CN110995475A - 一种基于迁移学习的电力通信网故障检测方法 - Google Patents

Abstract

本发明涉及一种基于迁移学习的电力通信网故障检测方法，结合卷积神经网络和迁移学习，利用实际网络拓扑结构和实验网络局部网络拓扑的关联性，将已训练的多个局部网络模型的特征相互集成，通过少量实际网络故障样本进行迁移参数学习，得到实际网络故障诊断模型，从而实现一个可用、准确而全面的智能化电力通信网故障检测技术，扩大了故障诊断技术的适用性。本发明则创新地结合卷积神经网络和迁移学习这两种方法的优势，充分利用故障告警数据之间的特征相关性，以及不同网络拓扑的网络节点关联度等特征的相似性，对实际网络中的故障数据进行准确而全面的智能化检测。

Description

一种基于迁移学习的电力通信网故障检测方法

技术领域

本发明涉及电力通信网故障检测技术领域，尤其涉及到一种基于迁移学习的电力通信网故障检测方法。

背景技术

目前，电力通信骨干网络已建成了以光纤通信为主，微波、载波为辅，卫星通信作为应急备用，多种传输技术并存，覆盖总部-省公司-市-县等通信节点的实体网络。电力通信网是电力系统的神经网络，在电力系统的各个业务中都起到至关重要的控制作用，电力系统的各个环节都离不开电力通信网的监测控制。传统的电力通信网故障判断技术大多是基于规则的，该技术具有局限性，无法准确全面地定义规则库，其次规则库的维护升级也十分困难。随着网络技术的快速发展以及软硬件平台计算能力的提高，在一些领域如机械故障诊断，已经有人用机器学习的方法做出尝试，取得了不错的效果。在电力通信网中，故障与告警之间存在一定的关联性，而机器学习具有很强的特征学习能力，挖掘并分析故障与告警信息之间的特征关联关系，就可以利用机器学习达到故障诊断的目的。

就故障诊断技术而言，基于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。主要是通过对电力网络原始告警信息进行标准化等预处理，将告警信息转化成故障状态矩阵，构建样本标签矩阵，利用卷积神经网络提取其特征并训练，得到不同分类的神经网络模型从而实现诊断故障。但实际电力网络中存在海量的未标记数据，且正负样本不均衡、故障样本稀缺，导致卷积神经网络不能准确地对故障信息进行诊断分析，在网络适用性上存在制约。

发明内容

本发明所要解决的技术问题是针对电力通信网中故障诊断和样本失衡等实际条件问题，提供一种利用迁移学习和卷积神经网络对实际电力网络告警数据进行故障检测的方法。

为解决上述技术问题，本发明提出一种基于迁移学习的电力通信网故障检测方法，包括以下步骤：

(一)搭建局部网络拓扑为实验网络，获取各个专业网管的告警信息，采集故障样本。对原始告警信息数据进行去重、字段选取、标准化等处理，以得到统一格式的告警数据。由于告警数据具有时延性，还需要对告警数据进行同步处理，得到告警事务库。时间窗大小用W表示，W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，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)将实验网络拓扑连接关系和告警信息映射为故障状态矩阵。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。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。

(三)构建样本标签矩阵并进行预训练。将所有故障状态矩阵F(G)打上其根源故障的标签，构成了CNN训练样本集。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。其中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，有利于挖掘故障与告警之间的特征关联；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；全连接层将池化层输出的故障类别特征进行组合，然后送入softmax分类器对不同故障类别进行分类；最后输出的Softmax分类层输出最终的分类结果，得到神经网络故障状态诊断模型，并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。最后进一步通过BP算法调整修改模型参数，提高模型的诊断和定位的正确率，直到模型满足设定的正确率，再将各层参数及学习机制输出保存用于之后的故障诊断。

(四)从实验网络的故障诊断模型到实际电力网复杂网络模型的迁移学习。利用实际网络拓扑结构和实验网络局部网络拓扑的关联性、传播性，将已训练的多个局部网络模型的特征相互集成，通过少量实际网络故障样本进行迁移参数学习。输入新的实际网络故障样本，使用微调网络，对预训练的网络进行初始化，将实际测试故障样本进行多次裁剪：将裁剪的数据集通过标准化、时间站点同步等处理，定义为多个告警事务编码T(G)，并结合网络拓扑矩阵A(G)，利用公式F(G)＝T(G)A(G)得到故障状态矩阵F(G)，得到新的测试集。将处理后的测试样本集输入卷积神经网络模型，固定CNN模型的卷积层参数和全连接层的部分层的参数，用新的训练集进行训练，训练过程中只对初始化的全连接层权重参数进行更新，迭代多次后，依靠隐藏层的前向神经网络和反向传播机制不断调整参数，直到模型的准确率较高时，将其保存用于实际网络故障诊断，即可直接得到新的基于CNN和迁移学习的分类模型，并得到故障预测结果。

(五)在当前待检测的网络通信网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)输入所述基于CNN和迁移学习的故障诊断模型，分析得到故障站点及其故障类型。

本发明采用基于迁移学习的方法，将实验网络的故障诊断模型和大部分参数迁移到实际网络上，从而得到新CNN模型以适应实际网络的故障诊断，扩大了故障诊断技术的适用性。

本发明则创新地结合卷积神经网络和迁移学习这两种方法的优势，充分利用故障告警数据之间的特征相关性，以及不同网络拓扑的网络节点关联度等特征的相似性，对实际网络中的故障数据进行准确而全面的智能化检测。

本方法通过少量数据集进行裁剪实现数据增强，从而重新构建训练集，逐次进行迁移学习和更新模型的权重参数，充分利用了不同网络拓扑之间的关联特征，提高了在实际复杂网络中诊断系统的变化适应能力和准确性，减少因实际条件受限的约束。

具体实施方式

一种基于迁移学习的电力通信网故障检测方法，主要是针对实际电力网络拓扑结构和实验网络局部网络拓扑的关联性，研究卷积神经网络层的特性，利用已训练好的网络模型的特征，通过少量实际网络故障样本进行迁移参数学习，生成新的故障诊断模型以适应实际网络。具体步骤如下：

(一)搭建局部网络拓扑为实验网络，获取各个专业网管的告警信息，采集故障样本。对原始告警信息数据进行去重、字段选取、标准化等处理，以得到统一格式的告警数据。由于告警数据具有时延性，还需要对告警数据进行同步处理，得到告警事务库。时间窗大小用W表示，W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8种告警类型并按照优先级从1到8排列，并以站点为单位对应8种告警类型得到告警事务二值化编码T(G)。

(二)将实验网络拓扑连接关系和告警信息映射为故障状态矩阵。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。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。

(三)构建样本标签矩阵并进行预训练。将所有故障状态矩阵F(G)打上其根源故障的标签，构成了CNN训练样本集。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。其中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，有利于挖掘故障与告警之间的特征关联；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；全连接层将池化层输出的故障类别特征进行组合，然后送入softmax分类器对不同故障类别进行分类；最后输出的Softmax分类层有N个神经元(与训练故障站点标签分类个数一致)，用于输出为最终的分类结果，得到神经网络故障状态诊断模型，并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。最后进一步通过BP算法调整修改模型参数，提高模型的诊断和定位的正确率，直到模型满足要求再将各层参数及学习机制输出保存用于之后的故障诊断。

(四)从实验网络的故障诊断模型到实际电力网复杂网络模型的迁移学习。利用实际网络拓扑结构和实验网络局部网络拓扑的关联性、传播性，将已训练的多个局部网络模型的特征相互集成，通过少量实际网络故障样本进行迁移参数学习。输入新的实际网络故障样本，使用微调网络，对预训练的网络进行初始化，将实际测试故障样本进行多次裁剪：例如1个中心区域裁剪+4个角度裁剪，实现数据增强，提高计算机视觉系统的表现能力。将裁剪的数据集通过标准化、时间站点同步等处理，定义为多个告警事务编码T(G)，并结合网络拓扑矩阵A(G)，利用公式F(G)＝T(G)A(G)得到故障状态矩阵F(G)，得到新的测试集。将处理后的测试样本集输入卷积神经网络模型，固定CNN模型的卷积层参数和全连接层的部分层的参数，用新的训练集进行训练，训练过程中只对初始化的全连接层权重参数进行更新，迭代多次后，依靠隐藏层的前向神经网络和反向传播机制不断调整参数，直到模型的准确率较高时，将其保存用于实际网络故障诊断，即可直接得到新的基于CNN和迁移学习的分类模型，并得到故障预测结果。

(五)在当前待检测的网络通信网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)输入所述基于CNN和迁移学习的故障诊断模型，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 (1)

1.一种基于迁移学习的电力通信网故障检测方法，其特征在于，包括以下步骤：

(一)搭建局部网络拓扑为实验网络，获取各个专业网管的告警信息，采集故障样本；对原始告警信息数据进行去重、字段选取、标准化处理，得到统一格式的告警数据；对告警数据进行同步处理，得到告警事务库；时间窗大小用W表示，W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，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)将实验网络拓扑连接关系和告警信息映射为故障状态矩阵；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个顶点即站点的图，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；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；

(三)构建样本标签矩阵并进行预训练；将所有故障状态矩阵F(G)打上其根源故障的标签，构成了卷积神经网络CNN训练样本集；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；其中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，有利于挖掘故障与告警之间的特征关联；池化层通过最大池化操作；全连接层将池化层输出的故障类别特征进行组合，然后送入softmax分类器对不同故障类别进行分类；最后输出的Softmax分类层输出最终的分类结果，得到神经网络故障状态诊断模型，并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；然后进一步通过BP算法调整修改模型参数，提高模型的诊断和定位的正确率，直到模型满足设定的正确率，再将各层参数及学习机制输出保存用于之后的故障诊断；

(四)从实验网络的故障诊断模型到实际电力网复杂网络模型的迁移学习；利用实际网络拓扑结构和实验网络局部网络拓扑的关联性、传播性，将已训练的多个局部网络模型的特征相互集成，通过少量实际网络故障样本进行迁移参数学习；输入新的实际网络故障样本，使用微调网络，对预训练的网络进行初始化，将实际测试故障样本进行多次裁剪：将裁剪的数据集通过标准化、时间站点同步处理，定义为多个告警事务编码T(G)，并结合网络拓扑矩阵A(G)，利用公式F(G)＝T(G)A(G)得到故障状态矩阵F(G)，得到新的测试集；将处理后的测试样本集输入卷积神经网络模型，固定CNN模型的卷积层参数和全连接层的部分层的参数，用新的训练集进行训练，训练过程中只对初始化的全连接层权重参数进行更新，迭代多次后，依靠隐藏层的前向神经网络和反向传播机制不断调整参数，直到模型的准确率达到设定值时，即得到新的基于CNN和迁移学习的故障诊断模型；

(五)在当前待检测的网络通信网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)输入所述基于CNN和迁移学习的故障诊断模型，分析得到故障站点及其故障类型。