CN111898674A - 网络故障定位模型训练、识别方法、装置、设备及介质 - Google Patents
网络故障定位模型训练、识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111898674A CN111898674A CN202010745737.1A CN202010745737A CN111898674A CN 111898674 A CN111898674 A CN 111898674A CN 202010745737 A CN202010745737 A CN 202010745737A CN 111898674 A CN111898674 A CN 111898674A
- Authority
- CN
- China
- Prior art keywords
- network fault
- network
- information
- original
- training
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 61
- 238000004590 computer program Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 16
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 21
- 230000005856 abnormality Effects 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种网络故障定位模型训练、识别方法、装置、设备及介质,该方法包括通过朴素贝叶斯定理对历史网络故障信息进行处理,获取网络故障训练样本,然后通过原始自动编码器对每一网络故障训练样本中的网络故障特征信息进行处理,获取有效自动编码器,并对有效自动编码器进行堆叠处理,获取栈式自编码神经网络;通过无监督学习法对栈式自编码神经网络进行处理,获取原始网络故障定位模型;最后基于网络故障训练样本中的网络故障标签,通过BP算法对原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型,以精确且快速地定位智能变电站中发生网络故障的位置,提高智能变电站中通信网络的运维效率,保障智能变电站的通信安全。
Description
技术领域
本发明属于智能变电站网络检测技术领域,特别涉及一种网络故障定位模型训练、识别方法、装置、设备及介质。
背景技术
智能变电站是一种可以自动完成信息采集、测量、控制、保护、计量和检测等基本功能,同时,又可以支持电网实时自动控制、智能调节、在线分析决策和协同互动等高级功能的变电站。
随着变电站自动化程度地不断提高,智能变电站中的通信设备数量急剧攀升,网络拓扑结构更为复杂,当智能变电站中的通信网络发生故障时,目前的网络故障检测方法无法快速且精确地定位智能变电站中发生网络故障的位置,严重影响了智能变电站中通信网络的运维效率,无法保障智能变电站的通信安全。
发明内容
本发明的目的在于提供一种网络故障定位模型训练、识别方法、装置、设备及介质,以解决现有技术无法快速且精确地定位智能变电站中发生网络故障位置的技术问题。
为了实现上述目的,本发明采用如下技术方案:
一种网络故障定位模型训练方法,包括:
获取智能变电站的历史网络故障信息,通过朴素贝叶斯定理对所述历史网络故障信息进行处理,获取网络故障训练样本,每一所述网络故障训练样本包括网络故障特征信息和网络故障标签;
通过原始自动编码器对所述网络故障特征信息进行处理,获取有效自动编码器;
将所有所述有效自动编码器进行堆叠处理,获取栈式自编码神经网络;
通过无监督学习法对所述栈式自编码神经网络进行处理,并从处理后的所述栈式自编码神经网络中,选取最后一个有效自动编码器与分类器连接,获取原始网络故障定位模型;
基于所述网络故障标签,通过BP算法对所述原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型。
进一步地,所述通过原始自动编码器对所述网络故障特征信息进行处理,获取有效自动编码器,包括:
通过所述原始自动编码器中的自动编码函数对所述网络故障特征信息进行编码处理,获取编码数据;
通过解码函数对所述编码数据进行解码处理,获取解码数据;
基于所述网络故障特征信息和所述解码数据,构建原始损失函数;
对所述原始损失函数进行稀疏处理,获取有效损失函数,基于所述有效损失函数对所述原始自动编码器中的参数进行调整,获取有效自动编码器。
进一步地,所述自动编码函数具体为:y(xi)=fθ(xi)=σ(Wxi+b),其中,xi为第i个网络故障特征信息,y(xi)为第i个网络故障特征信息对应的编码数据,σ为编码非线性激活函数;W为权值矩阵;b为偏置向量;θ={W,b}为编码过程中的参数集合。
进一步地,所述有效函数具体为:其中,M为网络故障训练样本的个数,m为隐藏层神经元的个数;β为稀疏性惩罚因子;ρ为平均活跃度的目标值,一般取0.05;ρj为第j个隐藏层神经元的平均活跃度;KL(ρ||ρj)为实际平均活跃度与目标值间的差异,当ρj和ρ的差距越小,KL(ρ||ρj)越小,当ρj=ρ时,KL(ρ||ρj)=0,其中,
一种网络故障定位识别方法,包括:
获取网络故障告警信号,当所述网络故障告警信号的数量达到预设数量,则获取待测网络故障信息;
将所述待测网络故障信息输入到所述目标网络故障定位模型中,获取网络故障位置。
一种网络故障定位模型训练装置,包括:
网络故障训练样本获取模块,用于获取历史网络故障信息,通过朴素贝叶斯定理对所述历史网络故障信息进行处理,获取网络故障训练样本,每一所述网络故障训练样本包括网络故障特征信息和网络故障标签;
有效自动编码器获取模块,用于通过原始自动编码器对所述网络故障特征信息进行处理,获取有效自动编码器;
栈式自编码神经网络获取模块,用于将所有所述有效自动编码器进行堆叠处理,获取栈式自编码神经网络;
原始网络故障定位模型获取模块,用于通过无监督学习法对所述栈式自编码神经网络进行处理,并从处理后的所述栈式自编码神经网络中,选取最后一个有效自动编码器与分类器连接,获取原始网络故障定位模型;
目标网络故障定位模型获取模块,用于基于所述网络故障标签,通过BP算法对所述原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型。
一种网络故障定位识别装置,包括:
待测网络故障信息获取模块,用于获取网络故障告警信号,当所述网络故障告警信号的数量达到预设数量,则获取待测网络故障信息;
网络故障位置获取模块,用于将所述待测网络故障信息输入到所述目标网络故障定位模型中,获取网络故障位置。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述网络故障定位模型训练方法,或者,所述处理器执行所述计算机程序时实现上述网络故障定位识别方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述网络故障定位模型训练方法,或者,所述计算机程序被处理器执行时实现上述网络故障定位识别方法。
相对于现有技术,本发明具有以下有益效果:
本发明通过获取历史网络故障信息,通过朴素贝叶斯定理对历史网络故障信息进行处理,获取网络故障训练样本,然后通过原始自动编码器对每一网络故障训练样本中的网络故障特征信息进行处理,获取有效自动编码器;将所有有效自动编码器进行堆叠处理,获取栈式自编码神经网络;通过无监督学习法对栈式自编码神经网络进行处理,并从处理后的栈式自编码神经网络中,选取最后一个有效自动编码器与分类器连接,获取原始网络故障定位模型;最后基于网络故障训练样本中的网络故障标签,通过BP算法对原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型,以精确且快速地定位智能变电站中发生网络故障的位置,提高智能变电站中通信网络的运维效率,保障智能变电站的通信安全。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明网络故障定位模型训练方法的流程图。
图2为图1中步骤S20的一具体流程图。
图3为本发明网络故障定位识别方法的流程图。
图4本发明网络故障定位模型训练装置的结构示意图。
图5本发明网络故障定位识别装置的结构示意图。
图6是本发明数计算机设备的一示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
本发明提供一种网络故障定位模型训练方法,该方法可应用于不同计算机设备中,该计算机设备包括但不限于各种个人计算机、笔记本电脑、智能手机和平板电脑。
如图1所示,本发明提供一种网络故障定位模型训练方法,包括如下步骤:
S10:获取历史网络故障信息,通过朴素贝叶斯定理对历史网络故障信息进行处理,获取网络故障训练样本,每一网络故障训练样本包括网络故障特征信息和网络故障标签。
其中,历史网络故障信息智能变电站的通信网络已经发生的故障信息,包括基于信宿设备的异常告警信息和基于交换机的异常告警信息。具体为:Xi={DesXi,MidXi},i=1,2,…Nsum,其中,Xi表示发生第i个历史网络故障信息的特征信息集,DesXi指基于信宿设备的异常告警信息的特征信息子集,MidXi指基于交换机的异常告警信息的特征信息子集;Nsum为历史网络故障信息的特征信息集的个数。
其中,基于信宿设备的异常告警信息DesXi指信宿设备订阅的报文无法正常接收或者信宿设备自身异常的告警信息。具体地,当外部链路故障或中间转发设备故障时,信宿设备订阅的部分报文将无法正常接收,此时监测节点发出报文接收异常的告警信息;当二次设备自身端口故障时,除无法正常接收其订阅的部分报文外,该发生故障的二次设备自身发出装置异常告警,此时的监测节点发出报文接收异常的告警信息和信宿设备异常的告警信息。具体为:
其中,A、B、C和D分别为合并单元、保护装置、智能终端和测控装置,MUj指第j台合并单元异常的告警信息,包括合并单元的装置异常的告警信息和报文jM接收异常的告警信息Pk指第k台保护装置异常的告警信息,包括保护装置的装置异常的告警信息和报文kM接收异常的告警信息ITg指第g台智能终端的告警信息和装置异常的告警信息,包括智能终端的装置异常告警和报文gM接收异常告警MCn指第n台测控装置异常的告警信息,包括测控装置的装置异常告警和报文nM接收异常告警例如实际运行过程中合并单元MUj无法收到其订阅的报文j1,则位于MUj的监测节点发出报文j1接收异常的告警信息此时反之若合并单元MUj自检异常,则监测节点转发合并单元的装置异常的告警信息,此时否则
基于交换机的异常告警信息MidXi指当通信网络中出现故障,流经交换机的部分GOOSE/SV报文流量将会急剧下降,此时部署在交换机的监测节点将会迅速发出报文流量异常的告警信号;此外,安装在智能变电站中的交换机普遍具备当电源断电或故障时提供告警硬接点输出的功能,因此若交换机自身出现故障,监测节点将会发出交换机异常的告警信号。具体为:
其中,N为通信网络中交换机的总数;Sc指第c台交换机异常的告警信息,包括交换机的装置异常的告警信息和交换机端口j的流量异常的告警信息Portj,交换机端口j的流量异常的告警信息Portj中包括m条报文流量异常的告警信息Flowm。例如经交换机端口j接收的第k条报文流量过低,则交换机监测节点发出报文流量异常的告警信息,此时,Portj中的Flowk=1,若未发现流量异常,则Flowk=0。若Sc自检异常,则监测节点转发交换机异常的告警信息,此时,否则
具体地,由于实际运行环境中部分设备的可靠性较高,历史网络故障信息积累的数量极少,仅依靠历史网络故障信息形成的数据库难以支撑对网络故障定位模型训练的训练和测试。因此,除了已有的历史网络故障信息外,还需要通过朴素贝叶斯定理对历史网络故障信息进行处理,将后验概率最大的输出作为网络故障训练样本,以提高训练样本的数量。进一步地,每一网络故障训练样本包括网络故障特征信息和网络故障标签。其中,网络故障特征信息指具体的某一网络故障信息,包括但不限于上述合并单元、保护装置、智能终端和测控装置异常的告警信息和交换机异常的告警信息。网络故障标签指用于标识网络故障的标签,包括合并单元故障、保护装置故障、智能终端故障、测控装置故障和交换机故障。
S20:通过原始自动编码器对网络故障特征信息进行处理,获取有效自动编码器。
其中,原始自动编码器指对获取的自动编码器进行初始化之后的自动编码器。
具体地,在获取网络故障训练样本后,将网络故障训练样本中的网络故障特征信息输入到原始自动编码器中,对原始自动编码器中的偏置向量和权值进行调整,获取有效自动编码器。其中,有效自动编码器指偏置向量和权值经过调整后的自动编码器。
S30:将所有有效自动编码器进行堆叠处理,获取栈式自编码神经网络。
具体地,由于AE仅为浅层网络,难以实现对智能变电站中发生网络故障的位置进行准确定位,因此,将多个有效自动编码器进行堆叠,形成栈式自编码神经网络。
40:通过无监督学习法对栈式自编码神经网络进行处理,并从处理后的栈式自编码神经网络中,选取最后一个有效自动编码器与分类器连接,获取原始网络故障定位模型。
其中,原始网络故障定位模型指栈式自编码神经网络的最后一个有效自动编码器与分类器连接之后形成的模型。
S50:基于网络故障标签,通过BP算法对原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型。
具体地,在获取原始网络故障定位模型后,根据网络故障标签,通过BP算法对原始网络故障定位模型中的偏置向量和权重进行调整,并通过预先设置的测试集对调整后的原始网络故障定位模型进行验证,若验证通过,则将调整后的原始网络故障定位模型获取目标网络故障定位模型。其中,目标网络故障定位模型指对原始网络故障定位模型中的偏置向量和权重进行调整后的模型。通过获取目标网络故障定位模型,可以精确且快速地定位智能变电站中发生网络故障的位置。
如图2所示,进一步地,步骤S20,通过原始自动编码器对网络故障特征信息进行处理,获取有效自动编码器,具体包括如下步骤:
S21:通过原始自动编码器中的自动编码函数对网络故障特征信息进行编码处理,获取编码数据。
进一步地,自动编码函数具体为:
y(xi)=fθ(xi)=σ(Wxi+b),其中,xi为网络故障训练样本中第i个网络故障特征信息,y(xi)为第i个网络故障特征信息对应的编码数据,σ为编码非线性激活函数。W为权值矩阵。b为偏置向量。θ={W,b}为编码过程中的参数集合。
S22:通过解码函数对编码数据进行解码处理,获取解码数据。
进一步地,自动解码函数具体为:
S23:基于网络故障特征信息和解码数据,构建原始损失函数。
其中,原始损失函数指原始自动编码器通过网络故障特征信息和解码数据构建的损失函数。
S24:对原始损失函数进行稀疏处理,获取有效损失函数,基于有效损失函数对原始自动编码器中的参数进行调整,获取有效自动编码器。
具体地,为了使原始自动编码器在隐含层神经元数量较多的情况下可以有效提取输入的网络故障训练样本的网络故障特征信息,在隐含层中加入稀疏性限制,即让大部分隐含层神经元处于“抑制”状态。
进一步地,有效函数具体为:
其中,M为网络故障训练样本的个数,m为隐藏层神经元的个数。β为稀疏性惩罚因子。ρ为平均活跃度的目标值,一般取0.05。ρj为第j个隐藏层神经元的平均活跃度。KL(ρ||ρj)为实际平均活跃度与目标值间的差异,当ρj和ρ的差距越小,KL(ρ||ρj)越小,当ρj=ρ时,KL(ρ||ρj)=0,其中,
本发明提供的网络故障定位模型训练方法,通过获取历史网络故障信息,通过朴素贝叶斯定理对历史网络故障信息进行处理,获取网络故障训练样本,然后通过原始自动编码器对每一网络故障训练样本中的网络故障特征信息进行处理,获取有效自动编码器;将所有有效自动编码器进行堆叠处理,获取栈式自编码神经网络;通过无监督学习法对栈式自编码神经网络进行处理,并从处理后的栈式自编码神经网络中,选取最后一个有效自动编码器与分类器连接,获取原始网络故障定位模型;最后基于网络故障训练样本中的网络故障标签,通过BP算法对原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型,以精确且快速地定位智能变电站中发生网络故障的位置,提高智能变电站中通信网络的运维效率,保障智能变电站的通信安全。
如图3所示,本发明还提供一种网络故障定位识别方法,包括如下步骤:
S60:获取网络故障告警信号,当网络故障告警信号的数量达到预设数量,则获取待测网络故障信息。
其中,网络告警信号指智能变电站的通信网络发生故障生成的告警信号。
具体地,为排除少量网络故障信息的干扰,本实施例中设置了预设数量对网络故障告警信号的数量进行判断,当网络故障告警信号的数量达到预设数量,则表示需要使用目标网络故障定位模型对网络告警信号对应的网络故障信息进行准确定位,计算机设备获取故障告警信号对应的网络故障信息,即待测网络故障信息。其中,预设数量指用于判断网络故障告警信号的数量是否达到需要通过目标网络故障定位模型进行位置定位的值,本实施例中的预设数量设置为历史故障时刻对应的网络故障信息总数的最小值。
S70:将待测网络故障信息输入到上述目标网络故障定位模型中,获取网络故障位置。
具体地,在获取待测网络故障信息后,将待测网络故障信息输入到上述目标网络故障定位模型中,目标网络故障定位模型对待测网络故障信息进行判断,输出待测网络故障信息对应的网络故障位置,提高网络故障位置的准确性和确定效率。
本发明提供的网络故障定位识别方法,通过获取网络故障告警信号,当网络故障告警信号的数量达到预设数量,则获取待测网络故障信息,并将待测网络故障信息输入到上述目标网络故障定位模型中,获取网络故障位置,提高网络故障位置的准确性和确定效率,以提高智能变电站中通信网络的运维效率,保障智能变电站的通信安全。
实施例2
如图4所示,本实施例与实施例1的区别在于,一种网络故障定位模型训练装置,包括:
网络故障训练样本获取模块10,用于获取历史网络故障信息,通过朴素贝叶斯定理对历史网络故障信息进行处理,获取网络故障训练样本,每一网络故障训练样本包括网络故障特征信息和网络故障标签;
有效自动编码器获取模块20,用于通过原始自动编码器对网络故障特征信息进行处理,获取有效自动编码器;
栈式自编码神经网络获取模块30,用于将所有有效自动编码器进行堆叠处理,获取栈式自编码神经网络;
原始网络故障定位模型获取模块40,用于通过无监督学习法对栈式自编码神经网络进行处理,并从处理后的栈式自编码神经网络中,选取最后一个有效自动编码器与分类器连接,获取原始网络故障定位模型;
目标网络故障定位模型获取模块50,用于基于网络故障标签,通过BP算法对原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型。
进一步地,有效自动编码器获取模块20包括编码数据获取单元、解码数据获取单元、原始损失函数构建单元和有效自动编码器获取单元。
编码数据获取单元,用于通过原始自动编码器中的自动编码函数对网络故障特征信息进行编码处理,获取编码数据;
解码数据获取单元,用于通过解码函数对编码数据进行解码处理,获取解码数据;
原始损失函数构建单元,用于基于网络故障特征信息和解码数据,构建原始损失函数;
有效自动编码器获取单元,用于对原始损失函数进行稀疏处理,获取有效损失函数,基于有效损失函数对原始自动编码器中的参数进行调整,获取有效自动编码器。
进一步地,自动编码函数具体为:y(xi)=fθ(xi)=σ(Wxi+b),其中,xi为第i个网络故障特征信息,y(xi)为第i个网络故障特征信息对应的编码数据,σ为编码非线性激活函数;W为权值矩阵;b为偏置向量;θ={W,b}为编码过程中的参数集合。
进一步地,有效函数具体为:其中,M为网络故障训练样本的个数,m为隐藏层神经元的个数;β为稀疏性惩罚因子;ρ为平均活跃度的目标值,一般取0.05;ρj为第j个隐藏层神经元的平均活跃度;KL(ρ||ρj)为实际平均活跃度与目标值间的差异,当ρj和ρ的差距越小,KL(ρ||ρj)越小,当ρj=ρ时,KL(ρ||ρj)=0,其中,
关于网络故障定位模型训练的具体限定可以参见上文中对于网络故障定位模型训练方法的限定,在此不再赘述。上述网络故障定位模型训练中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
如图5所示,本实施例与实施例1的区别在于,一种网络故障定位识别装置,包括:
待测网络故障信息获取模块60,用于获取网络故障告警信号,当网络故障告警信号的数量达到预设数量,则获取待测网络故障信息;
网络故障位置获取模块70,用于将待测网络故障信息输入到目标网络故障定位模型中,获取网络故障位置。
关于网络故障定位识别的具体限定可以参见上文中对于网络故障定位识别方法的限定,在此不再赘述。上述网络故障定位识别中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例3
本实施例提供一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括计算机可读存储介质、内存储器。该计算机可读存储介质存储有操作系统、计算机程序和数据库。该内存储器为计算机可读存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储网络故障定位模型训练方法或网络故障定位识别方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网络故障定位模型训练方法,或者,该计算机程序被处理器执行时以实现一种网络故障定位识别方法。
本实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中网络故障定位模型训练方法的步骤,例如图1所示的步骤S10至步骤S50。或者,处理器执行计算机程序时实现上述实施例中网络故障定位识别方法的步骤,例如图3所示的步骤S60至步骤S70。或者,处理器执行计算机程序时实现上述实施例中网络故障定位模型训练装置的各模块/单元的功能,例如图4所示模块10至模块50的功能。为避免重复,这里不再赘述。或者,处理器执行计算机程序时实现上述实施例中网络故障定位识别装置的各模块/单元的功能,例如图5所示模块60至模块70的功能。为避免重复,这里不再赘述。
实施例4
本实施例,提供一计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中网络故障定位模型训练方法的步骤,例如图1所示的步骤S10-S50,或者,图2所示的步骤,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述实施例中网络故障定位识别方法的步骤,例如图3所示的步骤S60-S70,为避免重复,这里不再赘述。或者,处理器执行计算机程序时实现网络故障定位模型训练装置这一实施例中的各模块/单元的功能,例如图4所示的模块10至模块50的功能。为避免重复,这里不再赘述。或者,处理器执行计算机程序时实现网络故障定位识别装置这一实施例中的各模块/单元的功能,例如图5所示的模块60至模块70的功能。为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种网络故障定位模型训练方法,其特征在于,包括:
获取智能变电站的历史网络故障信息,通过朴素贝叶斯定理对所述历史网络故障信息进行处理,获取网络故障训练样本,每一所述网络故障训练样本包括网络故障特征信息和网络故障标签;
通过原始自动编码器对所述网络故障特征信息进行处理,获取有效自动编码器;
将所有所述有效自动编码器进行堆叠处理,获取栈式自编码神经网络;
通过无监督学习法对所述栈式自编码神经网络进行处理,并从处理后的所述栈式自编码神经网络中,选取最后一个有效自动编码器与分类器连接,获取原始网络故障定位模型;
基于所述网络故障标签,通过BP算法对所述原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型。
2.根据权利要求1所述的一种网络故障定位模型训练方法,其特征在于,所述通过原始自动编码器对所述网络故障特征信息进行处理,获取有效自动编码器,具体包括:
通过所述原始自动编码器中的自动编码函数对所述网络故障特征信息进行编码处理,获取编码数据;
通过解码函数对所述编码数据进行解码处理,获取解码数据;
基于所述网络故障特征信息和所述解码数据,构建原始损失函数;
对所述原始损失函数进行稀疏处理,获取有效损失函数,基于所述有效损失函数对所述原始自动编码器中的参数进行调整,获取有效自动编码器。
3.根据权利要求2所述的一种网络故障定位模型训练方法,其特征在于,所述自动编码函数具体为:
y(xi)=fθ(xi)=σ(Wxi+b),其中,xi为第i个网络故障特征信息,y(xi)为第i个网络故障特征信息对应的编码数据,σ为编码非线性激活函数;W为权值矩阵;b为偏置向量;θ={W,b}为编码过程中的参数集合。
6.一种网络故障定位识别方法,其特征在于,包括:
获取网络故障告警信号,当所述网络故障告警信号的数量达到预设数量,则获取待测网络故障信息;
将所述待测网络故障信息输入到权利要求1至5中任一项所述的一种网络故障定位模型训练方法训练获得的目标网络故障定位模型中,获取网络故障位置。
7.一种网络故障定位模型训练装置,其特征在于,包括:
网络故障训练样本获取模块,用于获取智能变电站的历史网络故障信息,通过朴素贝叶斯定理对所述历史网络故障信息进行处理,获取网络故障训练样本,每一所述网络故障训练样本包括网络故障特征信息和网络故障标签;
有效自动编码器获取模块,用于通过原始自动编码器对所述网络故障特征信息进行处理,获取有效自动编码器;
栈式自编码神经网络获取模块,用于将所有所述有效自动编码器进行堆叠处理,获取栈式自编码神经网络;
原始网络故障定位模型获取模块,用于通过无监督学习法对所述栈式自编码神经网络进行处理,并从处理后的所述栈式自编码神经网络中,选取最后一个有效自动编码器与分类器连接,获取原始网络故障定位模型;
目标网络故障定位模型获取模块,用于基于所述网络故障标签,通过BP算法对所述原始网络故障定位模型中的参数进行调整,获取目标网络故障定位模型。
8.一种网络故障定位识别装置,其特征在于,包括:
待测网络故障信息获取模块,用于获取网络故障告警信号,当所述网络故障告警信号的数量达到预设数量,则获取待测网络故障信息;
网络故障位置获取模块,用于将所述待测网络故障信息输入到权利要求1至5中任一项所述的一种网络故障定位模型训练方法训练获得的目标网络故障定位模型中,获取网络故障位置。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5任一项所述网络故障定位模型训练方法,或者,所述处理器执行所述计算机程序时实现权利要求6所述网络故障定位识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5任一项所述网络故障定位模型训练方法,或者,所述计算机程序被处理器执行时实现权利要求6所述网络故障定位识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010745737.1A CN111898674A (zh) | 2020-07-29 | 2020-07-29 | 网络故障定位模型训练、识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010745737.1A CN111898674A (zh) | 2020-07-29 | 2020-07-29 | 网络故障定位模型训练、识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111898674A true CN111898674A (zh) | 2020-11-06 |
Family
ID=73182651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010745737.1A Pending CN111898674A (zh) | 2020-07-29 | 2020-07-29 | 网络故障定位模型训练、识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898674A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112510699A (zh) * | 2020-11-25 | 2021-03-16 | 国网湖北省电力有限公司咸宁供电公司 | 一种基于大数据的变电站二次设备状态分析方法及设备 |
CN112989522A (zh) * | 2021-05-10 | 2021-06-18 | 创新奇智(成都)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239437A (zh) * | 2014-08-28 | 2014-12-24 | 国家电网公司 | 一种面向电网调度的智能告警分析方法 |
CN104363106A (zh) * | 2014-10-09 | 2015-02-18 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于大数据技术的电力信息通信故障预警分析方法 |
CN105913126A (zh) * | 2016-03-25 | 2016-08-31 | 北京用尚科技股份有限公司 | 一种面向大数据和云环境的变电站智能告警模型方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
-
2020
- 2020-07-29 CN CN202010745737.1A patent/CN111898674A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239437A (zh) * | 2014-08-28 | 2014-12-24 | 国家电网公司 | 一种面向电网调度的智能告警分析方法 |
CN104363106A (zh) * | 2014-10-09 | 2015-02-18 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于大数据技术的电力信息通信故障预警分析方法 |
CN105913126A (zh) * | 2016-03-25 | 2016-08-31 | 北京用尚科技股份有限公司 | 一种面向大数据和云环境的变电站智能告警模型方法 |
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
Non-Patent Citations (3)
Title |
---|
仲志丹 等: "基于稀疏自编码神经网络的抽油机井故障诊断", 《西安科技大学学报》 * |
张朝龙 等: "基于深度学习的电力变压器智能故障诊断方法", 《电子测量与仪器学报》 * |
许倩文 等: "栈式降噪自编码网络在变压器故障诊断中的应用", 《电测与仪表》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112510699A (zh) * | 2020-11-25 | 2021-03-16 | 国网湖北省电力有限公司咸宁供电公司 | 一种基于大数据的变电站二次设备状态分析方法及设备 |
CN112989522A (zh) * | 2021-05-10 | 2021-06-18 | 创新奇智(成都)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
CN112989522B (zh) * | 2021-05-10 | 2021-07-30 | 创新奇智(成都)科技有限公司 | 模型训练方法、故障预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110086649B (zh) | 异常流量的检测方法、装置、计算机设备及存储介质 | |
CN111898674A (zh) | 网络故障定位模型训练、识别方法、装置、设备及介质 | |
CN110348150B (zh) | 一种基于相关概率模型的故障检测方法 | |
CN112611936B (zh) | 一种基于边缘计算的配网变压器故障动态检测与分类系统 | |
CN112732536A (zh) | 数据监控告警方法、装置、计算机设备及存储介质 | |
CN109375609B (zh) | 异常攻击的检测方法及装置 | |
CN109697570B (zh) | 变电站二次设备状态评估方法、系统及设备 | |
CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
CN108919044B (zh) | 一种基于互校验机制的单元制配电网故障主动识别方法 | |
CN112485597A (zh) | 基于多源数据的电力系统输电线路故障诊断方法及系统 | |
CN116125204A (zh) | 一种基于电网数字化的故障预测系统 | |
CN117031182B (zh) | 配电站所终端遥测值异常检测方法及系统 | |
CN113758652A (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN115762059A (zh) | 智能防汛预警方法、装置、存储介质及电子设备 | |
CN115146727A (zh) | 一种智能用电系统故障检测方法及系统 | |
CN115327436A (zh) | 一种基于复合统计量的配电网短路故障诊断方法 | |
Vafeiadis et al. | Early malfunction diagnosis of industrial process units utilizing online linear trend profiles and real‐time classification | |
Wang et al. | Improved Anomaly Detection and Localization Using Whitening-Enhanced Autoencoders | |
CN113949163A (zh) | 一种将大数据应用于智能电网的异常监测系统 | |
CN113642244A (zh) | 一种基于人工智能的电力计量设备故障预测方法 | |
CN112737120A (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
Zhu et al. | Power system short‐term voltage stability assessment based on improved CatBoost with consideration of model confidence |
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 |
Application publication date: 20201106 |
|
RJ01 | Rejection of invention patent application after publication |