CN113965467A - 一种基于神经网络的电力通信系统可靠性评估方法及系统 - Google Patents

一种基于神经网络的电力通信系统可靠性评估方法及系统 Download PDF

Info

Publication number
CN113965467A
CN113965467A CN202111005026.1A CN202111005026A CN113965467A CN 113965467 A CN113965467 A CN 113965467A CN 202111005026 A CN202111005026 A CN 202111005026A CN 113965467 A CN113965467 A CN 113965467A
Authority
CN
China
Prior art keywords
communication system
reliability
network
power communication
neural network
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
CN202111005026.1A
Other languages
English (en)
Other versions
CN113965467B (zh
Inventor
王晓勇
张勇
田安琪
于秋生
魏永静
刘磊
张璞
路振宇
江颖洁
马良
朱尤祥
徐彬泰
张彦
孙勇健
张振
吕德品
卢奕
王世豪
赵子昊
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.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Shandong 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 State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111005026.1A priority Critical patent/CN113965467B/zh
Publication of CN113965467A publication Critical patent/CN113965467A/zh
Application granted granted Critical
Publication of CN113965467B publication Critical patent/CN113965467B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明提出了一种基于神经网络的电力通信系统可靠性评估方法及系统，包括：构建电力通信系统内部大量节点与连接线路之间的关系模型；对上述电力通信系统关联模型中的数据进行可靠性量化；选取电力通信系统内部大量节点与连接数据进行可靠性评估量化处理后的值作为训练样本数据，进行BP神经网络初始模型的学习训练；上述BP神经网络中间设置两个隐含层，一个隐含层基于单资源量化指标项计算光缆段、设备、传输段、业务资源对象的本网络层可靠性，另一个隐含层用于计算综合网络层资源下的业务可靠性；利用上述训练后的BP神经网络对电力通信系统的可靠性进行评估，输出评估结果。本发明对电力通信系统的业务可靠性提供了科学有效的分析手段，实用性强。

Description

一种基于神经网络的电力通信系统可靠性评估方法及系统
技术领域
本发明属于电力通信系统网络运维技术领域，尤其涉及一种基于神经网络的电力通信系统可靠性评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着电力通信系统的不断发展，信息通信技术与电网系统高度集成，通信系统与电网系统的结合日益紧密，大量的电力系统业务需要通过电力通信系统传输信息，电力系统的高稳定性离不开先进的电力通信系统的支撑，因此，对电力通信系统进行业务可靠性评估具有重要意义。
目前对于电力通信系统的可靠性研究主要集中的前期网络规划、后期业务疏导，对于复杂网络中的动态变动缺乏有效的可靠性评估手段。目前电力通信系统业务可靠性分析与计算主要存在如下几方面的问题：
(1)目前对于电力通信系统可靠性研究大多集中单一网络结构或业务上，对于网络业务可靠性量化分析缺乏相应的技术手段。
(2)目前对于电力业务对通道承载的指标要求的考虑不充分，在电力通信系统可靠性评估时未根据业务类型进行综合分析，导致评估结果不够细致。而在实际生产中，不同电力业务对可靠性要求不一样，继电保护、安稳控制等实时电力一次控制业务要求相对较高(双通道、双电源等)，调度数据网、行政交换等二次业务要求相对一般。
(3)目前电力通信系统可靠性主要未考虑通道发生故障后是否存在迂回路由来及时恢复业务，缺乏对通信业务路径故障风险监测和预警的手段，本发明通过分析业务路由在N-2、N-1情况下存在迂回路径来解决这一问题。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于神经网络的电力通信系统可靠性评估方法，便于快速、全面评估电力通信系统业务可靠性。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，公开了一种基于神经网络的电力通信系统可靠性评估方法，包括：
构建电力通信系统内部大量节点与连接线路之间的关系模型；
对上述电力通信系统关联模型中的数据进行可靠性量化；
选取电力通信系统内部大量节点与连接数据进行可靠性评估量化处理后的值作为训练样本数据，进行BP神经网络初始模型的学习训练；
上述BP神经网络中间设置两个隐含层，一个隐含层基于单资源量化指标项计算光缆段、设备、传输段、业务资源对象的本网络层可靠性，另一个隐含层用于计算综合网络层资源下的业务可靠性；
利用上述训练后的BP神经网络对电力通信系统的可靠性进行评估，输出评估结果。
进一步的技术方案，电力通信系统为光缆层网络、传输层网络、业务层网络三层架构；
光缆层网络位于最底层，由敷设在不同局站间的光缆组成，是电力通信系统的基础；
传输层网络架设在光缆层上，由设备节点与传输段组成，负责数据信号的传输；
业务层网络承载于传输层网络上，为用户数据传输的通道，直接给用户提供点对点的网络服务。
进一步的技术方案，采用梯度下降方法提高BP神经网络算法性能，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型。
进一步的技术方案，对电力通信系统可靠性量化评估时，将采集的电力通信系统网络资源数据通过构建三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为当前通信系统中业务可靠性量化值。
进一步的技术方案，对网络结构调整预测电力通信系统可靠性评估时，将网络结构调整后的电力通信系统络资源数据通过构建三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为网络结构调整后通信系统中业务可靠性量化值，并可与之前的值进行对比。
进一步的技术方案，对业务流向调整预测电力通信系统可靠性评估时，将业务流向调整后的电力通信系统络资源数据通过构建三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为业务流向调整后通信系统中业务可靠性量化值，并可与之前的值进行对比。
第二方面，公开了一种基于神经网络的电力通信系统可靠性评估系统，包括：
关系模型构建模块，被配置为：构建电力通信系统内部大量节点与连接线路之间的关系模型；
对上述电力通信系统关联模型中的数据进行可靠性量化；
BP神经网络训练模块，被配置为：选取电力通信系统内部大量节点与连接数据进行可靠性评估量化处理后的值作为训练样本数据，进行BP神经网络初始模型的学习训练；
上述BP神经网络中间设置两个隐含层，一个隐含层基于单资源量化指标项计算光缆段、设备、传输段、业务资源对象的本网络层可靠性，另一个隐含层用于计算综合网络层资源下的业务可靠性；
评估模块，被配置为：利用上述训练后的BP神经网络对电力通信系统的可靠性进行评估，输出评估结果。
以上一个或多个技术方案存在以下有益效果：
本发明基于神经网络的电力通信系统可靠性评估方法，包含评估模型构建和采用神经网络算法实现网络业务可靠性评估算法两个环节，本发明采用梯度下降优化的BP神经网络算法，构建电力通信系统内部大量节点与连接之间的关系模型，研究分析业务流向及网络结构变化的影响，便于快速、全面评估电力通信系统业务可靠性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，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。
图1为本发明实施例神经网络结构示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
人工神经网络又称连接机模型，是在模拟人脑神经组织的基础上发展起来的计算系统，是由大量处理单元通过广泛互联而构成的网络体系，它具有生物神经系统的基本特征，在一定程度上反映了人脑功能的若干反映，是对生物系统的某种模拟，具有大规模并行、分布式处理、自组织、自学习等优点，被广泛应用于语音分析、图像识别、数字水印、计算机视觉等很多领域，取得了许多突出的成果。由于人工神经网络的快速发展，它已经成为模式识别的强有力的工具。神经网络的运用展开了新的领域，解决其它模式识别不能解决的问题，其分类功能特别适合于模式识别与分类的应用。BP神经网络是目前应用最多的一种神经网络形式，其主要特点是信号前向传递，而误差后向传播，通过不断调节网络权重值，使得网络的最终输出与期望输出尽可能接近，以达到训练的目的。
实施例一
本实施例公开了一种基于神经网络的电力通信系统可靠性评估方法，包含评估模型构建和采用神经网络算法实现网络业务可靠性评估算法两个环节。
其包括以下步骤：
构建电力通信系统内部大量节点与连接之间的光缆层网络、传输层网络、业务层网络三层架构关系模型；
从纸质资料或业务支撑系统获取节点数据信息以及连接数据信息作为样本数据，节点数据包括站点和设备，连接数据包括光缆、光路、业务；
对所述节点数据、连接数据的属性如运行年限、电压等级、使用率、承载业务等可量化数据进行数值化处理，其余数据为文本或关联关系；
以所述数值化处理后的值作为训练样本数据，进行BP神经网络初始模型的学习训练，采用梯度下降方法提高BP算法性能，直到BP神经网络初始模型的预测精度达到要求，得到基于BP神经网络算法的电力通信系统业务可靠性最终模型；
根据所述BP神经网络最终模型对电力通信系统的业务可靠性进行评估，首先对一组光缆、光路、业务数据进行处理后作为输入，输出为每条业务的可靠性评估结果。
本发明对电力通信系统的业务可靠性提供了科学有效的分析手段，实用性强。
具体实施例子中，构建电力通信系统关联模型：
电力通信系统采用经典建模，为光缆层网络、传输层网络、业务层网络三层架构，此建模方式具有结构分层明晰、资源分层聚集、与实际生产贴近等优点。光缆层网络位于最底层，由敷设在不同局站间的光缆组成，是电力通信系统的基础；传输层网络架设在光缆层上，由设备节点与传输段组成，负责数据信号的传输；业务层网络承载于传输层网络上，是用户数据传输的通道，直接给用户提供点对点的网络服务。选取电力通信系统中局部网络中与业务可靠性评估相关资源做为样本数据，选取资源的基础属性及与业务可靠性评估相关的属性。下表1为样本数据关键属性：
表1
Figure BDA0003236858790000061
Figure BDA0003236858790000071
资源数据可靠性量化评估，各网络层面的可靠性影响因素众多，对指标项进行改进量化，量化后不同的指标项就可以进行比较，方便算法实现。下表2列出了单个资源对象可靠性的主要评价指标：
设定K为量化指标项的值，资源对象的初始可靠性系数为kn(kn≤1)
表2
Figure BDA0003236858790000072
Figure BDA0003236858790000081
Figure BDA0003236858790000091
Figure BDA0003236858790000101
Figure BDA0003236858790000111
采用以上方法对电力通信系统关联模型中的数据进行可靠性量化。
可靠性评估算法
参见附图1所示，选取电力通信系统内部大量节点与连接数据进行可靠性评估数值化处理后的值作为训练样本数据，进行BP神经网络初始模型的学习训练，采用梯度下降方法提高BP神经网络算法性能，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型。在训练过程中，使用样本数据越丰富，输出的可靠率数值越趋于真实值。
步骤1：选取电力通信系统中具有典型性的两组局部网络，构建电力通信系统关联模型；关联模型包含三层：光缆层网络、传输层网络、业务层网络。步骤2：将步骤1中选取的数据根据资源数据可靠性量化评估方法进行数值化处理，一组作为训练样本数据，另一组作为测试样本数据；
将光缆段、设备、传输段、业务等作为输入层为：
x→＝[x1 x2…xi…xm],i＝1,2,…,m
其中x→为电力通信网关联输入层，xm为光缆段、设备、传输段等资源数据。
步骤3：将步骤2中的训练样本数据作为输入，设定初始权值和学习效率，进行BP神经网络初始模型的学习训练。
业务可靠性期望值为：
d→＝[d1 d2…dk…dn],k＝1,2,…,n
其中d→为业务可靠性期望值集合，dn为每条业务的可靠性期望值。算法模型的业务的可靠性最终输出为：
y→＝[y1 y2…yk…yn],k＝1,2,…,n
其中y→为业务可靠性评估值集合，yn为每条业务的可靠性评估值。对与给定n个业务样本，定义误差函数为：
E＝(E(1)+E(1)+E(2)+E(3)+…+E(n))/n
其中E(n)为单个业务可靠性与期望值的差值：
E(i)＝((d1(i)-y1(i))2+(d2(i)-y2(i))2+…+(dn(i)-yn(i))2)/2
中间隐含层的输出：
h(l)＝[h(l) 1h(l) 2…h(l) j…h(l) sl],j＝1,2,…,sl
其中h(l)代表输入网络层可靠性中间计算结果。
中间设置两个隐含层：
隐含层1：设定本层初始权值，基于单资源量化指标项计算光缆段、设备、传输段、业务资源对象的本网络层可靠性。
隐含层2：设定本层初始权值，将隐含层1的输出作为输入，计算综合网络层资源下的业务可靠性。
每一次迭代按照以下方式对权值以及偏置进行更新：
Figure BDA0003236858790000131
Figure BDA0003236858790000132
其中，α为学习速率，它的取值范围为(0,1)。
步骤4：采用批量梯度下降优化BP神经网络算法，在更新参数时使用所有的样本来进行更新，不断调整网络的权值和阈值，使网络的误差平方和最小，直到BP神经网络初始模型的预测精度达到要求，得到电力通信系统可靠性评估模型算法。
步骤5：将步骤2中的测试样本数据输入到步骤4中得到的电力通信系统可靠性评估模型算法，进行算法验证。
下面为电力通信系统的可靠性评估算法应用：
可靠性评估算法应用于电力通信系统系统中，适用于以下场景，具有很强的实用性：
(1)现有电力通信系统可靠性量化评估
将现有电力通信系统网络资源数据(光缆、光路、业务)通过构建光缆层网络、传输层网络、业务层三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为当前通信系统中业务可靠性量化值(资源可用度、迂回情况等)，并提供业务疏导建议。
(2)网络结构调整预测电力通信系统可靠性
将网络结构调整后的电力通信系统络资源数据(光缆、光路、业务)通过构建构建光缆层网络、传输层网络、业务层三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为网络结构调整后通信系统中业务可靠性量化值，并可与之前的值进行对比，评估网络结构调整对网络的优化情况。
(3)业务流向调整预测电力通信系统可靠性
将业务流向调整后的电力通信系统络资源数据(光缆、光路、业务)通过构建构建光缆层网络、传输层网络、业务层三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为业务流向调整后通信系统中业务可靠性量化值，并可与之前的值进行对比。
本发明基于神经网络的电力通信系统业务可靠性评估方法，该方法采用梯度下降优化的BP神经网络算法，构建电力通信系统内部大量节点与连接之间的关系模型，研究分析业务流向及网络结构变化的影响，便于快速、全面评估电力通信系统业务可靠性。
实施例二
本实施例的目的是提供一种计算装置,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。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
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执行上述方法的步骤。
实施例四
本实施例的目的是提供一种基于神经网络的电力通信系统可靠性评估系统，包括：
关系模型构建模块，被配置为：构建电力通信系统内部大量节点与连接线路之间的关系模型；
对上述电力通信系统关联模型中的数据进行可靠性量化；
BP神经网络训练模块，被配置为：选取电力通信系统内部大量节点与连接数据进行可靠性评估量化处理后的值作为训练样本数据，进行BP神经网络初始模型的学习训练；
上述BP神经网络中间设置两个隐含层，一个隐含层基于单资源量化指标项计算光缆段、设备、传输段、业务资源对象的本网络层可靠性，另一个隐含层用于计算综合网络层资源下的业务可靠性；
评估模块，被配置为：利用上述训练后的BP神经网络对电力通信系统的可靠性进行评估，输出评估结果。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于神经网络的电力通信系统可靠性评估方法，其特征是，包括：
构建电力通信系统内部大量节点与连接线路之间的关系模型；
对上述电力通信系统关联模型中的数据进行可靠性量化；
选取电力通信系统内部大量节点与连接数据进行可靠性评估量化处理后的值作为训练样本数据，进行BP神经网络初始模型的学习训练；
上述BP神经网络中间设置两个隐含层，一个隐含层基于单资源量化指标项计算光缆段、设备、传输段、业务资源对象的本网络层可靠性，另一个隐含层用于计算综合网络层资源下的业务可靠性；
利用上述训练后的BP神经网络对电力通信系统的可靠性进行评估，输出评估结果。
2.如权利要求1所述的一种基于神经网络的电力通信系统可靠性评估方法，其特征是，电力通信系统为光缆层网络、传输层网络、业务层网络三层架构；
光缆层网络位于最底层，由敷设在不同局站间的光缆组成，是电力通信系统的基础；
传输层网络架设在光缆层上，由设备节点与传输段组成，负责数据信号的传输；
业务层网络承载于传输层网络上，为用户数据传输的通道，直接给用户提供点对点的网络服务。
3.如权利要求1所述的一种基于神经网络的电力通信系统可靠性评估方法，其特征是，采用梯度下降方法提高BP神经网络算法性能，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型。
4.如权利要求1所述的一种基于神经网络的电力通信系统可靠性评估方法，其特征是，对电力通信系统可靠性量化评估时，将采集的电力通信系统网络资源数据通过构建三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为当前通信系统中业务可靠性量化值。
5.如权利要求1所述的一种基于神经网络的电力通信系统可靠性评估方法，其特征是，对网络结构调整预测电力通信系统可靠性评估时，将网络结构调整后的电力通信系统络资源数据通过构建三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为网络结构调整后通信系统中业务可靠性量化值，并可与之前的值进行对比。
6.如权利要求1所述的一种基于神经网络的电力通信系统可靠性评估方法，其特征是，对业务流向调整预测电力通信系统可靠性评估时，将业务流向调整后的电力通信系统络资源数据通过构建三层网络模型后做为输入，输入到BP神经网络算法中，经分析后的输出结果即为业务流向调整后通信系统中业务可靠性量化值，并可与之前的值进行对比。
7.如权利要求5所述的一种基于神经网络的电力通信系统可靠性评估方法，其特征是，电力通信系统络资源数据包括光缆、光路、业务数据。
8.一种基于神经网络的电力通信系统可靠性评估系统，其特征是，包括：
关系模型构建模块，被配置为：构建电力通信系统内部大量节点与连接线路之间的关系模型；
对上述电力通信系统关联模型中的数据进行可靠性量化；
BP神经网络训练模块，被配置为：选取电力通信系统内部大量节点与连接数据进行可靠性评估量化处理后的值作为训练样本数据，进行BP神经网络初始模型的学习训练；
上述BP神经网络中间设置两个隐含层，一个隐含层基于单资源量化指标项计算光缆段、设备、传输段、业务资源对象的本网络层可靠性，另一个隐含层用于计算综合网络层资源下的业务可靠性；
评估模块，被配置为：利用上述训练后的BP神经网络对电力通信系统的可靠性进行评估，输出评估结果。
9.一种计算装置,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，其特征是，所述处理器执行所述程序时实现上述权利要求1-7任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-7任一所述的方法的步骤。
CN202111005026.1A 2021-08-30 2021-08-30 一种基于神经网络的电力通信系统可靠性评估方法及系统 Active CN113965467B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111005026.1A CN113965467B (zh) 2021-08-30 2021-08-30 一种基于神经网络的电力通信系统可靠性评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111005026.1A CN113965467B (zh) 2021-08-30 2021-08-30 一种基于神经网络的电力通信系统可靠性评估方法及系统

Publications (2)

Publication Number Publication Date
CN113965467A true CN113965467A (zh) 2022-01-21
CN113965467B CN113965467B (zh) 2023-10-10

Family

ID=79460563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111005026.1A Active CN113965467B (zh) 2021-08-30 2021-08-30 一种基于神经网络的电力通信系统可靠性评估方法及系统

Country Status (1)

Country Link
CN (1) CN113965467B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279794A (zh) * 2013-06-06 2013-09-04 中国南方电网有限责任公司 电力通信网风险评估方法
WO2015070466A1 (zh) * 2013-11-18 2015-05-21 国家电网公司 安全风险评估方法和装置
WO2016010601A2 (en) * 2014-04-23 2016-01-21 The Florida State University Research Foundation, Inc. Adaptive nonlinear model predictive control using a neural network and input sampling
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN109246495A (zh) * 2018-11-19 2019-01-18 国网河南省电力公司 一种面向多层次、多指标的光网络业务质量评估方法
CN109242150A (zh) * 2018-08-15 2019-01-18 中国南方电网有限责任公司超高压输电公司南宁监控中心 一种电网可靠性预测方法
CN109635933A (zh) * 2018-12-18 2019-04-16 中国民航大学 基于bp神经网络广域信息管理系统可生存性评估模型方法
US20190122119A1 (en) * 2017-10-25 2019-04-25 SparkCognition, Inc. Adjusting automated neural network generation based on evaluation of candidate neural networks
CN111260249A (zh) * 2020-02-13 2020-06-09 武汉大学 一种基于lstm和随机森林混合模型的电力通信业务可靠性评估预测方法及装置
US20200193296A1 (en) * 2018-12-18 2020-06-18 Microsoft Technology Licensing, Llc Neural network architecture for attention based efficient model adaptation
US20200401505A1 (en) * 2019-06-19 2020-12-24 Wipro Limited System and method for automated testing of application program interface (api)
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法
CN112699998A (zh) * 2021-03-25 2021-04-23 北京瑞莱智慧科技有限公司 一种时间序列预测方法、装置、电子设备及可读存储介质
CN113065699A (zh) * 2021-03-22 2021-07-02 国家电网有限公司 一种基于进化神经网络的电力信息网安全态势量化方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279794A (zh) * 2013-06-06 2013-09-04 中国南方电网有限责任公司 电力通信网风险评估方法
WO2015070466A1 (zh) * 2013-11-18 2015-05-21 国家电网公司 安全风险评估方法和装置
WO2016010601A2 (en) * 2014-04-23 2016-01-21 The Florida State University Research Foundation, Inc. Adaptive nonlinear model predictive control using a neural network and input sampling
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
US20190122119A1 (en) * 2017-10-25 2019-04-25 SparkCognition, Inc. Adjusting automated neural network generation based on evaluation of candidate neural networks
CN109242150A (zh) * 2018-08-15 2019-01-18 中国南方电网有限责任公司超高压输电公司南宁监控中心 一种电网可靠性预测方法
CN109246495A (zh) * 2018-11-19 2019-01-18 国网河南省电力公司 一种面向多层次、多指标的光网络业务质量评估方法
CN109635933A (zh) * 2018-12-18 2019-04-16 中国民航大学 基于bp神经网络广域信息管理系统可生存性评估模型方法
US20200193296A1 (en) * 2018-12-18 2020-06-18 Microsoft Technology Licensing, Llc Neural network architecture for attention based efficient model adaptation
US20200401505A1 (en) * 2019-06-19 2020-12-24 Wipro Limited System and method for automated testing of application program interface (api)
WO2021068454A1 (zh) * 2019-10-12 2021-04-15 联合微电子中心有限责任公司 一种基于bp神经网络的微能源器件能量识别方法
CN111260249A (zh) * 2020-02-13 2020-06-09 武汉大学 一种基于lstm和随机森林混合模型的电力通信业务可靠性评估预测方法及装置
CN113065699A (zh) * 2021-03-22 2021-07-02 国家电网有限公司 一种基于进化神经网络的电力信息网安全态势量化方法
CN112699998A (zh) * 2021-03-25 2021-04-23 北京瑞莱智慧科技有限公司 一种时间序列预测方法、装置、电子设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BIN DAI, RONGKE LIU: "Noisy Gradient Descent Bit-Flipping Decoder Based on Adjustment Factor for LDPC Codes", IEEE COMMUNICATIONS LETTERS *
刘丽媛: "兼顾用户体验和电能质量的配电网供电可靠性评估研究", 中国优秀硕士学位论文数据库 *

Also Published As

Publication number Publication date
CN113965467B (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
Nie et al. Network traffic prediction based on deep belief network in wireless mesh backbone networks
US20200265295A1 (en) Data processing apparatus, data processing method, and storage medium
CN110968512B (zh) 软件质量评估方法、装置、设备及计算机可读存储介质
CN109951392B (zh) 一种基于深度学习的中大型网络智能路由选择方法
CN107295537A (zh) 一种测评无线传感器网络可靠性的方法及系统
CN115114128A (zh) 一种卫星健康状态评估系统及评估方法
CN111586728B (zh) 一种面向小样本特征的异构无线网络故障检测与诊断方法
Li et al. Network topology optimization via deep reinforcement learning
CN108470251B (zh) 基于平均互信息的社区划分质量评价方法及系统
CN109412152B (zh) 一种基于深度学习与弹性网正则化的电网网损计算方法
CN113965467B (zh) 一种基于神经网络的电力通信系统可靠性评估方法及系统
CN116384240A (zh) 一种服务器能耗预测方法、装置及存储介质
CN116319439A (zh) 一种网络实体能力参数确定方法及其评价系统
CN114254734A (zh) 一种支持确定性应用的流量矩阵建模方法
Balabanova et al. Synthesizing of models for identification of teletraffic Markov chains by artificial neural networks and decision tree method
CN112232985A (zh) 用于泛在电力物联网的配用电数据监测方法及装置
CN116306770B (zh) 一种基于密母神经架构搜索的软件定义网络性能预测方法
CN116681291B (zh) 一种基于集成模型的风控预测方法及系统
CN115618743B (zh) 一种瞄准镜系统的状态评估方法及状态评估系统
Gu et al. On a multi-objective evolutionary algorithm for optimizing end-to-end performance of scientific workflows in distributed environments
CN117354053B (zh) 一种基于大数据的网络安全保护方法
CN112560898B (zh) 一种基于深度学习的负荷时空预测方法
CN117687801B (zh) 一种跨域分布式计算系统、方法、存储介质和电子设备
CN115348179B (zh) 网络流量边界预测方法、装置、设备及介质
CN112712160B (zh) 一种基于ahp技术的群体行为预测方法和装置

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