CN111199252A - 一种电力通信网络智能运维系统的故障诊断方法 - Google Patents

一种电力通信网络智能运维系统的故障诊断方法 Download PDF

Info

Publication number
CN111199252A
CN111199252A CN201911394852.2A CN201911394852A CN111199252A CN 111199252 A CN111199252 A CN 111199252A CN 201911394852 A CN201911394852 A CN 201911394852A CN 111199252 A CN111199252 A CN 111199252A
Authority
CN
China
Prior art keywords
cluster
sample
fault diagnosis
learning
center
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
CN201911394852.2A
Other languages
English (en)
Inventor
莫穗江
高国华
李瑞德
王�锋
张欣欣
温志坤
黄定威
杨玺
张欣
汤铭华
梁英杰
廖振朝
陈嘉俊
李伟雄
童捷
张天乙
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.)
Guangdong Power Grid Co Ltd
Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Jiangmen Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Jiangmen Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201911394852.2A priority Critical patent/CN111199252A/zh
Publication of CN111199252A publication Critical patent/CN111199252A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及电力通信网络领域，更具体地，涉及一种电力通信网络智能运维系统的故障诊断方法，该方法首先从配用电通信网络中采集到的智能运维系统实时状况信息中抽取反映系统底层运行状况的数据，用SOM网络进行一次初聚类，得到聚类个数和聚类中心，然后再使用K‑Means算法进行二次聚类，使聚类信息得到精化。本发明使用SOM神经网络和K‑Means算法结合的方法进行故障诊断，不仅解决了以往聚类算法在聚类时分群数目需人为给定的缺点，而且避免了复杂的计算过程，具有简单、速度快的优点，同时使得聚类信息更加精确，对故障模式的处理能力更强，稳定性更高，提高了对故障诊断的精准度和系统的整体性能。

Description

一种电力通信网络智能运维系统的故障诊断方法
技术领域
本发明涉及电力通信网络领域，更具体地，涉及一种电力通信网络智能运维系统的故障诊断方法。
背景技术
随着智能电网研究与实践的推进，传统意义上的电网正逐步与信息通信系统、监测控制系统相互融合，电网设备的运维工作和电网运行安全连接更加紧密。随着全国各级电网的升级和改造，接入电力网络系统中的部门、设备也在逐步增加，负责电网设备运维的工作人员的任务量也在加大，难以兼顾设备运行数据的完整性分析和故障环节的处理。
在一般的情况下，系统运维人员通过对现阶段监测到的数据指标与正常数据指标来进行比较，如果监测结果偏离正常数据指标，则就会被认为是发生故障，运维与维修人员到现场进行维护。但随着电力系统中设备数量增加，系统复杂度也随之增加的现状，难以通过监测得到导致问题的数据。
根据上述的问题，开发了许多针对系统故障诊断的模型和方法，其中一种是在自组织映射网络(Self-organizing Maps，SOM网络)的基础上，结合误差逆向传播算法训练的多层前馈(back propagation，BP)神经网络，实现故障诊断的方法，该方法先利用SOM网络对输入样本进行聚类，实现数据的初步分类；再根据初步诊断结果用BP网络进行精确诊断，两者结合能够达到优势互补。但是SOM网络结合BP神经的网络模型的性能受到权值和阈值的影响，另外BP神经网络是采用梯度下降的方法调整权值和阈值，导致其容易陷入局部最小和收敛速度慢的缺陷，虽然可以采用粒子群算法等进行优化，但是会增加算法计算复杂度，影响模型的训练时间和训练效果，不利于电力运维系统的实时诊断。
发明内容
本发明为克服上述现有技术中的方法在运用于电力通信网络时运算速度慢，难以实现实时诊断的问题，提供一种电力通信网络智能运维系统的故障诊断方法，针对系统运行状态的动态变化，更加准确、高效地反映电网智能运维系统的运行状况，实现对配用电通信智能运维系统运行状态的故障诊断。
为解决上述技术问题，本发明采用的技术方案是：一种电力通信网络智能运维系统的故障诊断方法，包括以下步骤：
步骤一：从配用电通信网络中采集到的智能运维系统实时状况信息中抽取反映系统底层运行状况的数据，进行数据预处理；
步骤二：利用SOM网络对数据进行初聚类；
步骤三：利用K-Means算法(K均值聚类算法)对SOM网络的输出结果进行二次聚类；
步骤四：对系统运行状态的诊断。
首先从配用电通信网络中采集到的智能运维系统实时状况信息中抽取反映系统底层运行状况的数据，用SOM网络进行一次初聚类，得到聚类个数和聚类中心，然后再使用K-Means算法进行二次聚类，使聚类信息得到精化，最终实现对配用电通信智能运维系统运行状态的故障诊断。
神经网络用于故障诊断是通过故障实例的训练和学习，用分布在神经网路中的连接权值来表达所学习的故障诊断知识，具有对故障的联想记忆、模式匹配和相似归纳的能力，可以实现故障和征兆间的复杂非线性映射关系，其中SOM网络可以在无监督的情况下的进行聚类。另外K-Means算法可以在已知聚类个数和聚类中心的前提下具有很高的精准度。
优选的，在所述步骤一中，数据的预处理包括去除含有缺失值的数据记录。
优选的，数据包含三种信息，分别为时间信息、系统服务器相关信息和运行信息。
优选的，时间信息包括采集时间；系统服务器相关信息包括服务器编号；运行信息包括服务器耗电量、内存使用大小、硬盘使用大小、CPU使用率、服务器温度、风扇转速以及应用进程使用情况；
优选的，将上述采集数据作为后续模型的训练样本，利用SOM网络对样本数据进行初聚类具体步骤如下：
步骤S2.1：权值初始化，将SOM网络的连接权{wij}赋予[0，1]区间内的随机值，i＝1，2，...，S，j＝1，2，...，R，其中R为样本维数，S为输出神经元个数；确定学习率η(t)的初始值η(0)(0＜η(t)＜1)；确定邻域Ng(t)的初始值Ng(0)，Ng(t)的值表示在第t次学习过程中邻域中所包含的神经元的个数；确定总学习次数T，循环次数初始设定t＝1；
步骤S2.2：对SOM网络进行循环的聚类训练；
步骤S2.3：循环结束后，样本的聚类根据输出节点的响应来完成；
步骤S2.4：将聚类数目N和聚类中心Z＝{Z1，Z2，…，ZN}输出。
优选的，在所述步骤S2.2中，具体的流程为：
步骤S2.2.1：选取Q个服务器运行信息作为学习样本，任选其中一个样本提供给网络的输入层；样本
Figure BDA0002346017780000031
步骤S2.2.2：计算权向量wi＝(wi1，wi2，…，wiR)与输入模式
Figure BDA0002346017780000032
之间的欧几里得(Euclid)距离di，并计算最小距离dg，确定获胜神经元g；di和dg的具体公式为：
Figure BDA0002346017780000033
dg＝min[di]，i＝1，2，…，S
式中，wij为权向量；
Figure BDA0002346017780000034
为输入的样本数据；
步骤S2.2.3：对竞争层邻域Ng(t)内的所有神经元与输入层神经元之间的连接权wij进行修正，具体公式为：
Figure BDA0002346017780000035
Figure BDA0002346017780000036
Figure BDA0002346017780000037
式中，wij(t+1)为t+1时刻输入神经元i与输出神经元j之间的连接权；g为获胜神经元；Ng(t)为t时刻以获胜神经元g为中心的邻域范围；η(t)为学习率；
Figure BDA0002346017780000038
为输入的样本数据；wij(t)为t时刻输入神经元i与输出神经元j之间的连接权；wij(T)为T时刻输入神经元i与输出神经元j之间的连接权；
步骤S2.2.4：选取另一个学习样本提供给网络的输入层，返回步骤S3，直至Q个学习样本全部提供给网络；
步骤S2.2.5：更新学习率η(t)及邻域Ng(t)：
Figure BDA0002346017780000041
Figure BDA0002346017780000042
式中，t为学习步数；T为总的学习步数。η(0)、Ng(0)为初始时刻的学习率和邻域半径因子。Ng(t)在学习的初始时刻覆盖范围较大，随着时间t的增加，Ng(t)的值逐渐减小。η(t)值的选取范围通常为[0，1]；
步骤S2.2.6：增加学习步数。令t＝t+1，返回步骤S2.1，直至t＝T为止。
优选的，在所述步骤三中，二次聚类的具体流程为：
步骤S3.1：根据步骤S2.4中得到的聚类结果中，Sj＝{y|y∈Sj}表示所有属于第j个聚类中心的样本集合，Y＝{y1，y2，…，yn}为样本经过SOM网络后的输出，Z＝{Z1(l)，Z2(l)，…，Zn(l)}为每个聚类的中心，设定迭代停止阈值为ε；
步骤S3.2：划分所有的样本矢量，划分条件是：
||YP-Zi(l)||＞||YP-Zj(l)||，i＝1，2，…，N，i≠j
式中，YP为样本经过SOM网络后的输出；Nj代表聚类j中的向量数量；Zj(l)代表聚类j的中心；Zi(l)代表聚类i的中心；
若Yp满足上述不等式，则YP∈Sj，Sj代表聚类j的集合；
步骤S3.3：计算新的聚类中心，用在步骤S3.2中建立的聚类的所有成员集合，来重新计算每类的中心位置，使从类别中的每个矢量到新的聚类中心的距离之和Jj最小：
Figure BDA0002346017780000043
式中，YP为样本经过SOM网络后的输出；Zj(l+1)代表进行1+1次迭代后聚类j的中心，该值通过下式得出：
Figure BDA0002346017780000044
式中，Nj代表聚类j中的向量数量；
步骤S3.4：收敛检查，若是满足设定的条件，算法停止，不满足就转到步骤S3.2中继续迭代。
优选的，在步骤S3.4中，收敛检查要满足的条件为：
||Zj(l+1)-Zj(l)||＜ε，j＝1，2，…，N
式中，Zj(l+1)代表进行1+1次迭代后聚类j的中心；Zj(l)代表聚类j的中心。
优选的，在所述步骤四，诊断故障的具体步骤为：
步骤S4.1：据步骤S3.4得到训练后的故障诊断模型；
步骤S4.2：将步骤一中的运行信息作为模型输入，代入训练出的故障诊断模型中，判断系统是否发生故障及故障发生位置。
与现有技术相比，有益效果是：本发明使用SOM神经网络和K-Means算法结合的方法进行故障诊断，不仅解决了以往聚类算法在聚类时分群数目需人为给定的缺点，而且避免了复杂的计算过程，具有简单、速度快的优点，同时使得聚类信息更加精确，对故障模式的处理能力更强，稳定性更高，提高了对故障诊断的精准度和系统的整体性能。
附图说明
图1是本发明的一种电力通信网络智能运维系统的故障诊断方法的流程示意图。
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。
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所示为一种电力通信网络智能运维系统的故障诊断方法的实施例，假定所处理环境为电网运维系统环境，所获取的数据来源于该电力通信网运维系统以及相关数据包中包括如下步骤：
步骤一：从配用电通信网络中采集到的智能运维系统实时状况信息中抽取反映系统底层运行状况的数据，进行数据预处理。
步骤S1.1：从配用电通信网络中采集的智能运维系统实时状况信息的原始记录中，挑选可以反映系统底层运行状况的数据，如表1所示，数据包含：①时间信息，包括：采集时间(记为A)；②系统服务器相关信息，包括：服务器编号(记为B)；③运行信息C，包括：服务器耗电量(记为C1)、内存使用大小(记为C2)、硬盘使用大小(记为C3)、CPU使用率(记为C4)、服务器温度(记为C5)、风扇转速(记为C6)以及应用进程使用情况(记为C7)；
步骤S1.2：数据清洗，去除含有缺失值的数据记录。
表1：数据表
Figure BDA0002346017780000061
步骤二：利用SOM网络对数据进行初聚类，具体流程如下；
步骤S2.1：权值初始化，将SOM网络的连接权{wij}赋予[0，1]区间内的随机值，i＝1，2，...，S，j＝1，2，...，R，其中R为样本维数，S为输出神经元个数；确定学习率η(t)的初始值η(0)(0＜η(t)＜1)；确定邻域Ng(t)的初始值Ng(0)，Ng(t)的值表示在第t次学习过程中邻域中所包含的神经元的个数；确定总学习次数T，循环次数初始设定t＝1；
步骤S2.2：对SOM网络进行循环的聚类训练，过程如下；
步骤S2.2.1：选取Q个服务器运行信息作为学习样本，任选其中一个样本提供给网络的输入层；样本
Figure BDA0002346017780000062
步骤S2.2.2：计算权向量wi＝(wi1，wi2，…，wiR)与输入模式
Figure BDA0002346017780000063
之间的欧几里得(Euclid)距离di，并计算最小距离dg，确定获胜神经元g；di和dg的具体公式为：
Figure BDA0002346017780000071
dg＝min[di]，i＝1，2，…，S
式中，wij为权向量；
Figure BDA0002346017780000072
为输入的样本数据；
步骤S2.2.3：对竞争层(输入层)邻域Ng(t)内的所有神经元与输入层神经元之间的连接权wij进行修正，具体公式为：
Figure BDA0002346017780000073
Figure BDA0002346017780000074
Figure BDA0002346017780000075
式中，wij(t+1)为t+1时刻输入神经元i与输出神经元j之间的连接权；g为获胜神经元；Nj(t)为t时刻以获胜神经元g为中心的邻域范围；η(t)为学习率；
Figure BDA0002346017780000076
为输入的样本数据；wij(t)为t时刻输入神经元i与输出神经元j之间的连接权；
步骤S2.2.4：选取另一个学习样本提供给网络的输入层，返回步骤S3，直至Q个学习样本全部提供给网络；
步骤S2.2.5：更新学习率η(t)及邻域Ng(t)：
Figure BDA0002346017780000077
Figure BDA0002346017780000078
式中，t为学习步数；T为总的学习步数。η(0)、Ng(0)为初始时刻的学习率和邻域半径因子。Ng(t)在学习的初始时刻覆盖范围较大，随着时间t的增加，Ng(t)的值逐渐减小。η(t)值的选取范围通常为[0，1]；
步骤S2.2.6：增加学习步数。令t＝t+1，返回步骤S2.1，直至t＝T为止。
步骤S2.3：循环结束后，样本的聚类根据输出节点的响应来完成；
步骤S2.4：将聚类数目N和聚类中心Z＝{Z1，Z2，…，ZN}输出，如表2所示。
表2：聚类中心表
Figure BDA0002346017780000081
步骤二：利用K-Means算法对SOM网络的输出结果进行二次聚类，具体的步骤为：
步骤S3.1：根据步骤S2.4中得到的聚类结果中，Sj＝{y|y∈Sj}表示所有属于第j个聚类中心的样本集合，Y＝{y1，y2，…，yn}为样本经过SOM网络后的输出，Z＝{Z1(l)，Z2(l)，…，Zn(l)}为每个聚类的中心，设定迭代停止阈值为ε；
步骤S3.2：划分所有的样本矢量，划分条件是：
||YP-Zi(l)||＞||YP-Zj(l)||，i＝1，2，…，N，i≠j
式中，YP为样本经过SOM网络后的输出；Nj代表聚类j中的向量数量；Zj(l)代表聚类j的中心；Zi(l)代表聚类i的中心；
若Yp满足上述不等式，则YP∈Si，Sj代表聚类j的集合；
步骤S3.3：计算新的聚类中心，用在步骤S3.2中建立的聚类的所有成员集合，来重新计算每类的中心位置，使从类别中的每个矢量到新的聚类中心的距离之和Jj最小：
Figure BDA0002346017780000082
式中，YP为样本经过SOM网络后的输出；Zj(l+1)代表进行1+1次迭代后聚类j的中心，该值通过下式得出：
Figure BDA0002346017780000083
式中，Nj代表聚类j中的向量数量；
步骤S3.4：收敛检查，若是满足设定的条件||Zj(l+1)-Zj(l)||＜ε，j＝1，2，…，N，算法停止，不满足就转到步骤S3.2中继续迭代。
步骤四：对系统运行状态的诊断，诊断故障的具体步骤为：
步骤S4.1：据步骤S3.4得到训练后的故障诊断模型，其中样本具体的聚类分群信息，如表3所示；
步骤S4.2：将步骤一中的运行信息作为模型输入，代入训练出的故障诊断模型中，判断系统是否发生故障及故障发生位置。
表3：新聚类中心表
Figure BDA0002346017780000091
本实施例的有益效果：本发明使用SOM神经网络和K-Means算法结合的方法进行故障诊断，不仅解决了以往聚类算法在聚类时分群数目需人为给定的缺点，而且避免了复杂的计算过程，具有简单、速度快的优点，同时使得聚类信息更加精确，对故障模式的处理能力更强，稳定性更高，提高了对故障诊断的精准度和系统的整体性能。
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 (10)

1.一种电力通信网络智能运维系统的故障诊断方法，其特征在于，包括以下步骤：
步骤一：从配用电通信网络中采集到的智能运维系统实时状况信息中抽取反映系统底层运行状况的数据，进行数据预处理；
步骤二：利用SOM网络对数据进行初聚类；
步骤三：利用K-Means算法对SOM网络的输出结果进行二次聚类；
步骤四：对系统运行状态的诊断。
2.根据权利要求1所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，在所述步骤一中，数据的预处理包括去除含有缺失值的数据记录。
3.根据权利要求1所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，在所述步骤一中，数据包含三种信息，分别为时间信息、系统服务器相关信息和运行信息。
4.根据权利要求3所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，时间信息包括采集时间；系统服务器相关信息包括服务器编号；运行信息包括服务器耗电量、内存使用大小、硬盘使用大小、CPU使用率、服务器温度、风扇转速以及应用进程使用情况。
5.根据权利要求4所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，在步骤二利用SOM网络对数据进行初聚类具体步骤如下：
步骤S2.1：权值初始化，将SOM网络的连接权{wij}赋予[0，1]区间内的随机值，i＝1，2，…，S，j＝1，2，…，R，其中R为样本维数，S为输出神经元个数；确定学习率η(t)的初始值η(0)(0<η(t)<1)；确定邻域Ng(t)的初始值Ng(0)，Ng(t)的值表示在第t次学习过程中邻域中所包含的神经元的个数；确定总学习次数T，循环次数初始设定t＝1；
步骤S2.2：对SOM网络进行循环的聚类训练；
步骤S2.3：循环结束后，样本的聚类根据输出节点的响应来完成；
步骤S2.4：将聚类数目N和聚类中心Z＝{Z1，Z2，…，ZN}输出。
6.根据权利要求5所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，在所述步骤S2.2中，具体的流程为：
步骤S2.2.1：选取Q个服务器运行信息作为学习样本，任选其中一个样本提供给网络的输入层；样本
Figure FDA0002346017770000021
k＝1，2，…，Q；
步骤S2.2.2：计算权向量wi＝(wi1，wi2，…，wiR)与输入模式
Figure FDA0002346017770000022
之间的欧几里得距离di，并计算最小距离dg，确定获胜神经元g；di和dg的具体公式为：
Figure FDA0002346017770000023
式中，wij为权向量；
Figure FDA0002346017770000024
为输入的样本数据；
dg＝min[di]，i＝1，2，…，S
式中，di为权向量与输入的样本数据之间的欧几里得距离；
步骤S2.2.3：对竞争层邻域Ng(t)内的所有神经元与输入层神经元之间的连接权wij进行修正，具体公式为：
Figure FDA0002346017770000025
Figure FDA0002346017770000026
Figure FDA0002346017770000027
式中，wij(t+1)为t+1时刻输入神经元i与输出神经元j之间的连接权；g为获胜神经元；Ng(t)为t时刻以获胜神经元g为中心的邻域范围；η(t)为学习率；
Figure FDA0002346017770000028
为输入的样本数据；wij(t)为t时刻输入神经元i与输出神经元j之间的连接权；wij(T)为T时刻输入神经元i与输出神经元j之间的连接权；
步骤S2.2.4：选取另一个学习样本提供给网络的输入层，返回步骤S3，直至Q个学习样本全部提供给网络；
步骤S2.2.5：更新学习率η(t)及邻域Ng(t)：
Figure FDA0002346017770000029
Figure FDA00023460177700000210
式中，t为学习步数；T为总的学习步数；η(0)、Ng(0)为初始时刻的学习率和邻域半径因子；Ng(t)在学习的初始时刻覆盖范围较大，随着时间t的增加，Ng(t)的值逐渐减小；η(t)值的选取范围通常为[0，1]；
步骤S2.2.6：增加学习步数。令t＝t+1，返回步骤S2.1，直至t＝T为止。
7.根据权利要求5所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，在所述步骤三中，二次聚类的具体流程为：
步骤S3.1：根据步骤S2.4中得到的聚类结果中，Sj＝{y|y∈Sj}表示所有属于第j个聚类中心的样本集合，Y＝{y1，y2，…，yn}为样本经过SOM网络后的输出，Z＝{Z1(l)，Z2(l)，…，Zn(l)}为每个聚类的中心，设定迭代停止阈值为ε；
步骤S3.2：划分所有的样本矢量；
步骤S3.3：计算新的聚类中心，用在步骤S3.2中建立的聚类的所有成员集合，来重新计算每类的中心位置，使从类别中的每个矢量到新的聚类中心的距离之和Jj最小：
Figure FDA0002346017770000031
式中，YP为样本经过SOM网络后的输出；Zj(l+1)代表进行1+1次迭代后聚类j的中心，该值通过下式得出：
Figure FDA0002346017770000032
式中，Nj代表聚类j中的向量数量；YP为样本经过SOM网络后的输出；
步骤S3.4：收敛检查，若是满足设定的条件，算法停止，不满足就转到步骤S3.2中继续迭代。
8.根据权利要求7所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，划分所有的样本矢量的划分条件是：
‖YP-Zi(l)‖>||YP-Zj(l)||，i＝1，2，…，N，i≠j
式中，YP为样本经过SOM网络后的输出；Nj代表聚类j中的向量数量；Zj(l)代表聚类j的中心；Zi(l)代表聚类i的中心；
若Yp满足上述不等式，则YP∈Sj，Sj代表聚类j的集合。
9.根据权利要求7所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，在所述步骤S3.4中，收敛检查要满足的条件为：
||Zj(l+1)-Zj(l)||<ε，j＝1，2，…，N
式中，Zj(l+1)代表进行1+1次迭代后聚类j的中心；Zj(l)代表聚类j的中心。
10.根据权利要求7所述的一种电力通信网络智能运维系统的故障诊断方法，其特征在于，在所述步骤四，诊断故障的具体步骤为：
步骤S4.1：据步骤S3.4得到训练后的故障诊断模型；
步骤S4.2：将步骤一中的运行信息作为模型输入，代入训练出的故障诊断模型中，判断系统是否发生故障及故障发生位置。
CN201911394852.2A 2019-12-30 2019-12-30 一种电力通信网络智能运维系统的故障诊断方法 Pending CN111199252A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911394852.2A CN111199252A (zh) 2019-12-30 2019-12-30 一种电力通信网络智能运维系统的故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911394852.2A CN111199252A (zh) 2019-12-30 2019-12-30 一种电力通信网络智能运维系统的故障诊断方法

Publications (1)

Publication Number Publication Date
CN111199252A true CN111199252A (zh) 2020-05-26

Family

ID=70746457

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911394852.2A Pending CN111199252A (zh) 2019-12-30 2019-12-30 一种电力通信网络智能运维系统的故障诊断方法

Country Status (1)

Country Link
CN (1) CN111199252A (zh)

Cited By (9)

* 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
WO2021057382A1 (zh) * 2019-09-23 2021-04-01 中兴通讯股份有限公司 一种异常检测方法、装置、终端及存储介质
CN113642624A (zh) * 2021-08-05 2021-11-12 厦门大学 移动通信网络故障的智能诊断方法及装置
CN113688910A (zh) * 2021-08-26 2021-11-23 国网江苏省电力有限公司常州供电分公司 一种基于k-BP算法的电网运行多源信息融合方法
CN115238867A (zh) * 2022-07-28 2022-10-25 广东电力信息科技有限公司 一种基于客服非结构化数据智能识别的电力故障定位方法
CN116319262A (zh) * 2023-05-24 2023-06-23 国网山西省电力公司长治供电公司 一种电能计量装置通信故障数据检测模型
CN116384393A (zh) * 2023-04-27 2023-07-04 圣麦克思智能科技(江苏)有限公司 一种基于自然语言处理的运维数据处理系统及方法
CN116578889A (zh) * 2023-06-30 2023-08-11 国恒能元（天津）电力科技发展有限公司 一种发电故障诊断方法
CN116842431A (zh) * 2023-08-31 2023-10-03 中国船舶集团国际工程有限公司 一种钢结构健康监测评估方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法
CN106443310A (zh) * 2016-11-22 2017-02-22 国网四川省电力公司广安供电公司 一种基于som神经网络的变压器故障检测方法
CN106981873A (zh) * 2017-04-25 2017-07-25 集美大学 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法
CN108898154A (zh) * 2018-09-29 2018-11-27 华北电力大学 一种电力负荷som-fcm分层聚类方法
CN108919059A (zh) * 2018-08-23 2018-11-30 广东电网有限责任公司 一种电网故障诊断方法、装置、设备及可读存储介质
CN109459669A (zh) * 2019-01-09 2019-03-12 国网上海市电力公司 10kV配电网单相接地故障区段定位方法
CN110147871A (zh) * 2019-04-17 2019-08-20 中国电力科学研究院有限公司 一种基于som神经网络与k-均值聚类的窃电检测方法及系统
CN110188834A (zh) * 2019-06-04 2019-08-30 广东电网有限责任公司 一种电力通信网的故障诊断方法、装置及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法
CN106443310A (zh) * 2016-11-22 2017-02-22 国网四川省电力公司广安供电公司 一种基于som神经网络的变压器故障检测方法
CN106981873A (zh) * 2017-04-25 2017-07-25 集美大学 一种基于动力学行为的孤岛式电力系统潜隐故障预测方法
CN108919059A (zh) * 2018-08-23 2018-11-30 广东电网有限责任公司 一种电网故障诊断方法、装置、设备及可读存储介质
CN108898154A (zh) * 2018-09-29 2018-11-27 华北电力大学 一种电力负荷som-fcm分层聚类方法
CN109459669A (zh) * 2019-01-09 2019-03-12 国网上海市电力公司 10kV配电网单相接地故障区段定位方法
CN110147871A (zh) * 2019-04-17 2019-08-20 中国电力科学研究院有限公司 一种基于som神经网络与k-均值聚类的窃电检测方法及系统
CN110188834A (zh) * 2019-06-04 2019-08-30 广东电网有限责任公司 一种电力通信网的故障诊断方法、装置及设备

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANHUA CHEN 等: ""Improving K-means Clustering Method in Fault Diagnosis based on SOM Network"", 《JOURNAL OF NETWORKS》 *
卓金武 等: "《MATLAB在数学建模中的应用 第2版》", 30 September 2014 *
杨秀璋 等: "《Python网络数据爬取及分析从入门到精通 分析篇》", 30 June 2018 *
许翀寰 等: "《复杂社会情境下的个性化 推荐方法与应用》", 31 August 2018 *
魏霖静: "《基于MATLAB的试验设计和数据处理》", 30 April 2017 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021057382A1 (zh) * 2019-09-23 2021-04-01 中兴通讯股份有限公司 一种异常检测方法、装置、终端及存储介质
US12063528B2 (en) 2019-09-23 2024-08-13 Xi'an Zhongxing New Software Co., Ltd. Anomaly detection method and device, terminal and storage medium
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
CN113642624A (zh) * 2021-08-05 2021-11-12 厦门大学 移动通信网络故障的智能诊断方法及装置
CN113688910A (zh) * 2021-08-26 2021-11-23 国网江苏省电力有限公司常州供电分公司 一种基于k-BP算法的电网运行多源信息融合方法
CN115238867A (zh) * 2022-07-28 2022-10-25 广东电力信息科技有限公司 一种基于客服非结构化数据智能识别的电力故障定位方法
CN115238867B (zh) * 2022-07-28 2023-06-13 广东电力信息科技有限公司 一种基于客服非结构化数据智能识别的电力故障定位方法
CN116384393B (zh) * 2023-04-27 2023-11-21 圣麦克思智能科技(江苏)有限公司 一种基于自然语言处理的运维数据处理系统及方法
CN116384393A (zh) * 2023-04-27 2023-07-04 圣麦克思智能科技(江苏)有限公司 一种基于自然语言处理的运维数据处理系统及方法
CN116319262A (zh) * 2023-05-24 2023-06-23 国网山西省电力公司长治供电公司 一种电能计量装置通信故障数据检测模型
CN116578889B (zh) * 2023-06-30 2023-11-10 国网甘肃省电力公司经济技术研究院 一种发电故障诊断方法
CN116578889A (zh) * 2023-06-30 2023-08-11 国恒能元（天津）电力科技发展有限公司 一种发电故障诊断方法
CN116842431A (zh) * 2023-08-31 2023-10-03 中国船舶集团国际工程有限公司 一种钢结构健康监测评估方法

Similar Documents

Publication Publication Date Title
CN111199252A (zh) 一种电力通信网络智能运维系统的故障诊断方法
WO2021073462A1 (zh) 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法
CN109766921B (zh) 一种基于深度领域自适应的振动数据故障分类方法
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN112116058B (zh) 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法
CN112132427A (zh) 一种考虑用户侧多种资源接入的电网多层规划方法
CN108847686B (zh) 一种光伏逆变器故障预测方法
CN109102157A (zh) 一种基于深度学习的银行工单派单方法及系统
CN111507422B (zh) 基于cqfpa-wnn的变压器故障诊断方法
CN110909802A (zh) 一种基于改进的pso优化pnn平滑因子的故障分类方法
CN109002781B (zh) 一种储能变流器故障预测方法
CN110705887A (zh) 一种基于神经网络模型的低压台区运行状态综合评价方法
CN114880754B (zh) 基于bim的建筑能耗管理方法及系统
CN111091141B (zh) 一种基于分层Softmax的光伏背板故障诊断方法
CN110378424A (zh) 基于卷积神经网络的变压器套管故障红外图像识别方法
CN112926895A (zh) 一种光伏电站系统综合能效评价方法
CN115659258A (zh) 一种基于多尺度图卷积孪生网络的配电网故障检测方法
CN112200263A (zh) 一种应用于配电物联网的自组织联邦聚类方法
CN114118592B (zh) 一种智能电网用电端短期能耗预测系统
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
Liu et al. Research on the strategy of locating abnormal data in IOT management platform based on improved modified particle swarm optimization convolutional neural network algorithm
CN114510871A (zh) 基于思维进化和lstm的云服务器性能衰退预测方法
CN105741184B (zh) 一种变压器状态评估方法及装置
CN109638892A (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
CN111815085B (zh) 一种轨道交通能源管理系统综合能效评估的实现方法

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: 20200526