[发明专利]电力无线专网故障诊断模型训练方法、诊断方法及装置

权利要求书

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；

其中，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，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KPI_n，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KPI_n的随机变量序列如下：

式中，为KPI_n前一采样周期的后V个样本点，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，在故障下KPI_n的概率密度函数为；

在故障下所述参考信号接收功率的条件概率密度散度值如下式：

；

其中，为所述参考信号接收功率的采样数据，参数的极大似然估计值如下式：

；

其中，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；

在故障下所述信号与干扰加噪声比的条件概率密度散度值如下式：

；

其中，为信号与干扰加噪声比的采样数据，参数的极大似然估计值如下式：

；

其中，为所述信号与干扰加噪声比的随机变量，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；

在故障下所述随机接入成功率的条件概率密度散度值如下式：

；

其中，为所述随机接入成功率的采样数据，，为伽马函数，的最大似然估计值为随机接入成功次数；的最大似然估计值为随机接入失败次数；

在故障下所述业务平均传输速率的条件概率密度散度值如下式：

；

其中，为所述业务平均传输速率的采样数据，方差的极大似然估计如下式：

；

为均值的极大似然估计，如下式：

；

其中，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，为业务平均传输速率随机变量。

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：

；

；

；

其中，为所述softmax层的输出值，为中间诊断值估计，L为所述softmax层的神经元数量。