-14 | 2022-02-25 | 云智慧(北京)科技有限公司 | 一种告警级别的确定方法、装置及设备 |
CN114418226B (zh) * | 2022-01-21 | 2024-03-29 | 广东电网有限责任公司 | 电力通信系统的故障分析方法及装置 |
CN114418226A (zh) * | 2022-01-21 | 2022-04-29 | 广东电网有限责任公司 | 电力通信系统的故障分析方法及装置 |
CN114553671A (zh) * | 2022-02-28 | 2022-05-27 | 国家电网有限公司 | 一种电力通信网故障告警的诊断方法 |
CN114866402A (zh) * | 2022-05-07 | 2022-08-05 | 安徽凯炎电力保护设备有限公司 | 一种系统数据动态对比方法 |
WO2024001080A1 (zh) * | 2022-06-29 | 2024-01-04 | 北京柏睿数据技术股份有限公司 | 基于人工智能运维的数据库贯穿基础设施的故障定位方法 |
CN114968727A (zh) * | 2022-06-29 | 2022-08-30 | 北京柏睿数据技术股份有限公司 | 基于人工智能运维的数据库贯穿基础设施的故障定位方法 |
CN114997745A (zh) * | 2022-07-28 | 2022-09-02 | 华能国际电力江苏能源开发有限公司清洁能源分公司 | 一种基于深度特征提取的光伏故障诊断溯源方法 |
CN116184124A (zh) * | 2023-04-26 | 2023-05-30 | 华东交通大学 | 一种配电网故障类型识别方法 |
CN116466689B (zh) * | 2023-06-19 | 2023-09-05 | 广汽埃安新能源汽车股份有限公司 | 故障诊断方法及装置 |
CN116466689A (zh) * | 2023-06-19 | 2023-07-21 | 广汽埃安新能源汽车股份有限公司 | 故障诊断方法及装置 |
CN118093447A (zh) * | 2024-04-28 | 2024-05-28 | 福州畅昕信息科技有限公司 | 软件故障定位方法、模型训练方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110943857B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110943857B (zh) | 基于卷积神经网络的电力通信网故障分析及定位方法 | |
CN110995475B (zh) | 一种基于迁移学习的电力通信网故障检测方法 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及系统 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN113709779B (zh) | 一种蜂窝网络故障诊断方法 | |
CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
He et al. | Fault diagnosis and location based on graph neural network in telecom networks | |
CN114139626A (zh) | 一种电力通信故障分析方法、装置、终端设备及介质 | |
CN114996110A (zh) | 一种基于微服务架构的深度巡检优化方法及系统 | |
CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
CN115877068A (zh) | 基于深度学习的区域电网的电压暂降传播轨迹识别方法 | |
CN113824575B (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
CN113780398A (zh) | 一种无线网络链路质量预测方法及系统 | |
CN114519293A (zh) | 基于小样本机器学习模型的电缆本体故障识别方法 | |
CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 | |
CN117743595A (zh) | 一种基于图神经网络的电力监控事件识别与智能分析方法 | |
CN116432077A (zh) | 基于优化bp神经网络的智能站二次系统故障定位方法 | |
CN109547248A (zh) | 基于人工智能的在轨飞行器自组网故障诊断方法及装置 | |
CN116796617A (zh) | 基于数据标识的滚动轴承设备剩余寿命预测方法及系统 | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
Shan et al. | Root Cause Analysis of Failures for Power Communication Network Based on CNN | |
CN117692026B (zh) | 一种电力线通信的链路感知方法及装置 | |
CN115392615B (zh) | 基于信息增强生成对抗网络的数据缺失值补全方法及系统 | |
CN116662903A (zh) | 基于图神经网络的电网终端设备识别方法及系统 | |
CN116821829A (zh) | 基于关联规则分析的变压器故障分析方法及装置 |
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 |