CN111327487A - 基于深度学习的电力通信网络运行状态监测方法和装置 - Google Patents

基于深度学习的电力通信网络运行状态监测方法和装置 Download PDF

Info

Publication number
CN111327487A
CN111327487A CN201811548039.1A CN201811548039A CN111327487A CN 111327487 A CN111327487 A CN 111327487A CN 201811548039 A CN201811548039 A CN 201811548039A CN 111327487 A CN111327487 A CN 111327487A
Authority
CN
China
Prior art keywords
communication network
power communication
data
operation state
monitoring
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
CN201811548039.1A
Other languages
English (en)
Inventor
巫健
江冰
闫蕾芳
禹宁
罗江
竹瑞博
屈蓓蓓
樊磊
李晶
王美丽
王慧芳
霍美如
张凯
高峰
高枫
任学武
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 Shanxi Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Shanxi 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 Shanxi Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Shanxi Electric Power Co Ltd
Priority to CN201811548039.1A priority Critical patent/CN111327487A/zh
Publication of CN111327487A publication Critical patent/CN111327487A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0811—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking connectivity
    • 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
    • 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
    • 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
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
    • H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/10—Active monitoring, e.g. heartbeat, ping or trace-route

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于深度学习的电力通信网络运行状态监测方法和装置。其中，该方法包括：获取电力通信网络的通信数据，其中，通信数据至少包括：电力通信网络的拓扑结构、电力通信网络的业务数据、电力通信网络的故障信息；根据预先训练好的电力通信网络模型获取通信数据所对应的电力通信网络的运行状态数据，其中，电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控。本发明解决了相关技术采用人工巡检方式监控电力通信网络运行状态，导致监控效率较低且存在延时的技术问题。

Description

基于深度学习的电力通信网络运行状态监测方法和装置
技术领域
本发明涉及计算机领域，具体而言，涉及一种基于深度学习的电力通信网络运行状态监测方法和装置。
背景技术
电力通信网络的运行状态的正常与否直接影响用户通信体验，因此需要对电力通信网络的运行状态进行监控，当电力通信网络运行状态异常时及时对其进行维护。但是，相关技术通常采用人工巡检方式监控电力通信网络的运行状态，这样不仅会增加人力成本投入，而且也会导致对电力通信网络运行状态的监控效率较低，且存在延时，无法对电力通信网络的故障进行及时维护。
针对相关技术采用人工巡检方式监控电力通信网络运行状态，导致监控效率较低且存在延时的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于深度学习的电力通信网络运行状态监测方法和装置，以至少解决相关技术采用人工巡检方式监控电力通信网络运行状态，导致监控效率较低且存在延时的技术问题。
根据本发明实施例的一个方面，提供了一种基于深度学习的电力通信网络运行状态监测方法，包括：获取电力通信网络的通信数据，其中，所述通信数据至少包括：所述电力通信网络的拓扑结构、所述电力通信网络的业务数据、所述电力通信网络的故障信息；根据预先训练好的电力通信网络模型获取所述通信数据所对应的电力通信网络的运行状态数据，其中，所述电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控。
进一步地，所述根据预先训练好的电力通信网络模型获取所述通信数据所对应的电力通信网络的运行状态数据包括：根据预先训练好的电力通信网络模型确定所述通信数据所对应的电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况；所述根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控包括：根据所述电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况对所述电力通信网络的运行状态进行监控。
进一步地，在所述获取电力通信网络的通信数据之前，所述方法还包括：获取所述电力通信网络的样本通信数据，及与所述样本通信数据对应的样本运行状态数据；利用所述样本通信数据与所述样本运行状态数据之间的对应关系对深度神经网络进行训练，得到所述电力通信网络模型，其中，在训练所述深度神经网络时，所述深度神经网络的输入参数为所述样本通信数据，所述深度神经网络的输出参数为所述样本运行状态数据。
进一步地，所述根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控包括：以集中传输网管为依托，根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控。
根据本发明实施例的另一方面，还提供了一种基于深度学习的电力通信网络运行状态监测装置，包括：第一获取模块，用于获取电力通信网络的通信数据，其中，所述通信数据至少包括：所述电力通信网络的拓扑结构、所述电力通信网络的业务数据、所述电力通信网络的故障信息；第二获取模块，用于根据预先训练好的电力通信网络模型获取所述通信数据所对应的电力通信网络的运行状态数据，其中，所述电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；监控模块，用于根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控。
进一步地，所述第二获取模块用于：根据预先训练好的电力通信网络模型确定所述通信数据所对应的电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况；所述监控模块用于：根据所述电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况对所述电力通信网络的运行状态进行监控。
进一步地，所述装置还包括：第三获取模块，用于在所述获取电力通信网络的通信数据之前，获取所述电力通信网络的样本通信数据，及与所述样本通信数据对应的样本运行状态数据；训练模块，用于利用所述样本通信数据与所述样本运行状态数据之间的对应关系对深度神经网络进行训练，得到所述电力通信网络模型，其中，在训练所述深度神经网络时，所述深度神经网络的输入参数为所述样本通信数据，所述深度神经网络的输出参数为所述样本运行状态数据。
进一步地，所述监控模块用于：以集中传输网管为依托，根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控。
根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时执行上述任一项所述的基于深度学习的电力通信网络运行状态监测方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的基于深度学习的电力通信网络运行状态监测方法。
在本发明实施例中，通过获取电力通信网络的通信数据，其中，通信数据至少包括：电力通信网络的拓扑结构、电力通信网络的业务数据、电力通信网络的故障信息；根据预先训练好的电力通信网络模型获取通信数据所对应的电力通信网络的运行状态数据，其中，电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控，达到了及时高效对电力通信网络运行状态进行监控的目的，进而解决了相关技术采用人工巡检方式监控电力通信网络运行状态，导致监控效率较低且存在延时的技术问题，从而实现了提高对电力通信网络运行状态的监控效率，缩短对电力通信网络运行状态监控的延时的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的基于深度学习的电力通信网络运行状态监测方法的硬件环境的示意图；
图2是根据本发明实施例的基于深度学习的电力通信网络运行状态监测方法的流程图；
图3是根据本发明实施例的基于深度学习的电力通信网络运行状态监测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例，提供了一种基于深度学习的电力通信网络运行状态监测方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
可选地，在本实施例中，上述基于深度学习的电力通信网络运行状态监测方法可以应用于如图1所示的由服务器102和终端104所构成的硬件环境中。如图1所示，服务器102通过网络与终端104进行连接，上述网络包括但不限于：广域网、城域网或局域网，终端104并不限定于PC、手机、平板电脑等。本发明实施例的基于深度学习的电力通信网络运行状态监测方法可以由服务器102来执行，也可以由终端104来执行，还可以是由服务器102和终端104共同执行。其中，终端104执行本发明实施例的基于深度学习的电力通信网络运行状态监测方法也可以是由安装在其上的客户端来执行。
下面将对本发明实施例的基于深度学习的电力通信网络运行状态监测方法进行详细说明。
图2是根据本发明实施例的基于深度学习的电力通信网络运行状态监测方法的流程图，如图2所示，该方法包括如下步骤：
步骤S102，获取电力通信网络的通信数据，其中，通信数据至少包括：电力通信网络的拓扑结构、电力通信网络的业务数据、电力通信网络的故障信息；
步骤S104，根据预先训练好的电力通信网络模型获取通信数据所对应的电力通信网络的运行状态数据，其中，电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；
步骤S106，根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控。
通过上述步骤，通过获取电力通信网络的通信数据，其中，通信数据至少包括：电力通信网络的拓扑结构、电力通信网络的业务数据、电力通信网络的故障信息；根据预先训练好的电力通信网络模型获取通信数据所对应的电力通信网络的运行状态数据，其中，电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控，达到了及时高效对电力通信网络运行状态进行监控的目的，进而解决了相关技术采用人工巡检方式监控电力通信网络运行状态，导致监控效率较低且存在延时的技术问题，从而实现了提高对电力通信网络运行状态的监控效率，缩短对电力通信网络运行状态监控的延时的技术效果。
作为一种可选的实施例，本发明实施例可以通过创建用于获取电力通信网络的通信数据的接口，通过所创建的接口来获取电力通信网络的通信数据。可选地，通信数据至少可以包括：电力通信网络的拓扑结构、电力通信网络的业务数据、电力通信网络的故障信息，除此之外，通信数据还可以包括：电力通信网络中各个业务的相关数据、电力通信网络的物理和逻辑参数、对电力通信网络进行维护的相关数据等。
作为一种可选的实施例，根据预先训练好的电力通信网络模型获取通信数据所对应的电力通信网络的运行状态数据可以包括：根据预先训练好的电力通信网络模型确定通信数据所对应的电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况；根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控包括：根据电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况对电力通信网络的运行状态进行监控。
作为一种可选的实施例，在获取电力通信网络的通信数据之前，本发明实施例可以包括：获取电力通信网络的样本通信数据，及与样本通信数据对应的样本运行状态数据；利用样本通信数据与样本运行状态数据之间的对应关系对深度神经网络进行训练，得到电力通信网络模型，其中，在训练深度神经网络时，深度神经网络的输入参数为样本通信数据，深度神经网络的输出参数为样本运行状态数据。
作为一种可选的实施例，根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控可以包括：以集中传输网管为依托，根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控。
根据本发明实施例，还提供了一种基于深度学习的电力通信网络运行状态监测装置的装置实施例，需要说明的是，该基于深度学习的电力通信网络运行状态监测装置可以用于执行本发明实施例中的基于深度学习的电力通信网络运行状态监测方法，也即本发明实施例中的基于深度学习的电力通信网络运行状态监测方法可以在该基于深度学习的电力通信网络运行状态监测装置中执行。
图3是根据本发明实施例的基于深度学习的电力通信网络运行状态监测装置的示意图，如图3所示，该装置可以包括：
第一获取模块32，用于获取电力通信网络的通信数据，其中，通信数据至少包括：电力通信网络的拓扑结构、电力通信网络的业务数据、电力通信网络的故障信息；第二获取模块34，用于根据预先训练好的电力通信网络模型获取通信数据所对应的电力通信网络的运行状态数据，其中，电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；监控模块36，用于根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控。
需要说明的是，该实施例中的第一获取模块32可以用于执行本发明实施例中的步骤S102，该实施例中的第二获取模块34可以用于执行本发明实施例中的步骤S104，该实施例中的监控模块36可以用于执行本发明实施例中的步骤S106。上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例所公开的内容。
可选地，第二获取模块34可以用于：根据预先训练好的电力通信网络模型确定通信数据所对应的电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况；监控模块用于：根据电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况对电力通信网络的运行状态进行监控。
可选地，该装置还可以包括：第三获取模块，用于在获取电力通信网络的通信数据之前，获取电力通信网络的样本通信数据，及与样本通信数据对应的样本运行状态数据；训练模块，用于利用样本通信数据与样本运行状态数据之间的对应关系对深度神经网络进行训练，得到电力通信网络模型，其中，在训练深度神经网络时，深度神经网络的输入参数为样本通信数据，深度神经网络的输出参数为样本运行状态数据。
可选地，监控模块36可以用于：以集中传输网管为依托，根据电力通信网络的运行状态数据对电力通信网络的运行状态进行监控。
为了实现上述目的，根据本发明的另一方面，本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述所述的基于深度学习的电力通信网络运行状态监测方法。
为了实现上述目的，根据本发明的另一方面，本发明实施例还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述所述的基于深度学习的电力通信网络运行状态监测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于深度学习的电力通信网络运行状态监测方法，其特征在于，包括：
获取电力通信网络的通信数据，其中，所述通信数据至少包括：所述电力通信网络的拓扑结构、所述电力通信网络的业务数据、所述电力通信网络的故障信息；
根据预先训练好的电力通信网络模型获取所述通信数据所对应的电力通信网络的运行状态数据，其中，所述电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；
根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控。
2.根据权利要求1所述的方法，其特征在于，
所述根据预先训练好的电力通信网络模型获取所述通信数据所对应的电力通信网络的运行状态数据包括：根据预先训练好的电力通信网络模型确定所述通信数据所对应的电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况；
所述根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控包括：根据所述电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况对所述电力通信网络的运行状态进行监控。
3.根据权利要求1所述的方法，其特征在于，在所述获取电力通信网络的通信数据之前，所述方法还包括：
获取所述电力通信网络的样本通信数据，及与所述样本通信数据对应的样本运行状态数据；
利用所述样本通信数据与所述样本运行状态数据之间的对应关系对深度神经网络进行训练，得到所述电力通信网络模型，其中，在训练所述深度神经网络时，所述深度神经网络的输入参数为所述样本通信数据，所述深度神经网络的输出参数为所述样本运行状态数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控包括：
以集中传输网管为依托，根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控。
5.一种基于深度学习的电力通信网络运行状态监测装置，其特征在于，包括：
第一获取模块，用于获取电力通信网络的通信数据，其中，所述通信数据至少包括：所述电力通信网络的拓扑结构、所述电力通信网络的业务数据、所述电力通信网络的故障信息；
第二获取模块，用于根据预先训练好的电力通信网络模型获取所述通信数据所对应的电力通信网络的运行状态数据，其中，所述电力通信网络模型用于指示电力通信网络的通信数据与电力通信网络的运行状态数据之间的对应关系；
监控模块，用于根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控。
6.根据权利要求5所述的装置，其特征在于，
所述第二获取模块用于：根据预先训练好的电力通信网络模型确定所述通信数据所对应的电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况；
所述监控模块用于：根据所述电力通信网络的调度运行情况、通信系统故障、通信设备投退运情况对所述电力通信网络的运行状态进行监控。
7.根据权利要求5所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于在所述获取电力通信网络的通信数据之前，获取所述电力通信网络的样本通信数据，及与所述样本通信数据对应的样本运行状态数据；
训练模块，用于利用所述样本通信数据与所述样本运行状态数据之间的对应关系对深度神经网络进行训练，得到所述电力通信网络模型，其中，在训练所述深度神经网络时，所述深度神经网络的输入参数为所述样本通信数据，所述深度神经网络的输出参数为所述样本运行状态数据。
8.根据权利要求5所述的装置，其特征在于，所述监控模块用于：
以集中传输网管为依托，根据所述电力通信网络的运行状态数据对所述电力通信网络的运行状态进行监控。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任一项所述的方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中任一项所述的方法。
CN201811548039.1A 2018-12-14 2018-12-14 基于深度学习的电力通信网络运行状态监测方法和装置 Pending CN111327487A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811548039.1A CN111327487A (zh) 2018-12-14 2018-12-14 基于深度学习的电力通信网络运行状态监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811548039.1A CN111327487A (zh) 2018-12-14 2018-12-14 基于深度学习的电力通信网络运行状态监测方法和装置

Publications (1)

Publication Number Publication Date
CN111327487A true CN111327487A (zh) 2020-06-23

Family

ID=71170657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811548039.1A Pending CN111327487A (zh) 2018-12-14 2018-12-14 基于深度学习的电力通信网络运行状态监测方法和装置

Country Status (1)

Country Link
CN (1) CN111327487A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132819A (zh) * 2020-09-29 2020-12-25 国网上海市电力公司 一种基于人工智能的通信网管监控方法
CN112612776A (zh) * 2020-12-17 2021-04-06 广西电网有限责任公司 电力通信网络通信规划数据库的构建方法、装置及计算机设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289682A (zh) * 2011-05-18 2011-12-21 华北电力大学 基于集成学习Bagging算法的变压器故障诊断方法
CN202872464U (zh) * 2012-09-20 2013-04-10 湖北省电力公司电力科学研究院 一种智能变电站二次网络测量与多模决策装置
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法
CN105225020A (zh) * 2015-11-11 2016-01-06 国家电网公司 一种基于bp神经网络算法的运行状态预测方法和系统
CN107124325A (zh) * 2017-03-10 2017-09-01 北京国电通网络技术有限公司 一种电力通信网运行安全评估方法及系统
CN107203816A (zh) * 2017-06-09 2017-09-26 珠海市鸿瑞软件技术有限公司 一种电力系统二次设备的故障检修方法及系统
US9800958B1 (en) * 2017-02-22 2017-10-24 Sense Labs, Inc. Training power models using network data
CN107995676A (zh) * 2017-11-24 2018-05-04 北京小米移动软件有限公司 终端控制方法及装置
CN108089099A (zh) * 2017-12-18 2018-05-29 广东电网有限责任公司佛山供电局 基于深度置信网络的配电网故障的诊断方法
CN108520472A (zh) * 2018-02-28 2018-09-11 北京邮电大学 一种处理电力系统数据的方法、装置及电子设备

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289682A (zh) * 2011-05-18 2011-12-21 华北电力大学 基于集成学习Bagging算法的变压器故障诊断方法
CN202872464U (zh) * 2012-09-20 2013-04-10 湖北省电力公司电力科学研究院 一种智能变电站二次网络测量与多模决策装置
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法
CN105225020A (zh) * 2015-11-11 2016-01-06 国家电网公司 一种基于bp神经网络算法的运行状态预测方法和系统
US9800958B1 (en) * 2017-02-22 2017-10-24 Sense Labs, Inc. Training power models using network data
CN107124325A (zh) * 2017-03-10 2017-09-01 北京国电通网络技术有限公司 一种电力通信网运行安全评估方法及系统
CN107203816A (zh) * 2017-06-09 2017-09-26 珠海市鸿瑞软件技术有限公司 一种电力系统二次设备的故障检修方法及系统
CN107995676A (zh) * 2017-11-24 2018-05-04 北京小米移动软件有限公司 终端控制方法及装置
CN108089099A (zh) * 2017-12-18 2018-05-29 广东电网有限责任公司佛山供电局 基于深度置信网络的配电网故障的诊断方法
CN108520472A (zh) * 2018-02-28 2018-09-11 北京邮电大学 一种处理电力系统数据的方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132819A (zh) * 2020-09-29 2020-12-25 国网上海市电力公司 一种基于人工智能的通信网管监控方法
CN112612776A (zh) * 2020-12-17 2021-04-06 广西电网有限责任公司 电力通信网络通信规划数据库的构建方法、装置及计算机设备

Similar Documents

Publication Publication Date Title
US20230385170A1 (en) Systems and methods for collecting, tracking, and storing system performance and event data for computing devices
US20190026344A1 (en) Application Recommending Method and System, and Server
CN106997314B (zh) 用于分布式系统的异常处理方法、装置及系统
CN106569920B (zh) 数据库备份方法及装置
CN105227347A (zh) 一种通用的运维监控方法及运维监控系统
CN108459944A (zh) 系统运行监控方法、装置及服务器
CN111327487A (zh) 基于深度学习的电力通信网络运行状态监测方法和装置
CN111324504B (zh) 电力通信网络运行状态监测方法和装置
CN108270753B (zh) 注销用户账号的方法及装置
CN104346410A (zh) 一种终端设备的监控方法及设备
CN105827300A (zh) 中继装置以及数据通信系统
CN113487182B (zh) 设备健康状态评估方法、装置、计算机设备和介质
CN110198230B (zh) 应用的监控方法、装置、存储介质和电子装置
CN111062503B (zh) 一种电网监控告警处理方法、系统、终端及存储介质
CN107147698B (zh) 智能开关的远程控制系统、方法和装置
CN110598797B (zh) 故障的检测方法及装置、存储介质和电子装置
CN112911624B (zh) 一种电子设备的网络连接方法和装置
CN109062758A (zh) 一种服务器系统宕机处理方法、系统、介质及设备
CN110611604A (zh) 局域网设备评估处理方法及装置
CN108563441B (zh) 电力监控平台生成方法及装置
CN110430093B (zh) 一种数据处理方法、装置及计算机可读存储介质
CN112863144A (zh) 一种环境预警方法及装置
CN103902428A (zh) 一种应用管理方法、装置及移动设备
CN111178739A (zh) 变电站运行状态的评估方法及装置
CN117241305A (zh) 一种数据监测方法、装置、电子设备及可读存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200623