CN113473514A - 电力无线专网故障诊断模型训练方法、诊断方法及装置 - Google Patents

电力无线专网故障诊断模型训练方法、诊断方法及装置 Download PDF

Info

Publication number
CN113473514A
CN113473514A CN202111040303.2A CN202111040303A CN113473514A CN 113473514 A CN113473514 A CN 113473514A CN 202111040303 A CN202111040303 A CN 202111040303A CN 113473514 A CN113473514 A CN 113473514A
Authority
CN
China
Prior art keywords
key performance
fault
value
probability density
fault diagnosis
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
CN202111040303.2A
Other languages
English (en)
Other versions
CN113473514B (zh
Inventor
丁正阳
汪大洋
李沛
戴勇
江凇
李伟
贾平
宋江
赵金城
柳旭
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.)
Nanjing Fengqianrui Intelligent Technology Co ltd
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nanjing Fengqianrui Intelligent Technology Co ltd
Information and Telecommunication Branch of State Grid Jiangsu 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 Nanjing Fengqianrui Intelligent Technology Co ltd, Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical Nanjing Fengqianrui Intelligent Technology Co ltd
Priority to CN202111040303.2A priority Critical patent/CN113473514B/zh
Publication of CN113473514A publication Critical patent/CN113473514A/zh
Application granted granted Critical
Publication of CN113473514B publication Critical patent/CN113473514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • H04L41/0631—Management 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
    • 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
    • H04L41/0631—Management 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
    • H04L41/064—Management 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
    • 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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods

Abstract

本发明提供一种电力无线专网故障诊断模型训练方法、诊断方法及装置，所述故障诊断模型训练方法采集电力无线专网运行过程中的关键性能指标，以各关键性能指标对应的条件概率密度散度值为输入，以相应样本的故障类型为输出，对预设神经网络模型进行训练，建立关键性能指标条件概率函数与故障类型的映射关系，通过挖掘各关键性能指标采样参数的分布特征区分和识别电力无线专网的故障类型。进一步地，所述诊断方法中，通过设定长度的时间窗口不断采集各关键性能指标的数据，通过预训练得到的目标故障诊断模型进行故障检测和识别，能够极大降低对人工的依赖，同时提高故障诊断的效率和准确性。

Description

电力无线专网故障诊断模型训练方法、诊断方法及装置
技术领域
本发明涉及无线通络通信技术领域，尤其涉及一种电力无线专网故障诊断模型训练方法、诊断方法及装置。
背景技术
电力系统全环节实时平衡是整个系统稳定可靠运行的必要条件。随着高比例可再生能源消纳、高等级电压输电以及能源消费领域的电气化进程加速，源网荷一体化调节需求与日俱增，电力系统愈来愈依赖通信网络实现海量电力设施、机器与人的广泛互联，双向互动。
目前国内电网已经建成覆盖电厂、变电站、调度大楼的广域专用光纤网络，实现对电力系统枢纽节点的广泛互联。然而，配用电侧面临终端点多面广，继续采用光纤通信技术存在光缆敷设周期长、成本高的缺点，而国家及行业政策严格限制采用无线公网承载电网实时控制业务，因此有必要利用电力自有频率资源建设专用无线通信网络，实现配用电侧海量终端的灵活接入，并满足电网实时控制需求。大电网安全稳定控制需要通信网络具备极高的可靠可用性。电力系统通信网络承载了大量电网感知与控制信号，网络故障易引发电力信息物理系统连锁反应，严重时可能会导致电力系统发生不可预估事故。因此，需要对电力无线专网的运行状态进行实时检测与故障诊断。
目前针对电力无线专网的日常运维主要依赖于人工路测、专家诊断与网优工程师现场实施的方式，可以较好的模拟用户行为特征（如步行、驾驶汽车等移动状态）测试网络性能，但也面临路测成本高、故障诊断依赖人工判断耗时耗力等缺点。
发明内容
本发明实施例提供了一种电力无线专网故障诊断模型训练方法、诊断方法及装置，以消除或改善现有技术中存在的一个或更多个缺陷，解决电力无线专网故障检测诊断成本高、对人工判断依赖度高以及缺少自动故障诊断模型的问题。
为了解决上述技术问题，本发明的技术方案如下：
一方面，本发明提供一种电力无线专网故障诊断模型训练方法，包括：
获取多个电力无线专网的样本数据，每个样本数据包含一种故障状态下多种关键性能指标的多个采样数据，所述关键性能指标至少包括：参考信号接收功率、信号与干扰加噪声比、随机接入成功率和业务平均传输速率；所述故障状态至少包括：过覆盖、弱覆盖、接入故障和信号干扰；
对每个样本数据中各关键性能指标对应的采样数据计算条件概率密度散度值，并将每个样本数据中各关键性指标对应的条件概率密度散度值作为输入，将各样本对应的故障类型作为标签，构成训练样本集；
获取预设神经网络模型，并采用所述训练样本集对所述预设神经网络模型进行训练，得到目标故障诊断模型。
在一些实施例中，所述预设神经网络模型为脉冲神经网络，所述脉冲神经网络包括依次连接的输入层、设定数量个隐含层、输出层和softmax层。所述输入层和各隐含层通过线性函数连接，所述输出层为所述隐含层输出变量线性加权后的激活值，所述输出层采用的激活函数为sigmoid函数。
在一些实施例中，所述方法还包括：
通过设定长度的滑动时间窗口截取所述采样数据，并计算所述关键性能指标的概率密度函数；记所述关键性能指标为KPIn，n为KPI索引，所述参考信号接收功率、所述信号与干扰加噪声比、所述随机接入成功率和所述业务平均传输速率的索引值n依次为1、2、3和4，N为KPI种类；滑动时间窗口窗长为W，滑动步长为W-V，各采样时刻t采集到的KPIn的随机变量序列如下：
Figure 766339DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
为KPIn前一采样周期的后V个样本点，
Figure 965370DEST_PATH_IMAGE003
为本采样周期新增的W-V个样本点，记无故障、过覆盖、弱覆盖、接入能力恶化、干扰依次为
Figure DEST_PATH_IMAGE004
，在故障
Figure 899434DEST_PATH_IMAGE005
下KPIn的概率密度函数为
Figure DEST_PATH_IMAGE006
；
在故障下所述参考信号接收功率的条件概率密度散度值
Figure 579464DEST_PATH_IMAGE007
如下式：
Figure DEST_PATH_IMAGE008
；
其中，
Figure 754356DEST_PATH_IMAGE009
为所述参考信号接收功率的采样数据，参数
Figure DEST_PATH_IMAGE010
的极大似然估计值
Figure 59042DEST_PATH_IMAGE011
如下式：
Figure DEST_PATH_IMAGE012
；
其中，
Figure 935862DEST_PATH_IMAGE013
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长，为所述参考信号接收功率的随机变量；
在故障
Figure DEST_PATH_IMAGE014
下所述信号与干扰加噪声比的条件概率密度散度值
Figure 900143DEST_PATH_IMAGE015
如下式：
Figure DEST_PATH_IMAGE016
；
其中，
Figure 460700DEST_PATH_IMAGE017
为信号与干扰加噪声比的采样数据，参数
Figure DEST_PATH_IMAGE018
的极大似然估计值
Figure 733025DEST_PATH_IMAGE019
如下式：
Figure DEST_PATH_IMAGE020
；
其中，
Figure 910190DEST_PATH_IMAGE021
为所述信号与干扰加噪声比的随机变量，
Figure DEST_PATH_IMAGE022
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长；
在故障
Figure 24033DEST_PATH_IMAGE023
下所述随机接入成功率的条件概率密度散度值
Figure DEST_PATH_IMAGE024
如下式：
Figure 501413DEST_PATH_IMAGE025
；
其中，
Figure DEST_PATH_IMAGE026
为所述随机接入成功率的采样数据，
Figure 142043DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE028
为伽马函数，
Figure 134400DEST_PATH_IMAGE029
的最大似然估计值为随机接入成功次数；
Figure DEST_PATH_IMAGE030
的最大似然估计值为随机接入失败次数；
在故障
Figure 16381DEST_PATH_IMAGE031
下所述业务平均传输速率的条件概率密度散度值
Figure DEST_PATH_IMAGE032
如下式：
Figure 410585DEST_PATH_IMAGE033
；
其中，
Figure DEST_PATH_IMAGE034
为所述业务平均传输速率的采样数据，方差
Figure 499413DEST_PATH_IMAGE035
的极大似然估计
Figure DEST_PATH_IMAGE036
如下式：
Figure 447909DEST_PATH_IMAGE037
；
Figure DEST_PATH_IMAGE038
为均值
Figure 212209DEST_PATH_IMAGE039
的极大似然估计，如下式：
Figure DEST_PATH_IMAGE040
；
其中，
Figure 992077DEST_PATH_IMAGE041
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长，
Figure DEST_PATH_IMAGE042
为业务平均传输速率随机变量。
在一些实施例中，采用所述训练样本集对所述预设神经网络模型进行训练，包括：
采用设定损失函数进行反向传播，所述设定损失函数为：
Figure 997947DEST_PATH_IMAGE043
；
Figure DEST_PATH_IMAGE044
；
Figure 699318DEST_PATH_IMAGE045
；
其中，
Figure DEST_PATH_IMAGE046
为所述softmax层的输出值，
Figure 329626DEST_PATH_IMAGE047
为中间诊断值估计，L为所述softmax层的神经元数量。
另一方面，本发明还提供一种电力无线专网故障诊断方法，包括：
在电力无线专网中设定业务点处获取多个关键性能指标的采样数据，所述关键性能指标至少包括：参考信号接收功率、信号与干扰加噪声比、随机接入成功率和业务平均传输速率；
按照设定长度的时间窗口截取各关键性能指标的采样数据，并计算各关键性能指标的待诊断条件概率密度散度值；
计算各关键性能指标对应的待诊断条件概率密度散度值与无故障状态下参考条件概率密度散度值的差距值；
若存在一个关键性能指标的差距值大于相应的设定阈值，则判定故障，将各关键性能指标对应的条件概率密度散度值输入上述电力无线专网故障诊断模型训练方法中的目标故障诊断模型，并输出故障诊断结果。
在一些实施例中，计算各关键性能指标对应的待诊断条件概率密度散度值与无故障状态下参考条件概率密度散度值的差距值之后，还包括：
若各关键性能指标的差距值均小于等于相应的设定阈值，则判定无故障，并将各关键性能指标在所述时间窗口内的采样数据合并至现有无故障状态下各关键性能指标的采样数据，并更新所述参考条件概率密度散度值。
在一些实施例中，输出故障诊断结果之后，还包括：将各关键性能指标的采样数据以及故障诊断结果添加至专家知识库，以构建新的训练集对所述目标故障诊断模型进行更新训练。
在一些实施例中，所述差距值的计算式为：
Figure DEST_PATH_IMAGE048
；
其中，
Figure 901684DEST_PATH_IMAGE049
为所述关键性能指标KPIn的采样序列值，
Figure DEST_PATH_IMAGE050
为故障状态
Figure 614205DEST_PATH_IMAGE051
下关键性能指标的条件概率密度，
Figure DEST_PATH_IMAGE052
为无故障状态
Figure 799943DEST_PATH_IMAGE053
下关键性能指标的条件概率密度。
另一方面，本发明还提供一种电子设备，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，所述处理器执行所述程序时实现上述方法的步骤。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本发明的有益效果至少是：
所述电力无线专网故障诊断模型训练方法、诊断方法及装置中，所述故障诊断模型训练方法采集电力无线专网运行过程中的关键性能指标，以各关键性能指标对应的条件概率密度散度值为输入，以相应样本的故障类型为输出，对预设神经网络模型进行训练，建立关键性能指标条件概率函数与故障类型的映射关系，通过挖掘各关键性能指标采样参数的分布特征区分和识别电力无线专网的故障类型。进一步地，所述诊断方法中，通过设定长度的时间窗口不断采集各关键性能指标的数据，通过预训练得到的目标故障诊断模型进行故障检测和识别，能够极大降低对人工的依赖，同时提高故障诊断的效率和准确性。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
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，并不构成对本发明的限定。在附图中：
图1为本发明一实施例所述电力无线专网故障诊断模型训练方法的流程示意图；
图2为不同类型故障条件下RSRP概率密度分布图；
图3为不同类型故障条件下SINR概率密度分布图；
图4为不同类型故障条件下RASR概率密度分布图；
图5为不同类型故障条件下CAP概率密度分布图；
图6为本发明一实施例所述电力无线专网故障诊断模型训练方法中的预设神经网络结构图；
图7为本发明一实施例所述电力无线专网故障诊断系统的结构示意图；
图8为本发明一实施例所述电力无线专网故障诊断方法的流程示意图。
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，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
由于无线通信网络的日常运维主要依赖于人工路测、专家诊断与网优工程师现场实施的方式，存在路测成本高、故障诊断依赖人工判断耗时耗力等缺点。为此，通过开展“最小化路测”（minimization of DTs, MDT）的研究，旨在利用终端上报网络状态周期性测量值、用户地理坐标等信息，辅助运营商开展网络状态分析、故障诊断。
电力无线专网网络覆盖的主要目标是电网末端感知采集节点、控制终端等，具有位置固定、实时在线运行等特征，利用MDT技术开展电力无线专网运营维护具有实施成本低、网络分析针对性强等优势，MDT技术为电力无线专网运维平台的智能诊断分析提供了海量数据支撑，具有广阔应用前景。
具体的，本发明提供一种电力无线专网故障诊断模型训练方法，如图1所示，包括步骤S101~S103：
步骤S101：获取多个电力无线专网的样本数据，每个样本数据包含一种故障状态下多种关键性能指标的多个采样数据，关键性能指标至少包括：参考信号接收功率、信号与干扰加噪声比、随机接入成功率和业务平均传输速率；故障状态至少包括：过覆盖、弱覆盖、接入故障和信号干扰。
步骤S102：对每个样本数据中各关键性能指标对应的采样数据计算条件概率密度散度值，并将每个样本数据中各关键性指标对应的条件概率密度散度值作为输入，将各样本对应的故障类型作为标签，构成训练样本集。
步骤S103：获取预设神经网络模型，并采用训练样本集对预设神经网络模型进行训练，得到目标故障诊断模型。
在本实施例步骤S101中，电力无线专网的样本数据是基于现有MDT数据库产生和获取的，MDT数据库中的数据是在电力无线专网中的多个业务点处采集得到的，业务点可以按照电力无线专网的运行检测需求设置，在需要对通信质量重点监测的位置进行部署。MDT数据库中的数据是在电力无线专网长期运行的过程中产生的，电力无线专网多种运行状态和故障状态下的数据参数都会被记录。
具体的，在构建样本数据的过程中，为了使目标故障诊断模型能够准确识别多种故障类型，就需要分别对各种故障类型采集数据并形成样本数据。至少获取过覆盖、弱覆盖、接入故障（又称接入能力恶化）和信号干扰这4种故障状态下电力无线专网的运行数据，也可以包括无故障状态下的运行数据。其中，过覆盖是指网络中存在过度的覆盖重叠，设备使用很远距离小区的信号，而附近位置的小区信号没有使用。过覆盖的现象主要表现为某些小区的导频信号过强，覆盖区域超过了规划的范围，在其他小区的覆盖区域内形成不连续的主导区域，从而造成信令拥塞等问题。弱覆盖是指基站所需要覆盖面积大，基站间距过大或者建筑物遮挡而导致边界区域信号较弱。接入故障是指电力无线专网的连入成功率异常下降。信号干扰是指由于一定区域内出现其他信号源导致的信号损伤。
进一步地，样本数据中选取在不同故障状态下具有显著特征差异的关键性能指标作为参考数据。本实施例中，所采集的关键性能指标至少包括：1）参考信号接收功率(Reference Signal Receiving Power，RSRP)，定义为下行导频信号平均接收功率，单位为dBm。2）信号与干扰加噪声比(Signal to Interference plus Noise Ratio, SINR)，定义为导频信号功率与干扰和噪声功率比值，单位为dB。3）随机接入成功率定义为业务点随机接入成功次数与随机接入总数的比值，记为RASR，随机接入主要发生于终端从空闲态向连接态转移，触发转移的条件包括核心网寻呼、业务本侧发起数据传输请求、系统参数更新等。4）业务平均传输速率，单位为bps，记为CAP。在另一些实施例中，还可以针对特定的故障类型选择具有表征能力的关键性能指标进行数据采样。针对电力无线专网运行具有广覆盖、功率受限等特点，需要密切关注过覆盖、弱覆盖（含覆盖空洞）、边缘接入能力恶化、系统内外干扰等典型问题的诊断。
在步骤S102中，基于电力无线专网设备差异和运行环境差异，各关键性能指标单列的采样数据值本身在不同条件下存在差异性，本身不能够直接表征电力无线专网的运行状态。但是，在一个相对稳定的运行状态下，各关键性能指标的采样数据会呈现具有相对稳定和特异性的分布特征。在不同的运行状态或故障类型下，不同的关键性能指标的采样数据所呈现的不同分布状态如图2至图5所示，可以明确的是，在无故障状态、过覆盖故障状态、弱覆盖故障状态、接入能力恶化故障状态以及干扰状态下，个关键性能指标概率密度分布存在显著的差异，因此可以用于对电力无线专网的运行状态进行判断。因此，本实施例中，需要对于现有各样本数据中关键性能指标，分别计算其条件概率密度散度值。
在一些实施例中，采用设定长度的时间窗口截取各采用数据，并计算关键性能指标的概率密度函数。在实际应用过程中，MDT数据库采集的各关键性指标的采样数据是连续不断的，而实际分析过程中，只能对有限的数据进行处理，因此，通过设定长度的时间窗口截取数据中的部分段，用于训练预设神经网路模型，以贴合实际应用场景，使训练得到的目标故障诊断模型具有更优的拟合效果。
通过设定长度的滑动时间窗口截取所述采样数据，并计算所述关键性能指标的概率密度函数；记所述关键性能指标为KPIn，n为KPI索引，所述参考信号接收功率、所述信号与干扰加噪声比、所述随机接入成功率和所述业务平均传输速率的索引值n依次为1、2、3和4，N为KPI种类；滑动时间窗口窗长为W，滑动步长为W-V，各采样时刻t采集到的KPIn的随机变量序列如下：
Figure DEST_PATH_IMAGE054
式中，
Figure 908975DEST_PATH_IMAGE055
为KPIn前一采样周期的后V个样本点，
Figure 100002_DEST_PATH_IMAGE056
为本采样周期新增的W-V个样本点，记无故障、过覆盖、弱覆盖、接入能力恶化、干扰依次为
Figure 998855DEST_PATH_IMAGE057
，在故障
Figure DEST_PATH_IMAGE058
下KPIn的概率密度函数为
Figure 532211DEST_PATH_IMAGE059
。
在故障
Figure 332808DEST_PATH_IMAGE058
下参考信号接收功率的条件概率密度散度值
Figure DEST_PATH_IMAGE060
如下式1：
Figure 45198DEST_PATH_IMAGE061
； （1）
其中，
Figure DEST_PATH_IMAGE062
为所述参考信号接收功率的采样数据，参数
Figure 591849DEST_PATH_IMAGE063
的极大似然估计值
Figure DEST_PATH_IMAGE064
如下式2：
Figure 30527DEST_PATH_IMAGE065
； （2）
其中，
Figure DEST_PATH_IMAGE066
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长，为所述参考信号接收功率的随机变量。
在故障
Figure 880538DEST_PATH_IMAGE067
下所述信号与干扰加噪声比的条件概率密度散度值
Figure DEST_PATH_IMAGE068
如下式3：
Figure 393690DEST_PATH_IMAGE069
； （3）
其中，
Figure DEST_PATH_IMAGE070
为所述参考信号接收功率的采样数据，参数
Figure 57496DEST_PATH_IMAGE071
的极大似然估计值
Figure DEST_PATH_IMAGE072
如下式4：
Figure 856956DEST_PATH_IMAGE073
； （4）
其中，
Figure DEST_PATH_IMAGE074
为所述信号与干扰加噪声比的随机变量，
Figure 976353DEST_PATH_IMAGE075
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长。
在故障
Figure DEST_PATH_IMAGE076
下所述随机接入成功率的条件概率密度散度值
Figure 889601DEST_PATH_IMAGE077
如下式5：
Figure DEST_PATH_IMAGE078
； （5）
其中，
Figure 676423DEST_PATH_IMAGE079
为所述随机接入成功率的采样数据，
Figure DEST_PATH_IMAGE080
，
Figure 519220DEST_PATH_IMAGE081
为伽马函数，
Figure DEST_PATH_IMAGE082
的最大似然估计值为随机接入成功次数；
Figure 922651DEST_PATH_IMAGE083
的最大似然估计值为随机接入失败次数。
在故障
Figure DEST_PATH_IMAGE084
下所述业务平均传输速率的条件概率密度散度值
Figure 972079DEST_PATH_IMAGE085
如下式6：
Figure DEST_PATH_IMAGE086
； （6）
其中，
Figure 613407DEST_PATH_IMAGE087
为所述业务平均传输速率的采样数据，方差
Figure DEST_PATH_IMAGE088
的极大似然估计
Figure 892685DEST_PATH_IMAGE089
如下式7：
Figure DEST_PATH_IMAGE090
； （7）
Figure 986674DEST_PATH_IMAGE091
为均值
Figure DEST_PATH_IMAGE092
的极大似然估计，如下式8：
Figure 913829DEST_PATH_IMAGE093
； （8）
其中，
Figure DEST_PATH_IMAGE094
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长，
Figure 3139DEST_PATH_IMAGE095
为业务平均传输速率随机变量。
在步骤S103中，获取预设神经网络模型用于训练，本实施例中采用脉冲神经网络（SNN模型），脉冲神经网络包括依次连接的输入层、设定数量个隐含层、输出层和softmax层。输入层和各隐含层通过线性函数连接，输出层为隐含层输出变量线性加权后的激活值，输出层采用的激活函数为sigmoid函数。
具体的，如图6所示，本实施例中包括N个神经元的输入层、M个神经元的隐含层、K个神经元的输出层和L个神经元的softmax层。其中，隐含层表达为输入层的线性函数，如下式9：
Figure DEST_PATH_IMAGE096
（9）
其中，Zm为隐含层的输出，
Figure 312373DEST_PATH_IMAGE097
为隐含层和输入层的连接权重。
输出层表达为隐含层输出变量线性加权后的激活值，如下式10：
Figure DEST_PATH_IMAGE098
（10）
其中，
Figure 628079DEST_PATH_IMAGE099
为输出层的输出，
Figure DEST_PATH_IMAGE100
为输出层和隐含层的连接权重，
Figure 698539DEST_PATH_IMAGE101
为修正系数。式10中，激活函数为sigmoid函数形式，如式11：
Figure DEST_PATH_IMAGE102
（11）
Softmax层的输出
Figure 48880DEST_PATH_IMAGE103
如下式12：
Figure DEST_PATH_IMAGE104
（12）
在一些实施例中，采用训练样本集对预设神经网络模型进行训练，包括：
采用设定损失函数进行反向传播，该设定损失函数如下式13~15：
Figure 266366DEST_PATH_IMAGE105
； （13）
Figure DEST_PATH_IMAGE106
； （14）
Figure 332017DEST_PATH_IMAGE107
； （15）
其中，
Figure DEST_PATH_IMAGE108
为所述softmax层的输出值，
Figure 660362DEST_PATH_IMAGE109
为中间诊断值估计，L为所述softmax层的神经元数量。
本发明提供一种电力无线专网故障诊断系统，如图7所示，电力无线专网中的终端设备无线连接基站（eNB），各终端设备通过全球定位系统（GPS）或北斗系统定位（BD），电力无线专网利用MDT技术架构实现业务点关键性能指标(Key Performance Indicator, KPI)采集功能，采集电力无线专网覆盖下指定业务点关键性能指标，并记载在MDT数据库；通过KPI统计计算模块的滑动时间窗求解KPI统计量，如概率分布密度估计、均值与方差计算等；利用KPI异常检测模块针对KPI统计量与历史正常KPI特征开展比对分析，若未出现异常则将当前统计量推送至KPI特征库动态更新正常KPI密度估计值，反之，将异常KPI统计量推送故障诊断模型进行诊断，并将诊断结果推送至专家知识库。
另一方面，本发明还提供一种电力无线专网故障诊断方法，如图8所示，包括步骤S201~204：
步骤S201：在电力无线专网中设定业务点处获取多个关键性能指标的采样数据，关键性能指标至少包括：参考信号接收功率、信号与干扰加噪声比、随机接入成功率和业务平均传输速率。
步骤S202：按照设定长度的时间窗口截取各关键性能指标的采样数据，并计算各关键性能指标的待诊断条件概率密度散度值。
步骤S203：计算各关键性能指标对应的待诊断条件概率密度散度值与无故障状态下参考条件概率密度散度值的差距值。
步骤S204：若存在一个关键性能指标的差距值大于相应的设定阈值，则判定故障，将各关键性能指标对应的条件概率密度散度值输入步骤S101至S103所述的电力无线专网故障诊断模型训练方法中的目标故障诊断模型，并输出故障诊断结果。
在步骤S201中，在诊断过程中，基于MDT技术对目标业务点处的关键性能指标进行数据采样，具体的，所采集的关键性能指标与步骤S101~S103中预训练得到的目标故障诊断模型的输入一致。由于步骤S101~S103中预训练得到的目标故障诊断模型的输入为参考信号接收功率、信号与干扰加噪声比、随机接入成功率和业务平均传输速率的条件概率分布散度值，所以，本实施例步骤S201中，对参考信号接收功率、信号与干扰加噪声比、随机接入成功率和业务平均传输速率这几个关键性能指标进行连续采样。
步骤S202中，由于需要实时监测电力无线专网当前的运行状态，因此需要对当前时刻附近的数据进行诊断。本实施例中，采用设定长度为W的时间窗口，按照滑动步长V获取各关键性能指标的采样数据。对同一时间窗口内各关键性能指标的采样数据进行处理，获取相应的条件概率密度散度值。具体计算方式，可以参照步骤S102中的算式1~8。
步骤S203和步骤S204中，由于目标故障诊断模型的运算量需求较大，为了节约算力，首先对待诊断条件概率密度进行初步分析后进行分流，通过计算待诊断条件概率密度散度值与无故障状态下参考条件概率密度散度值的差距值，并比对差距值与设定阈值的大小关系，将电力无线专网在当前业务点的状态区分为有故障或无故障。若存在一个关键性能指标的差距值大于设定阈值，则判定当前业务点处的电力无线专网为故障状态，再进一步通过预训练得到的目标故障诊断模型对故障类型做出具体判断，并输出最终的故障诊断结果。其中，评价每个关键性能指标时都需要专门配置相应的设定阈值，各关键性能指标的设定阈值可以根据特定电力无线专网中特定业务点的具体运行状况设置。
在一些实施例中，差距值的计算式为：
Figure DEST_PATH_IMAGE110
； （15）
其中，
Figure 868139DEST_PATH_IMAGE111
为所述关键性能指标KPIn的采样序列值，
Figure DEST_PATH_IMAGE112
为故障状态
Figure 663051DEST_PATH_IMAGE113
下关键性能指标的条件概率密度，
Figure DEST_PATH_IMAGE114
为无故障状态
Figure 75053DEST_PATH_IMAGE115
下关键性能指标的条件概率密度。具体的，对每个关键性能指标都计算相应待诊断条件概率密度散度值与无故障状态下参考条件概率密度散度值的差距值，只要存在一个关键性能指标的差距值大于相应的设定阈值，
在一些实施例中，步骤S203之后，即计算各关键性能指标对应的待诊断条件概率密度散度值与无故障状态下参考条件概率密度散度值的差距值之后，还包括：若各关键性能指标的差距值均小于等于相应的设定阈值，则判定无故障，并将各关键性能指标在时间窗口内的采样数据合并至现有无故障状态下各关键性能指标的采样数据，并更新参考条件概率密度散度值。
在本实施例中，当判断设定业务点运行状态无故障时，将当前窗口时间内采集到的各关键性能指标的采样数据添加入现有的MDT数据库中无故障状态类别的数据中。基于新增后的无故障状态下的数据重新计算参考条件概率密度散度值，以更新参比标准。在另一些实施例中，对各关键性能指标的参考条件概率密度散度值的计算，同样需要采用一个时间窗口进行截取，可以截取离当前时间点较近的一段数据以适应运行状态的变化；也可以在数据库中随机采集各时段的数据，以反映全运行周期内电力无线专网的运行状态。
在一些实施例中，步骤S204以后，即输出故障诊断结果之后，还包括：将各关键性能指标的采样数据以及故障诊断结果添加至专家知识库，以构建新的训练集对目标故障诊断模型进行更新训练。
为了不断适应电力无线专网在长期运行环境下关键性能指标的特征变化，准确捕捉故障状态下的参数分布特征，本实施例在检测出故障状态后，建立新的训练集重新调整训练目标故障诊断模型。具体的，可以在新的训练集达到指定数据量时进行重新训练，也可以按照指定间隔时间利用新的训练集进行重新训练。在训练过程中，可以将新的故障状态数据直接加入步骤S102中的训练样本集，对步骤S103中的预设神经网络模型进行重新训练。也可以对故障状态数据重新建立训练集，采用步骤S103中的目标故障诊断模型通过迁移学习的方式进行微调。
另一方面，本发明还提供一种电子设备，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，所述处理器执行所述程序时实现上述方法的步骤。
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
综上所述，所述电力无线专网故障诊断模型训练方法、诊断方法及装置中，所述故障诊断模型训练方法采集电力无线专网运行过程中的关键性能指标，以各关键性能指标对应的条件概率密度散度值为输入，以相应样本的故障类型为输出，对预设神经网络模型进行训练，建立关键性能指标条件概率函数与故障类型的映射关系，通过挖掘各关键性能指标采样参数的分布特征区分和识别电力无线专网的故障类型。进一步地，所述诊断方法中，通过设定长度的时间窗口不断采集各关键性能指标的数据，通过预训练得到的目标故障诊断模型进行故障检测和识别，能够极大降低对人工的依赖，同时提高故障诊断的效率和准确性。本发明公开的关键性能指标统计分析、异常检测方法能够有效甄别出网络质量劣化程度，故障识别准确率达到89%以上。
进一步地，在运行诊断过程中，通过不断更新无故障状态下和故障状态下各关键性能指标的数据，调整和更新目标故障诊断模型和参考条件概率密度散度值，使系统能够持续地、稳定地和准确地识别电力无线专网是否发生故障并诊断故障类型。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电力无线专网故障诊断模型训练方法，其特征在于，包括：
获取多个电力无线专网的样本数据，每个样本数据包含一种故障状态下多种关键性能指标的多个采样数据，所述关键性能指标至少包括：参考信号接收功率、信号与干扰加噪声比、随机接入成功率和业务平均传输速率；所述故障状态至少包括：过覆盖、弱覆盖、接入故障和信号干扰；
对每个样本数据中各关键性能指标对应的采样数据计算条件概率密度散度值，并将每个样本数据中各关键性指标对应的条件概率密度散度值作为输入，将各样本对应的故障类型作为标签，构成训练样本集；
获取预设神经网络模型，并采用所述训练样本集对所述预设神经网络模型进行训练，得到目标故障诊断模型。
2.根据权利要求1所述的电力无线专网故障诊断模型训练方法，其特征在于，所述预设神经网络模型为脉冲神经网络，所述脉冲神经网络包括依次连接的输入层、设定数量个隐含层、输出层和softmax层；所述输入层和各隐含层通过线性函数连接，所述输出层为所述隐含层输出变量线性加权后的激活值，所述输出层采用的激活函数为sigmoid函数。
3.根据权利要求1所述的电力无线专网故障诊断模型训练方法，其特征在于，所述方法还包括：
通过设定长度的滑动时间窗口截取所述采样数据，并计算所述关键性能指标的概率密度函数；记所述关键性能指标为KPIn，n为KPI索引，所述参考信号接收功率、所述信号与干扰加噪声比、所述随机接入成功率和所述业务平均传输速率的索引值n依次为1、2、3和4，N为KPI种类；滑动时间窗口窗长为W，滑动步长为W-V，各采样时刻t采集到的KPIn的随机变量序列如下：
Figure 788204DEST_PATH_IMAGE001
式中，
Figure 174186DEST_PATH_IMAGE002
为KPIn前一采样周期的后V个样本点，
Figure 422765DEST_PATH_IMAGE003
为本采样周期新增的W-V个样本点，记无故障、过覆盖、弱覆盖、接入能力恶化、干扰依次为
Figure 286816DEST_PATH_IMAGE004
，在故障
Figure 773292DEST_PATH_IMAGE005
下KPIn的概率密度函数为
Figure 64596DEST_PATH_IMAGE006
；
在故障
Figure 800471DEST_PATH_IMAGE007
下所述参考信号接收功率的条件概率密度散度值
Figure 468213DEST_PATH_IMAGE008
如下式：
Figure 605933DEST_PATH_IMAGE009
；
其中，
Figure 333717DEST_PATH_IMAGE010
为所述参考信号接收功率的采样数据，参数
Figure 556888DEST_PATH_IMAGE011
的极大似然估计值
Figure 762742DEST_PATH_IMAGE012
如下式：
Figure 754969DEST_PATH_IMAGE013
；
其中，
Figure 653654DEST_PATH_IMAGE014
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长，
Figure 375840DEST_PATH_IMAGE015
为所述参考信号接收功率的随机变量；
在故障
Figure 323068DEST_PATH_IMAGE016
下所述信号与干扰加噪声比的条件概率密度散度值
Figure 435380DEST_PATH_IMAGE017
如下式：
Figure 239388DEST_PATH_IMAGE018
；
其中，
Figure 437151DEST_PATH_IMAGE019
为信号与干扰加噪声比的采样数据，参数
Figure 984807DEST_PATH_IMAGE020
的极大似然估计值
Figure 951626DEST_PATH_IMAGE021
如下式：
Figure 192115DEST_PATH_IMAGE022
；
其中，
Figure 611595DEST_PATH_IMAGE023
为所述信号与干扰加噪声比的随机变量，
Figure 962942DEST_PATH_IMAGE024
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长；
在故障
Figure 49846DEST_PATH_IMAGE025
下所述随机接入成功率的条件概率密度散度值
Figure 461236DEST_PATH_IMAGE026
如下式：
Figure 368012DEST_PATH_IMAGE027
；
其中，
Figure 257471DEST_PATH_IMAGE028
为所述随机接入成功率的采样数据，
Figure 198882DEST_PATH_IMAGE029
，
Figure 984435DEST_PATH_IMAGE030
为伽马函数，
Figure 378508DEST_PATH_IMAGE032
的最大似然估计值为随机接入成功次数；
Figure 71657DEST_PATH_IMAGE034
的最大似然估计值为随机接入失败次数；
在故障
Figure 601996DEST_PATH_IMAGE035
下所述业务平均传输速率的条件概率密度散度值
Figure 355188DEST_PATH_IMAGE036
如下式：
Figure 236556DEST_PATH_IMAGE037
；
其中，
Figure 998976DEST_PATH_IMAGE038
为所述业务平均传输速率的采样数据，方差
Figure 649400DEST_PATH_IMAGE039
的极大似然估计
Figure 307915DEST_PATH_IMAGE040
如下式：
Figure 676579DEST_PATH_IMAGE041
；
Figure 711531DEST_PATH_IMAGE042
为均值
Figure 482041DEST_PATH_IMAGE043
的极大似然估计，如下式：
Figure 311457DEST_PATH_IMAGE044
；
其中，
Figure 167417DEST_PATH_IMAGE045
为滑动窗时间索引值，t为采样时刻，W为时间窗口长度，W-V为滑动步长，
Figure 6060DEST_PATH_IMAGE046
为业务平均传输速率随机变量。
4.根据权利要求2所述的电力无线专网故障诊断模型训练方法，其特征在于，采用所述训练样本集对所述预设神经网络模型进行训练，包括：
采用设定损失函数进行反向传播，所述设定损失函数为：
Figure 568760DEST_PATH_IMAGE047
；
Figure 834656DEST_PATH_IMAGE048
；
Figure 912334DEST_PATH_IMAGE049
；
其中，
Figure 554667DEST_PATH_IMAGE050
为所述softmax层的输出值，
Figure 34190DEST_PATH_IMAGE051
为中间诊断值估计，L为所述softmax层的神经元数量。
5.一种电力无线专网故障诊断方法，其特征在于，包括：
在电力无线专网中设定业务点处获取多个关键性能指标的采样数据，所述关键性能指标至少包括：参考信号接收功率、信号与干扰加噪声比、随机接入成功率和业务平均传输速率；
按照设定长度的时间窗口截取各关键性能指标的采样数据，并计算各关键性能指标的待诊断条件概率密度散度值；
计算各关键性能指标对应的待诊断条件概率密度散度值与无故障状态下参考条件概率密度散度值的差距值；
若存在一个关键性能指标的差距值大于相应的设定阈值，则判定故障，，将各关键性能指标对应的条件概率密度散度值输入如权利要求1至5任意一项所述电力无线专网故障诊断模型训练方法中的目标故障诊断模型，并输出故障诊断结果。
6.根据权利要求5所述的电力无线专网故障诊断方法，其特征在于，计算各关键性能指标对应的待诊断条件概率密度散度值与无故障状态下参考条件概率密度散度值的差距值之后，还包括：
若各关键性能指标的差距值均小于等于相应的设定阈值，则判定无故障，并将各关键性能指标在所述时间窗口内的采样数据合并至现有无故障状态下各关键性能指标的采样数据，并更新所述参考条件概率密度散度值。
7.根据权利要求5所述的电力无线专网故障诊断方法，其特征在于，输出故障诊断结果之后，还包括：
将各关键性能指标的采样数据以及故障诊断结果添加至专家知识库，以构建新的训练集对所述目标故障诊断模型进行更新训练。
8.根据权利要求5所述的电力无线专网故障诊断方法，其特征在于，所述差距值的计算式为：
Figure 470988DEST_PATH_IMAGE052
；
其中，
Figure 301541DEST_PATH_IMAGE053
为所述关键性能指标KPIn的采样序列值，
Figure 481986DEST_PATH_IMAGE054
为故障状态
Figure 816016DEST_PATH_IMAGE055
下关键性能指标的条件概率密度，
Figure DEST_PATH_IMAGE056
为无故障状态
Figure DEST_PATH_IMAGE057
下关键性能指标的条件概率密度。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至4任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求5至8任一项所述方法的步骤。
CN202111040303.2A 2021-09-06 2021-09-06 电力无线专网故障诊断模型训练方法、诊断方法及装置 Active CN113473514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111040303.2A CN113473514B (zh) 2021-09-06 2021-09-06 电力无线专网故障诊断模型训练方法、诊断方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111040303.2A CN113473514B (zh) 2021-09-06 2021-09-06 电力无线专网故障诊断模型训练方法、诊断方法及装置

Publications (2)

Publication Number Publication Date
CN113473514A true CN113473514A (zh) 2021-10-01
CN113473514B CN113473514B (zh) 2021-11-16

Family

ID=77864660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111040303.2A Active CN113473514B (zh) 2021-09-06 2021-09-06 电力无线专网故障诊断模型训练方法、诊断方法及装置

Country Status (1)

Country Link
CN (1) CN113473514B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114071526A (zh) * 2021-11-16 2022-02-18 北京鼎兴达信息科技股份有限公司 Gsm-r网络运行状态诊断方法
CN115001609A (zh) * 2022-04-29 2022-09-02 国网上海市电力公司 计及干扰功率测量值的电力无线专网干扰类型识别方法
CN115190525A (zh) * 2022-09-06 2022-10-14 东屋世安物联科技(江苏)股份有限公司 网络通讯质量的测评方法、装置及介质
CN115426244A (zh) * 2022-08-09 2022-12-02 武汉虹信技术服务有限责任公司 一种基于大数据的网络设备故障检测方法
CN116827817A (zh) * 2023-04-12 2023-09-29 国网河北省电力有限公司信息通信分公司 数据链路状态监测方法、装置、监测系统及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180115455A1 (en) * 2015-04-24 2018-04-26 Telefonaktiebolaget Lm Ericsson (Publ) Fault Diagnosis in Networks
CN110647867A (zh) * 2019-10-09 2020-01-03 中国科学技术大学 基于自适应抗噪声神经网络的轴承故障诊断方法及系统
CN111242225A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于卷积神经网络的故障检测与诊断方法
CN113011248A (zh) * 2021-02-01 2021-06-22 西安交通大学 一种基于lstm的核动力装置故障诊断方法
CN113203914A (zh) * 2021-04-08 2021-08-03 华南理工大学 基于dae-cnn的地下电缆早期故障检测和识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180115455A1 (en) * 2015-04-24 2018-04-26 Telefonaktiebolaget Lm Ericsson (Publ) Fault Diagnosis in Networks
CN110647867A (zh) * 2019-10-09 2020-01-03 中国科学技术大学 基于自适应抗噪声神经网络的轴承故障诊断方法及系统
CN111242225A (zh) * 2020-01-16 2020-06-05 南京邮电大学 一种基于卷积神经网络的故障检测与诊断方法
CN113011248A (zh) * 2021-02-01 2021-06-22 西安交通大学 一种基于lstm的核动力装置故障诊断方法
CN113203914A (zh) * 2021-04-08 2021-08-03 华南理工大学 基于dae-cnn的地下电缆早期故障检测和识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨凌霄等: "基于概率神经网络的高压断路器故障诊断", 《电力系统保护与控制》 *
池德胜: "基于深度学习的异构无线网络故障诊断算法研究", 《中国硕士学位论文全文数据库（电子期刊）信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114071526A (zh) * 2021-11-16 2022-02-18 北京鼎兴达信息科技股份有限公司 Gsm-r网络运行状态诊断方法
CN114071526B (zh) * 2021-11-16 2024-01-30 北京鼎兴达信息科技股份有限公司 Gsm-r网络运行状态诊断方法
CN115001609A (zh) * 2022-04-29 2022-09-02 国网上海市电力公司 计及干扰功率测量值的电力无线专网干扰类型识别方法
CN115426244A (zh) * 2022-08-09 2022-12-02 武汉虹信技术服务有限责任公司 一种基于大数据的网络设备故障检测方法
CN115426244B (zh) * 2022-08-09 2024-03-15 武汉虹信技术服务有限责任公司 一种基于大数据的网络设备故障检测方法
CN115190525A (zh) * 2022-09-06 2022-10-14 东屋世安物联科技(江苏)股份有限公司 网络通讯质量的测评方法、装置及介质
CN115190525B (zh) * 2022-09-06 2022-12-13 东屋世安物联科技(江苏)股份有限公司 网络通讯质量的测评方法、装置及介质
CN116827817A (zh) * 2023-04-12 2023-09-29 国网河北省电力有限公司信息通信分公司 数据链路状态监测方法、装置、监测系统及存储介质

Also Published As

Publication number Publication date
CN113473514B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN113473514B (zh) 电力无线专网故障诊断模型训练方法、诊断方法及装置
CN109146093B (zh) 一种基于学习的电力设备现场勘查方法
US20160088502A1 (en) Method and network device for cell anomaly detection
CN102077680B (zh) 路径控制装置、方法
CN107516417B (zh) 一种挖掘时空关联关系的实时高速公路流量估计方法
Mfula et al. Adaptive root cause analysis for self-healing in 5G networks
CN110690699B (zh) 一种基于泛在电力物联网的变电站智慧检测系统
CN112188534A (zh) 一种异常检测方法和装置
CN109150565B (zh) 一种网络态势感知方法、装置及系统
CN116915582A (zh) 一种通信终端故障根因诊断分析方法及装置
JP5152176B2 (ja) 無線セル監視方法、その装置及びそのプログラム
CN115224794A (zh) 一种基于物联网技术的配电网监测方法
CN116882638B (zh) 一种全氟化合物污染监测设备的管理方法及系统
CN116566845B (zh) 一种网络预警方法及计算机存储介质
CN117494009A (zh) 基于绝缘材料热解分析的电气设备状态评估方法及云平台
CN115334560B (zh) 基站异常的监测方法、装置、设备及计算机可读存储介质
CN114036711A (zh) 一种网络质量劣化检测方法及系统
CN106788816A (zh) 一种信道状态检测方法及装置
Holmbacka et al. Alarm prediction in LTE networks
Lei et al. The Key Technologies of Intelligent Urban Drainage Management
CN117575291B (zh) 基于边缘参数熵的联邦学习的数据协同管理方法
Karanam et al. ‘Developing a deep learning tool to detect electric vehicle supply equipment failures
CN116169788B (zh) 基于物联网的配电网通信管理系统
CN117057579B (zh) 一种分布式配电网的运行维护方法及系统
CN116819025B (zh) 一种基于物联网的水质监测系统及方法

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
GR01 Patent grant
GR01 Patent grant