一种低压电力线载波通信系统故障诊断方法与流程

1.本发明涉及电力线载波通信系统的技术领域，尤其涉及一种低压电力线载波通信系统故障诊断方法。


背景技术：

2.传统的多层线性故障检测方法借助于多层线性特征提取算法对通信网络中的故障进行诊断，但该方法对于网络的变化反应不敏感，难以满足低压电力线载波通信系统故障诊断的需求；基于增量贝叶斯疑似度的启发式故障定位算法不能很好地克服低压电力线通信系统中的噪音影响；基于规则的告警关联性分析方法便于理解，得到广泛应用，但推理的效率较低。


技术实现要素：

3.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
4.鉴于上述现有存在的问题，提出了本发明。
5.因此，本发明解决的技术问题是：对于网络的变化反应不敏感，不能很好地克服低压电力线通信系统中的噪音影响以及推理的效率较低。
6.为解决上述技术问题，本发明提供如下技术方案：对告警数据进行预处理；初始化som神经网络的权重向量和学习速率并利用预处理后的告警数据进行训练；利用基于反馈的自动定制迭代次数的策略提高训练效果，得到改进后的som神经网络的故障诊断模型；将实时采集的告警数据输入所述故障诊断模型，划分故障类型，输出故障诊断结果。
7.作为本发明所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：所述故障类型包括电力线线路故障、通信线程死锁故障、缓存器故障、路由器故障、路由器逻辑错误、分支箱故障、变压器故障。
8.作为本发明所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：利用lvq网络将有监督和无监督结合的思想得到所述改进的som神经网络的故障诊断算法。
9.作为本发明所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：一个样本是一组故障告警的合集，将一个样本中的所有故障告警的独热编码相加，所生成的新的向量，包含原本各个独立的故障告警信息，通过上述步骤，将样本处理成神经网络可接受的输入向量，将输入向量输入到神经网络中，与每个神经元的权重向量做内积，取其中内积最大者为获胜神经元。
10.作为本发明所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：利用如下公式计算获胜神经元：
[0011][0012]
作为本发明所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：根据所述获胜神经元的类型标签与连接向量的类型标签进行一致性判断，调整优胜邻域nj*(t)内所有邻接神经元的权值包括，
[0013]
若标签相同采用如下公式调整权值：
[0014]
w
j
(new)＝w
j
(old)+α[x
‑
w
j
(old)]
[0015]
若标签不同采用如下公式调整权值：
[0016]
w
j
(new)＝w
j
(old)
‑
α[xw
j
(old)]
[0017]
其中，w
j
为第j个输出单元的权重向量，α为学习速率。
[0018]
作为本发明所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：基于反馈的自动定制迭代次数的策略包括，定义每一次训练前后聚类中心的向量变化如下：
[0019][0020]
其中，c
n
表示当前训练后的聚类中心的向量，c
n
‑1表示前一次训练后的聚类中心的向量，avg_iter为所述网络在单个节点上的前default_vectors个输入向量的平均迭代次数。
[0021]
作为本发明所述的低压电力线载波通信系统故障诊断方法的一种优选方案，其中：所述训练效果的判断标准包括，在每一次更新获胜神经元时，考察当前进行的更新对聚类中心的影响，即δc的改变量，当此量值小于0.01时，所述聚类中心已近似于实际数据的中心，对于此类进行再多次样本训练，效果不再明显，提前结束此类的训练，开始进行下一类的训练。
[0022]
本发明的有益效果：本发明将lvq机制引入som神经网络，可以解决输入向量相近但分类不同时的异常和迭代次数固定训练效果依赖人为调参经验的问题，从而在网络故障诊断问题上体现出较高的精度；对于迭代次数的优化是以单个聚类作为考察对象，不会因为单个中心提前停止训练而影响其他聚类中心的训练，单个聚类中心变化幅度小正是该聚类中心训练完成的直接标志，因而不会导致此中心陷入局部最优；基于改进som神经网络的故障诊断模型进行诊断，将低压电力线通信系统告警数据进行聚类，从而准确识别故障类型，减小了维护检修的工作量。
附图说明
[0023]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0024]
图1为本发明一个实施例提供的一种低压电力线载波通信系统故障诊断方法的基
本流程示意图；
[0025]
图2为本发明一个实施例提供的一种低压电力线载波通信系统故障诊断方法的二层som的神经网络结构示意图；
[0026]
图3为本发明一个实施例提供的一种低压电力线载波通信系统故障诊断方法的lvq神经网络结构示意图；
[0027]
图4为本发明一个实施例提供的一种低压电力线载波通信系统故障诊断方法的有反馈的判断停止迭代流程示意图；
[0028]
图5为本发明一个实施例提供的一种低压电力线载波通信系统故障诊断方法的实验参数设置示意图。
具体实施方式
[0029]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
[0030]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0031]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0032]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0033]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0034]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0035]
实施例1
[0036]
参照图1～4，为本发明的一个实施例，提供了一种低压电力线载波通信系统故障诊断方法，包括：
[0037]
s1：对告警数据进行预处理；
[0038]
需要说明的是，一个样本是一组故障告警的合集，因独热编码相加后不失去原本语义的特点，将一个样本中的所有故障告警的独热编码相加，所生成的新的向量，包含原本
各个独立的故障告警信息，通过上述方法，将样本处理成神经网络可接受的输入向量，将输入向量输入到神经网络中，与每个神经元的权重向量做内积，取其中内积最大者为获胜神经元。
[0039]
本发明将网络故障类别划分为如表1所示的类别，分别为电力线线路故障、通信线程死锁故障、缓存器故障、路由器故障、路由器逻辑错误、分支箱故障、变压器故障等，采用本发明所提出的基于改进som神经网络的故障诊断模型进行诊断，将告警数据进行聚类，从而准确识别故障类型。
[0040]
表1：根源故障与编号对应表。
[0041]
故障编号根源故障f1电力线线路故障f2通信线程死锁故障f3缓存器故障f4路由器故障f5路由器逻辑错误f6分支箱故障f7变压器故障
[0042]
s2：初始化som神经网络的权重向量和学习速率并利用预处理后的告警数据进行训练；
[0043]
s3：利用基于反馈的自动定制迭代次数的策略提高训练效果，得到改进后的som神经网络的故障诊断模型；
[0044]
s2～s3步骤具体为：
[0045]
som是一种自组织竞争型人工神经网络，传统的二维som神经网络结构如图2所示，通常只包含两层神经元。与其他人工神经网络一样，权值矩阵的更新是som算法的关键。
[0046]
在输入层，神经元呈线性排列，其个数通常为准备输入som网络的输入向量的维数，竞争层神经元的排列通常是平面二维分布，输入层与输出层的神经元通过权值向量连接在一起，当输入层接收到输入向量的时候，网络便会根据输入层的输入向量进行学习和计算，找出规律将相似的向量聚在一起，最终实现对输入空间进行分类的作用。
[0047]
som是一种无监督的竞争型神经网络机制，在各个神经元竞争的过程中，能够最终学习到对输入向量模式的分类结果，从而达到将具有相同特征的向量聚集起来。但它有个缺陷，就是如果两个本身就不同类的输入向量之间距离过近时，在竞争层就有可能把它们划分为一类，从而使得聚类效果明显降低。在普通som的设计过程中，并没有对上述情况进行严格区别，因此利用lvq网络将有监督和无监督结合的思想，提出改进som神经网络的故障诊断算法，通过som网络，神经元已经被标识为他们代表的网络后，对获胜神经元进行调整：如果连接向量与获胜神经元具有不同类型的标签，那么权值向量会被调整，从而偏离原来的(也就是被误分类的)连接向量，重复训练，从而实现输入向量的准确分类。
[0048]
其中，lvq算法：
[0049]
lvq是一种用于模式分类的有监督学习方法，并经过后来学者的改进，形成两类：一种是有监督学习矢量量化，可以对有类别属性的样本进行聚类；另一种是无监督学习矢量量化，它可以对无类别属性进行聚类。lvq的网络结构如图3所示，lvq竞争层是由许多组
不相同的神经元组成的，且每个神经元皆与输出层的神经元相互连接，每个竞争层神经元首先指定一个子分类，输出层中的每个神经元对应指定竞争层中的每一个子分类。
[0050]
按距离搜索离获胜神经元最近的神经元，对同类神经元采取拉拢策略，对异类神经元采取排斥策略，通过两种不同的策略，就比相对于只拉拢不排斥的算法实现更快的收敛速度，最终得到数据的分布模式，lvq网络改造后的som结构简单，通过神经元间的相互作用能够完成复杂的分类处理工作，从而应用与实践中。
[0051][0052]
在网络训练过程中，过式(1)算出获胜神经元，根据最后获胜神经元的类型标签与连接向量的类型标签进行一致性判断，来调整优胜邻域nj*(t)内所有邻接神经元的权值，若标签相同则采用式(2)调整权值，否则采用式(3)。
[0053]
w
j
(new)＝w
j
(old)+α[x
‑
w
j
(old)]
ꢀꢀꢀ
(2)
[0054]
w
j
(new)＝w
j
(old)
‑
α[x
‑
w
j
(old)]
ꢀꢀꢀ
(3)
[0055]
在式(2)和式(3)中，w
j
为第j个输出单元的权重向量，α为学习速率，new和old分别代表更新后与更新前的状态，网络随着迭代次数的增加，拓扑距离的增加到降低最后到0，即调整的范围和振幅幅度的缩小，逐渐趋近于聚类中心，从而确保算法的精确性，上述利用lvq对som网络训练改进的方法，在执行过程中循环往复的使用，以此来提高精度,减少在训练集中的失误率。
[0056]
进一步的，基于反馈的自动定制迭代次数的策略：
[0057]
在传统som神经网络的训练过程中，分配给不同神经元的初始值在一开始是一组小于1的随机正数，随着训练过程的进行，其值不停地随输入样本调整，使得其逐步接近各个实际数据的聚类中心，直到达到一个确定的迭代次数，这种判定神经网络算法停止的方法多依靠人的主观判断和经验的积累，如设定的迭代次数多来源于反复试验下的经验推理；学习率衰减到停止的阈值也需要靠经验确定。这都需要大量的时间及有丰富经验的人员操作，如果不加考虑地粗略选择学习停止的阈值，会使神经网络陷入亚稳定状态，所以设定阈值需要考虑实际情况调整，故提出一种利用因权值变化而影响的聚类中心变化差值来判断何时该停止的训练方法，其算法流程如图4所示。
[0058]
在som神经网络中，每一个som聚类的中心是通过每一次迭代改变获胜神经元的权值进而使得一个聚类的神经元的聚类中心向数据的实际中心靠近，所以，定义每一次训练前后聚类中心的向量变化如下：
[0059][0060]
其中，c
n
表示当前训练后的聚类中心的向量，c
n
‑1表示前一次训练后的聚类中心的向量，avg_iter为该网络在单个节点上的前default_vectors个输入向量的平均迭代次数。
[0061]
式(4)用来表示聚类中心的变化情况，在神经网络的训练过程中，学习率仍采用经典的指数函数，在每一次更新获胜神经元时，考察当前进行的更新对聚类中心的影响，即δc的改变量，当此量值小于0.01时，可认为此聚类中心已近似于实际数据的中心，对于此类
进行再多次样本训练，效果不再明显，所以可提前结束此类的训练，开始进行下一类的训练。
[0062]
s4：将实时采集的告警数据输入故障诊断模型，划分故障类型，输出故障诊断结果。
[0063]
本发明提出的对于迭代次数的优化是以单个聚类作为考察对象，不会因为单个中心提前停止训练而影响其他聚类中心的训练，单个聚类中心变化幅度小正是该聚类中心训练完成的直接标志，因而不会导致此中心陷入局部最优，对于其他中心，因为算法并未因单个中心变化幅度小而停止，其他中心仍会独立地受到输入样本的训练效果，不会因单个中心的停止训练而使得整体处于未收敛状态。
[0064]
实施例2
[0065]
参照图5为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种低压电力线载波通信系统故障诊断方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0066]
传统的技术方案：对网络变化反应不敏感，推理效率较低，无法克服系统中的噪音影响，为验证本方法相对传统方法具有较高故障诊断精度。本实施例中将采用传统多层线性故障检测方法(传统方法1)、基于增量贝叶斯疑似度的启发式故障定位算法(传统方法2)、基于规则的告警关联性分析方法(传统方法3)和本方法分别对仿真低压电力线载波通信系统的故障诊断结果进行实时测量对比。
[0067]
测试环境：实验初始参数设置如图5所示，电表载波模块数量m＝24，起始表号地址为2013121011，下发指令为当前正向有功电能数据块采集，重试、轮循次数分别为0次和3次，超时时间设为20s，地址分配重试次数为2次，开启自动化测试设备并运用matlb软件编程实现四种方法的仿真测试，根据实验结果得到仿真数据，结果如下表所示。
[0068]
表1：实验结果对比表。
[0069]
测试样本传统方法1传统方法2传统方法3本发明方法载波块数量24242424超时时间20s20s20s20s诊断精度94.808％94.245％94.332％98.601％推理效率93.21％94.14％85.72％98.62％时延70ms20ms22ms15ms噪音分贝0.5～0.8db>1db0.5～0.8db0.1～0.3db
[0070]
从上表可以看出，本发明方法具有较好的鲁棒性。
[0071]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。