[发明专利]一种基于改进的LSTM的电力通信网设备故障预测方法

权利要求书

1.一种基于改进的LSTM的电力通信网设备故障预测方法，其特征在于，包括：

步骤1，对电力通信网设备的告警数据和机房动环数据进行预处理；

步骤2，构建基于时序的输入，时间窗口构成一个时间序列，对于一个单独的时间窗口t_i，包含如下的几类特征：

特征一、这个时间窗口内，设备所在机房的温度的平均值，湿度的平均值，分别记为T_i,H_i

特征二、对于某台设备，其告警的类型是固定的，表示为A₁,A₂,A₃...A_m.那么每种告警在该时间窗口内出现的次数为

特征三、对于每种在该时间窗口内发生的告警对应的持续时间为

特征四、时间窗口的中心时间点距离设备上一次故障的时间长度W_i,如果设备正处于故障之中W_i为0；

特征五、三种告警级别提示、次要、重要、紧急在该时间窗口内分别发生的总次数L1_i,L2_i,L3_i,L4_i；

对于告警A₁，选择前pre个窗口，计算在pre个窗口中A₁发生过的个数记为Count_A1i，则概率

对于数值型的特征为了消除不同特征之间的量纲影响，需要对数据进行归一化处理；综上所述，将基于时序的输入表示为向量的方式,如下所示：

步骤3，构建预测模型，并采用该模型进行电力通信网设备故障预测，具体是：定义模型从下往上依次是输入层，PCA，LSTM隐藏层，dropout，输出层；基于改进的LSTM构建深度神经网络，来解决电力通信设备故障预测的问题，预测设备下一个时间窗口是否会发生故障是一个二分类的问题；给一个序列x₁,x₂...x_T，需要学习一个分类器能够生成真实结果y的预测值这里的y表示的是x_T之后的时间窗口是否会发生故障；采用没有peephole连接的LSTM记忆细胞来构造深度神经网络，在LSTM隐藏层的上层构建了一个全连接的输出层，使用sigmoid的激活函数输出最终的预测目标；并使用交叉熵作为损失函数；

采用了目标复制的策略构建LSTM的预测架构，在每一个步骤上都进行输出预测，从而在每一步中都可以带来局部的误差信息；基于该LSTM的预测架构，损失函数如下所示：

其中α∈[0,1]是一个超参数，表示在序列的中间步骤中其预测结果的相对重要性；

为了防止神经网络的过拟合在LSTM隐藏层和输出层之间使用dropout，并使用L2的权重衰减。

2.根据权利要求1所述的一种基于改进的LSTM的电力通信网设备故障预测方法，其特征在于，所述步骤1的预处理具体处理方法是：

步骤2.1、对非法的告警进行剔除，这些数据视其为脏数据，脏数据的输入会影响预测的结果，包含以下几种情况：告警的发生或者结束时间为非法时间，告警的结束时间早于告警的发生时间，告警类型的信息未定义；

步骤2.2、定义阀值Threshold,如果告警的结束时间与开始时间之差，小于Threshold，将其过滤；Threshold通过绘制告警持续时间的曲线图，结合专家知识进行评估；

步骤2.3、机房的温度湿度数据是每隔五分钟采集一次，但是有些数据存在缺失值，对于缺失的数据使用离该时间点最近的温度、湿度数据进行代替。

3.根据权利要求1所述的一种基于改进的LSTM的电力通信网设备故障预测方法，其特征在于，还包括一个验证步骤，具体是：

步骤4：将数据分成多份进行交叉验证，从而选择出更好的超参数；如果训练的数据集大，则采用小批量的随机梯度下降法进行模型的训练；为了评价模型的好坏，采用Precision、Recall、AUC、F1指标进行综合评价。