CN114024829B - 电力通信网络的故障检修方法、装置、设备和存储介质 - Google Patents

电力通信网络的故障检修方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114024829B
CN114024829B CN202111252304.3A CN202111252304A CN114024829B CN 114024829 B CN114024829 B CN 114024829B CN 202111252304 A CN202111252304 A CN 202111252304A CN 114024829 B CN114024829 B CN 114024829B
Authority
CN
China
Prior art keywords
alarm
network
fault
alarm information
communication 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.)
Active
Application number
CN202111252304.3A
Other languages
English (en)
Other versions
CN114024829A (zh
Inventor
亢中苗
许世纳
李溢杰
邓晓智
张健
刘新展
张珮明
黄东海
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
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center 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, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202111252304.3A priority Critical patent/CN114024829B/zh
Publication of CN114024829A publication Critical patent/CN114024829A/zh
Application granted granted Critical
Publication of CN114024829B publication Critical patent/CN114024829B/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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0604—Management of faults, events, alarms or notifications using filtering, e.g. reduction of information by using priority, element types, position or time
    • 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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • H04L41/0677—Localisation of faults
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开电力通信网络的故障检修方法、装置、设备和存储介质，包括：对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库；将告警信息打上其对应的故障站点标签并构成训练集，基于深度信念网络对训练集进行处理，完成电力通信网的故障定位；基于Spark框架的加权FP‑Growth通信网故障并行挖掘方法，将告警信息分配到Spark框架中的不同节点，使用WFPS算法并行地挖掘告警频繁项后根据是否满足最小置信度阈值的原则得到告警关联规则，对告警关联规则进行分析后实现对故障定位的检修。本申请可以有效提取与特征诊断相关的重要信息，消除不确定性，实现对电力通信网的快速故障检修。

Description

电力通信网络的故障检修方法、装置、设备和存储介质
技术领域
本申请涉及电力通信网络运维系统技术领域，尤其涉及电力通信网络的故障检修方法、装置、设备和存储介质。
背景技术
电力通信网络承载着智能电网信息交互的重要任务，是智能电网稳定、安全、经济运行的重要保障，因此电力通信网路发生故障时如何快速准确地对故障进行检修成为不可避免的问题。而目前对于电力通信网络的维护管理，大多采用事后报警的方式，即需要网络管理系统发出告警数据后再由网络运维人员进行人工故障诊断，但随着智能电网的复杂化、先进化以及智能化，仅仅依赖人工维护已经无法保障电力通信网路的高效运行，制约了智能电网的发展。因此，设计自主智能的电力通信网络运维系统已经迫在眉睫。
发明内容
本申请提供电力通信网络的故障检修方法、装置、设备和存储介质，以解决现有技术中原始告警数据存在信息冗余、离散以及时间不同步的问题。
为解决上述技术问题，本申请提出一种电力通信网络的故障检修方法，包括：对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库；将告警事务数据库的告警信息打上其对应的故障站点标签并构成训练集，基于深度信念网络对训练集进行处理，完成电力通信网的故障定位；基于Spark框架的加权FP-Growth通信网故障并行挖掘方法，将告警事务数据库的告警信息分配到Spark框架中的不同节点，接着使用WFPS算法并行地挖掘告警频繁项后根据是否满足最小置信度阈值的原则得到告警关联规则，对告警关联规则进行分析后实现对故障定位的检修。
可选地，对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库，包括：从各个网管中采集原始告警数据，并根据原始告警数据建立原始告警信息数据库；根据预设的告警数据格式对原始告警信息数据库的原始告警数据进行标准化处理，得到目标告警信息数据库；对目标告警信息数据库中的告警信息进行聚类和滑动窗口处理，得到告警事务数据库；利用熵值法确定每种不同的告警信息对最终所有故障诊断的影响权值，对全网的告警信息按照站点为单位进行告警事务编码。
可选地，深度信念网络的训练过程包括无监督预训练和有监督微调，基于深度信念网络对训练集进行处理，完成电力通信网的故障定位，包括：将训练集作为第一层受限玻尔兹曼机的输入数据进行训练；在充分训练第一层受限玻尔兹曼机后，将其隐藏层神经元的状态向量作为第二个受限玻尔兹曼机可视层的输入向量，通过不断地单独无监督地训练每一层受限玻尔兹曼机网络，直到最后一个受限玻尔兹曼机的隐藏层输出数据作为整个网络最终的输出结果；完成无监督训练过程后，在深度信念网络的最后一层设置BP网络，接收受限玻尔兹曼网络输出的特征向量作为其输入特征向量，同时将误差信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络，微调过程为有监督的训练过程，通过调整每层受限玻尔兹曼机的权重和偏置，使其达到最优；最后利用训练好的深度信念网络输出故障定位结果。
可选地，对告警关联规则进行分析后实现对故障定位的检修，包括：将告警事务数据库的告警信息加载到Spark的弹性分布式数据集中，计算每一项的支持度，得到频繁1-项集，接着对频繁1-项集按照支持度的大小降序排列，删除集合中所有加权支持度不满足最小加权支持度的项集，生成频繁项集F-List；找出告警频繁1-项集及其所有条件模式基，将其转化为<频繁1-项集，关于这个频繁1-项集的条件模式基>的键值对，然后将具有相同key值的键值对映射到同一个节点；在每个节点中构建条件FP-tree，构建完成后开始在不同的节点中并行地进行加权关联规则的挖掘；将各个节点挖掘到的频繁项集进行聚合，得到最终的频繁项集，最后找出所有满足最小置信度的关联规则，通过对关联规则进行分析，进而实现电力通信网的故障检测与恢复。
为解决上述技术问题，本申请提出一种电力通信网络的故障检修装置，包括：预处理模块，用于对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库；故障定位模块，用于将告警事务数据库的告警信息打上其对应的故障站点标签并构成训练集，基于深度信念网络对训练集进行处理，完成电力通信网的故障定位；告警关联规则模块，用于基于Spark框架的加权FP-Growth通信网故障并行挖掘方法，将告警事务数据库的告警信息分配到Spark框架中的不同节点，接着使用WFPS算法并行地挖掘告警频繁项后根据是否满足最小置信度阈值的原则得到告警关联规则，对告警关联规则进行分析后实现对故障定位的检修。
可选地，预处理模块还用于：从各个网管中采集原始告警数据，并根据原始告警数据建立原始告警信息数据库；根据预设的告警数据格式对原始告警信息数据库的原始告警数据进行标准化处理，得到目标告警信息数据库；对目标告警信息数据库中的告警信息进行聚类和滑动窗口处理，得到告警事务数据库；利用熵值法确定每种不同的告警信息对最终所有故障诊断的影响权值，对全网的告警信息按照站点为单位进行告警事务编码。
可选地，深度信念网络的训练过程包括无监督预训练和有监督微调，故障定位模块还用于：将训练集作为第一层受限玻尔兹曼机的输入数据进行训练；在充分训练第一层受限玻尔兹曼机后，将其隐藏层神经元的状态向量作为第二个受限玻尔兹曼机可视层的输入向量，通过不断地单独无监督地训练每一层受限玻尔兹曼机网络，直到最后一个受限玻尔兹曼机的隐藏层输出数据作为整个网络最终的输出结果；完成无监督训练过程后，在深度信念网络的最后一层设置BP网络，接收受限玻尔兹曼网络输出的特征向量作为其输入特征向量，同时将误差信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络，微调过程为有监督的训练过程，通过调整每层受限玻尔兹曼机的权重和偏置，使其达到最优；最后利用训练好的深度信念网络输出故障定位结果。
可选地，告警关联规则模块还用于：将告警事务数据库的告警信息加载到Spark的弹性分布式数据集中，计算每一项的支持度，得到频繁1-项集，接着对频繁1-项集按照支持度的大小降序排列，删除集合中所有加权支持度不满足最小加权支持度的项集，生成频繁项集F-List；找出告警频繁1-项集及其所有条件模式基，将其转化为<频繁1-项集，关于这个频繁1-项集的条件模式基>的键值对，然后将具有相同key值的键值对映射到同一个节点；在每个节点中构建条件FP-tree，构建完成后开始在不同的节点中并行地进行加权关联规则的挖掘；将各个节点挖掘到的频繁项集进行聚合，得到最终的频繁项集，最后找出所有满足最小置信度的关联规则，通过对关联规则进行分析，进而实现电力通信网的故障检测与恢复。
为解决上述技术问题，本申请提出一种电子设备，包括存储器和处理器，存储器连接处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述的电力通信网络的故障检修方法
为解决上述技术问题，本申请提出一种计算机可读存储介质，存储有计算机程序，计算机程序被执行时实现上述的电力通信网络的故障检修方法。
本申请提出电力通信网络的故障检修方法、装置、设备和存储介质，与现有技术相比，具有以下有益效果：
1)对原始告警数据预处理方法可以解决原始告警数据存在的告警信息冗余、告警时间不同步、存在虚假告警信息等问题，有效提取与特征诊断相关的重要信息并减少数据量；
2)深度信念网络能有效提取告警信息与故障之间的特征关联，并且其直接面向底层原始数据，能有效消除人工特征提取与选择带来的不确定性，并且不受电力通信网络拓扑变化的影响；
3)利用加权关联规则挖掘技术对历史检修数据进行关联规则的分析可以进一步地提高故障检测与恢复的效率，同时该方法通过在独立的节点间并行挖掘告警信息，以此加快告警关联规则的发现，通过对挖掘到满足最小支持度阈值的告警关联规则进行分析，实现对电力通信网的快速故障检修。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请电力通信网络的故障检修方法一实施例的流程示意图；
图2是本申请告警数据预处理一实施例的流程示意图；
图3是本申请深度信念网络典型结构的示意图；
图4是本申请基于深度信念网络的故障定位算法一实施例的流程示意图；
图5是本申请电力通信网络的故障检修装置一实施例的结构示意图；
图6是本申请电子设备一实施例的结构示意图；
图7是本申请计算机可读存储介质一实施例的结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供电力通信网络的故障检修方法、装置、设备和存储介质进一步详细描述。
针对原始告警数据存在信息冗余、离散以及时间不同步等问题，本申请设计了电力通信网络的故障检修方法，该方法基于聚类、滑动窗口与熵权法相结合的告警数据预处理方法，并利用电力通信网络的告警数据与故障存在着关联性设计基于深度信念网的故障定位算法，同时对故障检修数据建立数据库，利用基于Spark框架的加权FP-Growth并行电力通信网络故障挖掘方法从海量的历史检修数据中找出故障检修数据与告警信息之间的频繁项集，挖掘故障告警与检修信息之间的关联关系，实现故障的快速检测与恢复。
请参阅图1，图1是本申请电力通信网络的故障检修方法一实施例的流程示意图。在本实施例中，电力通信网络的故障检修方法可以包括步骤S110～S130，各步骤具体如下：
S110：对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库。
本专利设计的电力通信网络运维系统主要包括告警数据预处理、基于深度信念网络的故障定位以及基于加权关联规则挖掘的故障检修三个主要模块。
1.告警数据预处理
电力通信网络存在着海量的告警数据，但通过网络管理系统采集到的原始告警数据往往存在着告警信息冗余、告警时间不同步、存在虚假告警信息等问题，如何在海量的告警数据中提取出完整的电网故障诊断所需的警报信息是电力通信网运维系统能够顺利进行的基础。因此设计告警数据预处理模块对原始的告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库。告警数据预处理流程如图2所示。
原始告警数据预处理的步骤如下：
1)采集原始告警数据
从各个网管中采集原始告警数据，并根据原始告警数据建立原始告警信息数据库。
2)数据选取和标准化
根据预设的告警数据格式对原始告警信息数据库的原始告警数据进行标准化处理，得到目标告警信息数据库。
具体地，每条告警信息中会包含有多个不同的字段，剔除掉明显对故障诊断没有价值的告警字段，同时由于不同厂家的网络管理系统发出的告警数据格式可能会存在不同，因此需要根据自定义的告警数据格式对告警信息进行标准化处理，得到目标告警信息数据库。自定义的告警数据格式如表1所示，该格式可根据需求进行更改，经过数据选取和标准化的告警信息形成目标告警信息数据库。
表1处理后的告警数据格式
Figure BDA0003322282470000051
3)聚类和滑动窗口处理
对目标告警信息数据库中的告警信息进行聚类和滑动窗口处理，得到告警事务数据库。
具体地，针对目标告警数据库内的告警信息存在冗余、时间不同步等问题，首先本系统选用密度聚类算法DBSCAN来完成对告警时间段的聚类，将告警密集的时间段筛选出来并将稀疏的时间段中的告警数据从目标告警信息数据库中删除。通过采用聚类的方法对目标告警数据库进行处理，可以有效消除告警信息离散的问题，找出告警时间密集的时间段。
其次，针对告警数据中存在多次重复告警的问题，本系统采用滑动时间窗口的方法对告警时间进行同步处理：
步骤一：告警源作为告警唯一标识，对故障诊断尤为重要，将同一个检测设备或监控站点发出的告警信息集中在一起，得到按告警源分类的待处理的告警数据集；
步骤二：对步骤一得到的告警数据按告警源的不同，分别进行时间窗口处理。
步骤三：按照告警发生的先后时间顺序，将步骤二中处理后的告警数据整理合并，得到告警事务数据库。
4)加权编码
利用熵值法确定每种不同的告警信息对最终所有故障诊断的影响权值，对全网的告警信息按照站点为单位进行告警事务编码。可选地，编码采用八位二进制布尔编码表示。
S120：将告警事务数据库的告警信息打上其对应的故障站点标签并构成训练集，基于深度信念网络对训练集进行处理，完成电力通信网的故障定位。
将训练集作为第一层受限玻尔兹曼机的输入数据进行训练；具体地，将上一步预处理的告警数据打上其对应的故障站点标签构成训练集，基于深度信念网络完成电力通信网的故障定位。深度信念网络(Deep Belief Network，DBN)由多个受限玻尔兹曼机(Restricted Boltzmann Machines，RBM)堆叠而成，其典型结构如图3所示。
本系统设计的基于深度信念网络的故障定位算法结构流程如图4所示。
在充分训练第一层受限玻尔兹曼机后，将其隐藏层神经元的状态向量作为第二个受限玻尔兹曼机可视层的输入向量，通过不断地单独无监督地训练每一层受限玻尔兹曼机网络，直到最后一个受限玻尔兹曼机的隐藏层输出数据作为整个网络最终的输出结果；当训练停止时，可得到深度信念网络所有隐藏层权重的初始化参数值。
完成无监督训练过程后，在深度信念网络的最后一层设置BP网络，接收受限玻尔兹曼网络输出的特征向量作为其输入特征向量，同时将误差信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络，微调过程为有监督的训练过程，通过调整每层受限玻尔兹曼机的权重和偏置，使其达到最优。最后利用训练好的深度信念网络输出故障定位结果。
S130：基于Spark框架的加权FP-Growth通信网故障并行挖掘方法，将告警事务数据库的告警信息分配到Spark框架中的不同节点，接着使用WFPS算法并行地挖掘告警频繁项后根据是否满足最小置信度阈值的原则得到告警关联规则，对告警关联规则进行分析后实现对故障定位的检修。
将告警事务数据库的告警信息加载到Spark的弹性分布式数据集(ResilientDistributed Data sets，RDD)中，计算每一项的支持度，得到频繁1-项集，接着对频繁1-项集按照支持度的大小降序排列，删除集合中所有加权支持度不满足最小加权支持度的项集，生成频繁项集F-List。
找出告警频繁1-项集及其所有条件模式基，将其转化为<频繁1-项集，关于这个频繁1-项集的条件模式基>的键值对，然后将具有相同key值的键值对映射到同一个节点。
在每个节点中构建条件FP-tree，构建完成后开始在不同的节点中并行地进行加权关联规则的挖掘。
将各个节点挖掘到的频繁项集进行聚合，得到最终的频繁项集，最后找出所有满足最小置信度的关联规则，通过对关联规则进行分析，进而实现电力通信网的故障检测与恢复。
综上，本实施例提供一种电力通信网络的故障检修方法，可以解决原始告警数据存在的告警信息冗余、告警时间不同步、存在虚假告警信息等问题，有效提取与特征诊断相关的重要信息并减少数据量；深度信念网络能有效提取告警信息与故障之间的特征关联，并且其直接面向底层原始数据，能有效消除人工特征提取与选择带来的不确定性，并且不受电力通信网络拓扑变化的影响；利用加权关联规则挖掘技术对历史检修数据进行关联规则的分析可以进一步地提高故障检测与恢复的效率，同时该方法通过在独立的节点间并行挖掘告警信息，以此加快告警关联规则的发现，通过对挖掘到满足最小支持度阈值的告警关联规则进行分析，实现对电力通信网的快速故障检修。
基于上述的电力通信网络的故障检修方法，本申请还提出一种电力通信网络的故障检修装置。请参阅图5，图5是本申请电力通信网络的故障检修装置一实施例的结构示意图。在本实施例中，电力通信网络的故障检修装置可以包括预处理模块110、故障定位模块120和告警关联规则模块130。
具体地，预处理模块110，用于对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库；
故障定位模块120，用于将告警事务数据库的告警信息打上其对应的故障站点标签并构成训练集，基于深度信念网络对训练集进行处理，完成电力通信网的故障定位；
告警关联规则模块130，用于基于Spark框架的加权FP-Growth通信网故障并行挖掘方法，将告警事务数据库的告警信息分配到Spark框架中的不同节点，接着使用WFPS算法并行地挖掘告警频繁项后根据是否满足最小置信度阈值的原则得到告警关联规则，对告警关联规则进行分析后实现对故障定位的检修。
可选地，预处理模块110还用于：从各个网管中采集原始告警数据，并根据原始告警数据建立原始告警信息数据库；根据预设的告警数据格式对原始告警信息数据库的原始告警数据进行标准化处理，得到目标告警信息数据库；对目标告警信息数据库中的告警信息进行聚类和滑动窗口处理，得到告警事务数据库；利用熵值法确定每种不同的告警信息对最终所有故障诊断的影响权值，对全网的告警信息按照站点为单位进行告警事务编码。
可选地，深度信念网络的训练过程包括无监督预训练和有监督微调，故障定位模块120还用于：将训练集作为第一层受限玻尔兹曼机的输入数据进行训练；在充分训练第一层受限玻尔兹曼机后，将其隐藏层神经元的状态向量作为第二个受限玻尔兹曼机可视层的输入向量，通过不断地单独无监督地训练每一层受限玻尔兹曼机网络，直到最后一个受限玻尔兹曼机的隐藏层输出数据作为整个网络最终的输出结果；完成无监督训练过程后，在深度信念网络的最后一层设置BP网络，接收受限玻尔兹曼网络输出的特征向量作为其输入特征向量，同时将误差信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络，微调过程为有监督的训练过程，通过调整每层受限玻尔兹曼机的权重和偏置，使其达到最优；最后利用训练好的深度信念网络输出故障定位结果。
可选地，告警关联规则模块130还用于：将告警事务数据库的告警信息加载到Spark的弹性分布式数据集中，计算每一项的支持度，得到频繁1-项集，接着对频繁1-项集按照支持度的大小降序排列，删除集合中所有加权支持度不满足最小加权支持度的项集，生成频繁项集F-List；找出告警频繁1-项集及其所有条件模式基，将其转化为<频繁1-项集，关于这个频繁1-项集的条件模式基>的键值对，然后将具有相同key值的键值对映射到同一个节点；在每个节点中构建条件FP-tree，构建完成后开始在不同的节点中并行地进行加权关联规则的挖掘；将各个节点挖掘到的频繁项集进行聚合，得到最终的频繁项集，最后找出所有满足最小置信度的关联规则，通过对关联规则进行分析，进而实现电力通信网的故障检测与恢复。
基于上述的电力通信网络的故障检修方法，本申请还提出一种电子设备，如图6所示，图6是本申请电子设备一实施例的结构示意图。电子设备200可以包括存储器21和处理器22，存储器21连接处理器22，存储器21中存储有计算机程序，计算机程序被处理器22执行时实现上述任一实施例的方法。其步骤和原理在上述方法已详细介绍，在此不再赘述。
在本实施例中，处理器22还可以称为CPU(central processing unit，中央处理单元)。处理器22可以是一种集成电路芯片，具有信号的处理能力。处理器22还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
基于上述的电力通信网络的故障检修方法，本申请还提出一种计算机可读存储介质。请参阅图7，图7是本申请计算机可读存储介质一实施例的结构示意图。计算机可读存储介质300上存储有计算机程序31，计算机程序31被处理器执行时实现上述任一实施例的方法。其步骤和原理在上述方法已详细介绍，在此不再赘述。
进一步的，计算机可读存储介质300还可以是U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存储器(random access memory，RAM)、磁带或者光盘等各种可以存储程序代码的介质。
可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种电力通信网络的故障检修方法，其特征在于，包括：
对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库；
将告警事务数据库的告警信息打上其对应的故障站点标签并构成训练集，基于深度信念网络对所述训练集进行处理，完成电力通信网的故障定位；
基于Spark框架的加权FP-Growth通信网故障并行挖掘方法，将告警事务数据库的告警信息分配到Spark框架中的不同节点，接着使用WFPS算法并行地挖掘告警频繁项后根据是否满足最小置信度阈值的原则得到告警关联规则，对所述告警关联规则进行分析后实现对所述故障定位的检修；
所述对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库，包括：
从各个网管中采集原始告警数据，并根据所述原始告警数据建立原始告警信息数据库；
根据预设的告警数据格式对所述原始告警信息数据库的原始告警数据进行标准化处理，得到目标告警信息数据库；
对所述目标告警信息数据库中的告警信息进行聚类和滑动窗口处理，得到所述告警事务数据库；
利用熵值法确定每种不同的告警信息对最终所有故障诊断的影响权值，对全网的告警信息按照站点为单位进行告警事务编码；
其中，所述对所述目标告警信息数据库中的告警信息进行聚类和滑动窗口处理，得到所述告警事务数据库，包括：
根据DBSCAN算法对告警时间段进行聚类，筛选出告警密集时间段中的告警数据，删除告警稀疏时间段中的告警数据；
将筛选出的告警密集时间段中的告警数据按照告警源进行划分，将同一个检测设备或监控站点发出的告警信息集中在一起，得到按告警源分类的待处理的告警数据集；
将所述待处理的告警数据集按告警源的不同，分别进行时间窗口处理，并按照告警发生的先后时间顺序进行整理合并，得到告警事务数据库。
2.根据权利要求1所述的电力通信网络的故障检修方法，其特征在于，所述深度信念网络的训练过程包括无监督预训练和有监督微调，所述基于深度信念网络对所述训练集进行处理，完成电力通信网的故障定位，包括：
将所述训练集作为第一层受限玻尔兹曼机的输入数据进行训练；
在充分训练第一层受限玻尔兹曼机后，将其隐藏层神经元的状态向量作为第二个受限玻尔兹曼机可视层的输入向量，通过不断地单独无监督地训练每一层受限玻尔兹曼机网络，直到最后一个受限玻尔兹曼机的隐藏层输出数据作为整个网络最终的输出结果；
完成无监督训练过程后，在深度信念网络的最后一层设置BP网络，接收受限玻尔兹曼网络输出的特征向量作为其输入特征向量，同时将误差信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络，微调过程为有监督的训练过程，通过调整每层受限玻尔兹曼机的权重和偏置，使其达到最优；
最后利用训练好的深度信念网络输出故障定位结果。
3.根据权利要求1所述的电力通信网络的故障检修方法，其特征在于，所述对所述告警关联规则进行分析后实现对所述故障定位的检修，包括：
将告警事务数据库的告警信息加载到Spark的弹性分布式数据集中，计算每一项的支持度，得到频繁1-项集，接着对频繁1-项集按照支持度的大小降序排列，删除集合中所有加权支持度不满足最小加权支持度的项集，生成频繁项集F-List；
找出告警频繁1-项集及其所有条件模式基，将其转化为<频繁1-项集，关于这个频繁1-项集的条件模式基>的键值对，然后将具有相同key值的键值对映射到同一个节点；
在每个节点中构建条件FP-tree，构建完成后开始在不同的节点中并行地进行加权关联规则的挖掘；
将各个节点挖掘到的频繁项集进行聚合，得到最终的频繁项集，最后找出所有满足最小置信度的关联规则，通过对关联规则进行分析，进而实现电力通信网的故障检测与恢复。
4.一种电力通信网络的故障检修装置，其特征在于，包括：
预处理模块，用于对原始告警信息进行预处理，选取和故障诊断最相关的数据特征并进行加权编码，形成告警事务数据库；
故障定位模块，用于将告警事务数据库的告警信息打上其对应的故障站点标签并构成训练集，基于深度信念网络对所述训练集进行处理，完成电力通信网的故障定位；
告警关联规则模块，用于基于Spark框架的加权FP-Growth通信网故障并行挖掘方法，将告警事务数据库的告警信息分配到Spark框架中的不同节点，接着使用WFPS算法并行地挖掘告警频繁项后根据是否满足最小置信度阈值的原则得到告警关联规则，对所述告警关联规则进行分析后实现对所述故障定位的检修；
所述预处理模块还用于：
从各个网管中采集原始告警数据，并根据所述原始告警数据建立原始告警信息数据库；
根据预设的告警数据格式对所述原始告警信息数据库的原始告警数据进行标准化处理，得到目标告警信息数据库；
对所述目标告警信息数据库中的告警信息进行聚类和滑动窗口处理，得到所述告警事务数据库；
利用熵值法确定每种不同的告警信息对最终所有故障诊断的影响权值，对全网的告警信息按照站点为单位进行告警事务编码；
其中，所述对所述目标告警信息数据库中的告警信息进行聚类和滑动窗口处理，得到所述告警事务数据库，包括：
根据DBSCAN算法对告警时间段进行聚类，筛选出告警密集时间段中的告警数据，删除告警稀疏时间段中的告警数据；
将筛选出的告警密集时间段中的告警数据按照告警源进行划分，将同一个检测设备或监控站点发出的告警信息集中在一起，得到按告警源分类的待处理的告警数据集；
将所述待处理的告警数据集按告警源的不同，分别进行时间窗口处理，并按照告警发生的先后时间顺序进行整理合并，得到告警事务数据库。
5.根据权利要求4所述的电力通信网络的故障检修装置，其特征在于，所述深度信念网络的训练过程包括无监督预训练和有监督微调，所述故障定位模块还用于：
将所述训练集作为第一层受限玻尔兹曼机的输入数据进行训练；
在充分训练第一层受限玻尔兹曼机后，将其隐藏层神经元的状态向量作为第二个受限玻尔兹曼机可视层的输入向量，通过不断地单独无监督地训练每一层受限玻尔兹曼机网络，直到最后一个受限玻尔兹曼机的隐藏层输出数据作为整个网络最终的输出结果；
完成无监督训练过程后，在深度信念网络的最后一层设置BP网络，接收受限玻尔兹曼网络输出的特征向量作为其输入特征向量，同时将误差信息自顶向下传播至每一层受限玻尔兹曼机，微调整个深度信念网络，微调过程为有监督的训练过程，通过调整每层受限玻尔兹曼机的权重和偏置，使其达到最优；
最后利用训练好的深度信念网络输出故障定位结果。
6.根据权利要求4所述的电力通信网络的故障检修装置，其特征在于，所述告警关联规则模块还用于：
将告警事务数据库的告警信息加载到Spark的弹性分布式数据集中，计算每一项的支持度，得到频繁1-项集，接着对所述频繁1-项集按照支持度的大小降序排列，删除集合中所有加权支持度不满足最小加权支持度的项集，生成频繁项集F-List；
找出告警频繁1-项集及其所有条件模式基，将其转化为<频繁1-项集，关于这个频繁1-项集的条件模式基>的键值对，然后将具有相同key值的键值对映射到同一个节点；
在每个节点中构建条件FP-tree，构建完成后开始在不同的节点中并行地进行加权关联规则的挖掘；
将各个节点挖掘到的频繁项集进行聚合，得到最终的频繁项集，最后找出所有满足最小置信度的关联规则，通过对关联规则进行分析，进而实现电力通信网的故障检测与恢复。
7.一种电子设备，其特征在于，包括存储器和处理器，所述存储器连接所述处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-3中任一项所述的电力通信网络的故障检修方法。
8.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被执行时实现权利要求1-3任一项所述的电力通信网络的故障检修方法。
CN202111252304.3A 2021-10-26 2021-10-26 电力通信网络的故障检修方法、装置、设备和存储介质 Active CN114024829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111252304.3A CN114024829B (zh) 2021-10-26 2021-10-26 电力通信网络的故障检修方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111252304.3A CN114024829B (zh) 2021-10-26 2021-10-26 电力通信网络的故障检修方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN114024829A CN114024829A (zh) 2022-02-08
CN114024829B true CN114024829B (zh) 2023-06-06

Family

ID=80057726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111252304.3A Active CN114024829B (zh) 2021-10-26 2021-10-26 电力通信网络的故障检修方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114024829B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615129B (zh) * 2022-03-09 2024-01-23 广东电网有限责任公司 一种电力通信网络的故障诊断方法、装置及系统
CN115834221A (zh) * 2022-11-28 2023-03-21 国网山东省电力公司信息通信公司 一种网络安全智能分析方法、系统、设备和存储介质
CN116328244B (zh) * 2023-03-21 2023-09-01 江苏智慧工场技术研究院有限公司 一种消防巡检方法、系统及存储介质
CN117407824B (zh) * 2023-12-14 2024-02-27 四川蜀能电科能源技术有限公司 一种电力时间同步装置的健康检测方法、设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503247A (zh) * 2019-08-01 2019-11-26 中国科学院深圳先进技术研究院 电信网络告警预测方法及系统
CN110995475A (zh) * 2019-11-20 2020-04-10 国网湖北省电力有限公司信息通信公司 一种基于迁移学习的电力通信网故障检测方法
CN113282461A (zh) * 2021-05-28 2021-08-20 中国联合网络通信集团有限公司 传输网的告警识别方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9942254B1 (en) * 2014-07-10 2018-04-10 ThetaRay Ltd. Measure based anomaly detection
CN104239437B (zh) * 2014-08-28 2017-12-15 国家电网公司 一种面向电网调度的智能告警分析方法
CN108540311B (zh) * 2018-03-16 2021-03-30 哈尔滨工业大学 卫星执行机构的故障检测深度学习网络处理方法及装置
CN109597836B (zh) * 2018-11-29 2023-06-27 武汉大学 一种基于加权矩阵的通信设备告警关联规则挖掘方法
CN109933881A (zh) * 2019-03-06 2019-06-25 武汉大学 一种基于优化深度信念网络的电力电子电路故障诊断方法
CN110135603B (zh) * 2019-05-21 2022-11-11 国网河南省电力公司信息通信公司 一种基于改进熵权法的电力网络告警空间特征分析方法
CN110766137A (zh) * 2019-10-18 2020-02-07 武汉大学 基于天牛须优化深度置信网络算法的电力电子电路故障诊断方法
CN112202738A (zh) * 2020-09-21 2021-01-08 北方工业大学 一种基于机器学习的工控态势感知系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503247A (zh) * 2019-08-01 2019-11-26 中国科学院深圳先进技术研究院 电信网络告警预测方法及系统
CN110995475A (zh) * 2019-11-20 2020-04-10 国网湖北省电力有限公司信息通信公司 一种基于迁移学习的电力通信网故障检测方法
CN113282461A (zh) * 2021-05-28 2021-08-20 中国联合网络通信集团有限公司 传输网的告警识别方法和装置

Also Published As

Publication number Publication date
CN114024829A (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN114024829B (zh) 电力通信网络的故障检修方法、装置、设备和存储介质
Alazab et al. A multidirectional LSTM model for predicting the stability of a smart grid
Zheng et al. Semi-supervised classification on data streams with recurring concept drift and concept evolution
Souza et al. Classification of evolving data streams with infinitely delayed labels
CN109343990A (zh) 一种基于深度学习的云计算系统异常检测方法
CN110008343A (zh) 文本分类方法、装置、设备及计算机可读存储介质
US20220078071A1 (en) Device and method for monitoring communication networks
Li Automatic log analysis using machine learning: awesome automatic log analysis version 2.0
CN112818120B (zh) 习题标注方法、装置、存储介质及电子设备
CN109993391B (zh) 网络运维任务工单的派发方法、装置、设备及介质
Folino et al. An adaptive distributed ensemble approach to mine concept-drifting data streams
Jing et al. Network intrusion detection method based on relevance deep learning
CN114021425B (zh) 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质
CN113282433B (zh) 集群异常检测方法、装置和相关设备
Ghesmoune et al. Clustering over data streams based on growing neural gas
CN116826961A (zh) 电网智能调度和运维系统、方法及存储介质
Zhao et al. Video behavior analysis using topic models and rough sets [applications notes]
CN114238062B (zh) 板卡烧录装置性能分析方法、装置、设备及可读存储介质
CN109635008A (zh) 一种基于机器学习的设备故障检测方法
Sharma et al. Nearest neighbour classification for wireless sensor network data
He et al. Representation learning of knowledge graph for wireless communication networks
CN113657627B (zh) 电力通信网中缺陷单生成方法和系统
CN114547310A (zh) 一种假新闻早期检测方法、系统、设备及介质
CN107918670A (zh) 一种应用于电力通信系统的告警处理方法
Ji et al. Integrated Generative Adversarial Network and XGBoost for Anomaly Processing of Massive Data Flow in Dispatch Automation Systems.

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