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

一种基于迁移学习的电力通信网故障检测方法 Download PDF

Info

Publication number
CN110995475A
CN110995475A CN201911141903.0A CN201911141903A CN110995475A CN 110995475 A CN110995475 A CN 110995475A CN 201911141903 A CN201911141903 A CN 201911141903A CN 110995475 A CN110995475 A CN 110995475A
Authority
CN
China
Prior art keywords
fault
network
alarm
matrix
model
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
Application number
CN201911141903.0A
Other languages
English (en)
Other versions
CN110995475B (zh
Inventor
杨杉
肖治华
周正
袁慧
刘郑
孙志峰
邱爽
董亮
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.)
Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Hubei 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 Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Hubei Electric Power Co Ltd
Priority to CN201911141903.0A priority Critical patent/CN110995475B/zh
Publication of CN110995475A publication Critical patent/CN110995475A/zh
Application granted granted Critical
Publication of CN110995475B publication Critical patent/CN110995475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06Management of faults, events, alarms or notifications
    • H04L41/0631Management 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06Management of faults, events, alarms or notifications
    • H04L41/0631Management 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
    • H04L41/064Management 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 involving time analysis
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06Management of faults, events, alarms or notifications
    • H04L41/0631Management 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
    • H04L41/065Management 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 involving logical or physical relationship, e.g. grouping and hierarchies
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06Management of faults, events, alarms or notifications
    • H04L41/0677Localisation of faults
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12Discovery or management of network topologies
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

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
Figure BDA0002281168640000021
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
Figure BDA0002281168640000022
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
Figure BDA0002281168640000041
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
Figure BDA0002281168640000042
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
Figure FDA0002281168630000011
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
Figure FDA0002281168630000012
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。
CN201911141903.0A 2019-11-20 2019-11-20 一种基于迁移学习的电力通信网故障检测方法 Active CN110995475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911141903.0A CN110995475B (zh) 2019-11-20 2019-11-20 一种基于迁移学习的电力通信网故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911141903.0A CN110995475B (zh) 2019-11-20 2019-11-20 一种基于迁移学习的电力通信网故障检测方法

Publications (2)

Publication Number Publication Date
CN110995475A true CN110995475A (zh) 2020-04-10
CN110995475B CN110995475B (zh) 2023-04-11

Family

ID=70085365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911141903.0A Active CN110995475B (zh) 2019-11-20 2019-11-20 一种基于迁移学习的电力通信网故障检测方法

Country Status (1)

Country Link
CN (1) CN110995475B (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
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
CN111812450A (zh) * 2020-06-01 2020-10-23 复旦大学 一种电网危险故障的识别方法
CN112101617A (zh) * 2020-08-11 2020-12-18 复旦大学 基于层次图卷积的电网故障严重程度预测方法
CN112838946A (zh) * 2020-12-17 2021-05-25 国网江苏省电力有限公司信息通信分公司 基于通信网故障智能感知与预警模型的构建方法
CN112884070A (zh) * 2021-03-17 2021-06-01 云南电网有限责任公司电力科学研究院 一种基于迁移学习的高压开关故障诊断方法
CN113255213A (zh) * 2021-05-19 2021-08-13 南京工程学院 一种功率变换器复合故障辨识方法
CN113343633A (zh) * 2021-06-10 2021-09-03 上海交通大学 动力锂电池热失控故障分类及风险预测方法、系统
CN113447823A (zh) * 2021-05-31 2021-09-28 国网山东省电力公司滨州供电公司 蓄电池组健康预测的方法
CN113743512A (zh) * 2021-09-07 2021-12-03 上海观安信息技术股份有限公司 一种安全告警事件自主学习判定方法及系统
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
CN114024829A (zh) * 2021-10-26 2022-02-08 广东电网有限责任公司 电力通信网络的故障检修方法、装置、设备和存储介质
WO2022110213A1 (zh) * 2020-11-30 2022-06-02 西门子(中国)有限公司 生成分析对象的预测模型的方法、装置和存储介质
CN114722952A (zh) * 2022-04-20 2022-07-08 哈尔滨工业大学 一种基于表示学习的轴承故障检测和分类的一体化方法
CN115099684A (zh) * 2022-07-18 2022-09-23 江西中科冠物联网科技有限公司 企业安全生产管理系统及其管理方法
CN115688492A (zh) * 2023-01-03 2023-02-03 诺比侃人工智能科技(成都)股份有限公司 一种电力二次设备数字建模及智能检测方法
CN116825283A (zh) * 2023-04-27 2023-09-29 清华大学 基于迁移学习的核医学治疗个体化剂量评估方法及装置
CN117640335A (zh) * 2024-01-26 2024-03-01 中铁七局集团西安铁路工程有限公司 一种智能建筑综合布线的动态调整和优化方法
CN117978612A (zh) * 2024-03-28 2024-05-03 成都格理特电子技术有限公司 网络故障检测方法、存储介质以及电子设备
EP4156022A4 (en) * 2020-09-04 2024-06-05 ZTE Corporation FAULT LOCATION METHOD, ELECTRONIC DEVICE AND RECORDING MEDIUM

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563431A (zh) * 2017-08-28 2018-01-09 西南交通大学 一种结合cnn迁移学习和svdd的图像异常检测方法
CN108010030A (zh) * 2018-01-24 2018-05-08 福州大学 一种基于深度学习的航拍图像绝缘子实时检测方法
CN109303560A (zh) * 2018-11-01 2019-02-05 杭州质子科技有限公司 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN110220709A (zh) * 2019-06-06 2019-09-10 北京科技大学 基于cnn模型和迁移学习的滚动轴承故障诊断方法
CN110414383A (zh) * 2019-07-11 2019-11-05 华中科技大学 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563431A (zh) * 2017-08-28 2018-01-09 西南交通大学 一种结合cnn迁移学习和svdd的图像异常检测方法
CN108010030A (zh) * 2018-01-24 2018-05-08 福州大学 一种基于深度学习的航拍图像绝缘子实时检测方法
CN109303560A (zh) * 2018-11-01 2019-02-05 杭州质子科技有限公司 一种基于卷积残差网络和迁移学习的短时心电信号房颤识别方法
CN109918752A (zh) * 2019-02-26 2019-06-21 华南理工大学 基于迁移卷积神经网络的机械故障诊断方法、设备及介质
CN110220709A (zh) * 2019-06-06 2019-09-10 北京科技大学 基于cnn模型和迁移学习的滚动轴承故障诊断方法
CN110414383A (zh) * 2019-07-11 2019-11-05 华中科技大学 基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用

Cited By (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111812450A (zh) * 2020-06-01 2020-10-23 复旦大学 一种电网危险故障的识别方法
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
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
CN112101617A (zh) * 2020-08-11 2020-12-18 复旦大学 基于层次图卷积的电网故障严重程度预测方法
CN112101617B (zh) * 2020-08-11 2024-03-08 复旦大学 基于层次图卷积的电网故障严重程度预测方法
EP4156022A4 (en) * 2020-09-04 2024-06-05 ZTE Corporation FAULT LOCATION METHOD, ELECTRONIC DEVICE AND RECORDING MEDIUM
CN116235188A (zh) * 2020-11-30 2023-06-06 西门子(中国)有限公司 生成分析对象的预测模型的方法、装置和存储介质
WO2022110213A1 (zh) * 2020-11-30 2022-06-02 西门子(中国)有限公司 生成分析对象的预测模型的方法、装置和存储介质
CN112838946B (zh) * 2020-12-17 2023-04-28 国网江苏省电力有限公司信息通信分公司 基于通信网故障智能感知与预警模型的构建方法
CN112838946A (zh) * 2020-12-17 2021-05-25 国网江苏省电力有限公司信息通信分公司 基于通信网故障智能感知与预警模型的构建方法
CN112884070A (zh) * 2021-03-17 2021-06-01 云南电网有限责任公司电力科学研究院 一种基于迁移学习的高压开关故障诊断方法
CN113255213A (zh) * 2021-05-19 2021-08-13 南京工程学院 一种功率变换器复合故障辨识方法
CN113255213B (zh) * 2021-05-19 2023-08-22 南京工程学院 一种功率变换器复合故障辨识方法
CN113447823A (zh) * 2021-05-31 2021-09-28 国网山东省电力公司滨州供电公司 蓄电池组健康预测的方法
CN113447823B (zh) * 2021-05-31 2022-06-21 国网山东省电力公司滨州供电公司 蓄电池组健康预测的方法
CN113343633B (zh) * 2021-06-10 2022-04-26 上海交通大学 动力锂电池热失控故障分类及风险预测方法、系统
CN113343633A (zh) * 2021-06-10 2021-09-03 上海交通大学 动力锂电池热失控故障分类及风险预测方法、系统
CN113743512A (zh) * 2021-09-07 2021-12-03 上海观安信息技术股份有限公司 一种安全告警事件自主学习判定方法及系统
CN114024829B (zh) * 2021-10-26 2023-06-06 广东电网有限责任公司 电力通信网络的故障检修方法、装置、设备和存储介质
CN114024829A (zh) * 2021-10-26 2022-02-08 广东电网有限责任公司 电力通信网络的故障检修方法、装置、设备和存储介质
CN114722952A (zh) * 2022-04-20 2022-07-08 哈尔滨工业大学 一种基于表示学习的轴承故障检测和分类的一体化方法
CN115099684A (zh) * 2022-07-18 2022-09-23 江西中科冠物联网科技有限公司 企业安全生产管理系统及其管理方法
CN115688492A (zh) * 2023-01-03 2023-02-03 诺比侃人工智能科技(成都)股份有限公司 一种电力二次设备数字建模及智能检测方法
CN115688492B (zh) * 2023-01-03 2023-03-10 诺比侃人工智能科技(成都)股份有限公司 一种电力二次设备数字建模及智能检测方法
CN116825283A (zh) * 2023-04-27 2023-09-29 清华大学 基于迁移学习的核医学治疗个体化剂量评估方法及装置
CN116825283B (zh) * 2023-04-27 2024-06-25 清华大学 基于迁移学习的核医学治疗个体化剂量评估方法及装置
CN117640335B (zh) * 2024-01-26 2024-04-16 中铁七局集团西安铁路工程有限公司 一种智能建筑综合布线的动态调整和优化方法
CN117640335A (zh) * 2024-01-26 2024-03-01 中铁七局集团西安铁路工程有限公司 一种智能建筑综合布线的动态调整和优化方法
CN117978612A (zh) * 2024-03-28 2024-05-03 成都格理特电子技术有限公司 网络故障检测方法、存储介质以及电子设备
CN117978612B (zh) * 2024-03-28 2024-06-04 成都格理特电子技术有限公司 网络故障检测方法、存储介质以及电子设备

Also Published As

Publication number Publication date
CN110995475B (zh) 2023-04-11

Similar Documents

Publication Publication Date Title
CN110995475B (zh) 一种基于迁移学习的电力通信网故障检测方法
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
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
CN111861756B (zh) 一种基于金融交易网络的团伙检测方法及其实现装置
CN110210169B (zh) 一种基于lstm的盾构机故障预测方法
CN109633369B (zh) 一种基于多维数据相似性匹配的电网故障诊断方法
CN114266301A (zh) 基于图卷积神经网络的电力设备故障智能预测方法
CN110851654A (zh) 基于张量化数据降维的工业设备故障检测分类方法
CN114553671A (zh) 一种电力通信网故障告警的诊断方法
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN117596191A (zh) 一种电力物联网异常检测方法、装置及存储介质
CN115905959A (zh) 基于缺陷因子的电力断路器关联性故障分析方法及装置
CN117667495A (zh) 一种基于关联规则与深度学习集成模型的应用系统故障预测方法
CN117933531A (zh) 一种分布式光伏发电功率预测系统及方法
CN117495422A (zh) 基于电力通信网建设的造价管理系统及其方法
CN117354172A (zh) 网络流量预测方法及系统
CN116304990A (zh) 一种基于时空融合的缺失值鲁棒的故障诊断方法及装置
CN111966758A (zh) 一种基于画像数据分析技术的电力隐患排查方法
CN111209955A (zh) 基于深度神经网络和随机森林的飞机电源系统故障识别方法
CN110705638A (zh) 一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法
CN106816871B (zh) 一种电力系统状态相似性分析方法
CN113469228A (zh) 一种基于数据流时空特征的电力负荷异常值辨识方法
Liu et al. Failure Classified Method for Diesel Generators Based Long Short-Term Memory Approach
CN117633456B (zh) 基于自适应焦点损失的海上风电天气事件辨识方法和装置

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