[发明专利]一种电力通信网络智能运维系统的故障诊断方法

说明书

本发明涉及电力通信网络领域，更具体地，涉及一种电力通信网络智能运维系统的故障诊断方法，该方法首先从配用电通信网络中采集到的智能运维系统实时状况信息中抽取反映系统底层运行状况的数据，用SOM网络进行一次初聚类，得到聚类个数和聚类中心，然后再使用K‑Means算法进行二次聚类，使聚类信息得到精化。本发明使用SOM神经网络和K‑Means算法结合的方法进行故障诊断，不仅解决了以往聚类算法在聚类时分群数目需人为给定的缺点，而且避免了复杂的计算过程，具有简单、速度快的优点，同时使得聚类信息更加精确，对故障模式的处理能力更强，稳定性更高，提高了对故障诊断的精准度和系统的整体性能。

技术领域

本发明涉及电力通信网络领域，更具体地，涉及一种电力通信网络智能运维系统的故障诊断方法。

背景技术

随着智能电网研究与实践的推进，传统意义上的电网正逐步与信息通信系统、监测控制系统相互融合，电网设备的运维工作和电网运行安全连接更加紧密。随着全国各级电网的升级和改造，接入电力网络系统中的部门、设备也在逐步增加，负责电网设备运维的工作人员的任务量也在加大，难以兼顾设备运行数据的完整性分析和故障环节的处理。

在一般的情况下，系统运维人员通过对现阶段监测到的数据指标与正常数据指标来进行比较，如果监测结果偏离正常数据指标，则就会被认为是发生故障，运维与维修人员到现场进行维护。但随着电力系统中设备数量增加，系统复杂度也随之增加的现状，难以通过监测得到导致问题的数据。

根据上述的问题，开发了许多针对系统故障诊断的模型和方法，其中一种是在自组织映射网络(Self-organizing Maps，SOM网络)的基础上，结合误差逆向传播算法训练的多层前馈(back propagation，BP)神经网络，实现故障诊断的方法，该方法先利用SOM网络对输入样本进行聚类，实现数据的初步分类；再根据初步诊断结果用BP网络进行精确诊断，两者结合能够达到优势互补。但是SOM网络结合BP神经的网络模型的性能受到权值和阈值的影响，另外BP神经网络是采用梯度下降的方法调整权值和阈值，导致其容易陷入局部最小和收敛速度慢的缺陷，虽然可以采用粒子群算法等进行优化，但是会增加算法计算复杂度，影响模型的训练时间和训练效果，不利于电力运维系统的实时诊断。

发明内容

本发明为克服上述现有技术中的方法在运用于电力通信网络时运算速度慢，难以实现实时诊断的问题，提供一种电力通信网络智能运维系统的故障诊断方法，针对系统运行状态的动态变化，更加准确、高效地反映电网智能运维系统的运行状况，实现对配用电通信智能运维系统运行状态的故障诊断。

为解决上述技术问题，本发明采用的技术方案是：一种电力通信网络智能运维系统的故障诊断方法，包括以下步骤：

步骤一：从配用电通信网络中采集到的智能运维系统实时状况信息中抽取反映系统底层运行状况的数据，进行数据预处理；

步骤二：利用SOM网络对数据进行初聚类；

步骤三：利用K-Means算法(K均值聚类算法)对SOM网络的输出结果进行二次聚类；

步骤四：对系统运行状态的诊断。

首先从配用电通信网络中采集到的智能运维系统实时状况信息中抽取反映系统底层运行状况的数据，用SOM网络进行一次初聚类，得到聚类个数和聚类中心，然后再使用K-Means算法进行二次聚类，使聚类信息得到精化，最终实现对配用电通信智能运维系统运行状态的故障诊断。

神经网络用于故障诊断是通过故障实例的训练和学习，用分布在神经网路中的连接权值来表达所学习的故障诊断知识，具有对故障的联想记忆、模式匹配和相似归纳的能力，可以实现故障和征兆间的复杂非线性映射关系，其中SOM网络可以在无监督的情况下的进行聚类。另外K-Means算法可以在已知聚类个数和聚类中心的前提下具有很高的精准度。

优选的，在所述步骤一中，数据的预处理包括去除含有缺失值的数据记录。