一种基于神经网络的变电站工控网络故障定位方法与流程

本申请涉及电网工控网络的技术领域，具体而言，涉及一种基于神经网络的变电站工控网络故障定位方法。

背景技术：

随着智能电网的不断发展，电网工控网络中可能发生的故障类型、原因以及现象越发复杂，故障的快速定位变得较为困难。为了提高故障定位的快速响应，在电网工控网络中引入了联合故障定位的方法，通常为采用二分图模型进行工控网络异常定位，将故障定位问题转换为一个0/1规划的最小值问题，再利用贝叶斯模型进行定位。

而现有技术中，由于变电站工控网络中的数据需要进行保密、且不能够与外部网络进行联网，导致现有的联合故障定位方法的准确性较低，特别是对于变电站工控网络自身未发生过的故障现象，不能够及时做到准确定位。同时，对于电网工控网络中其余变电站的工控网络中，故障定位的历史数据利用不足，造成了数据资源的浪费。

技术实现要素：

本申请的目的在于：优化了变电站工控网络故障定位的准确性和响应速率，提高了变电站工控网络中故障定位历史数据的利用率。

本申请的技术方案是：提供了一种基于神经网络的变电站工控网络故障定位方法，方法适用于由多个变电站通过内部网络连接组成的变电站工控网络中的任一个变电站，任一个变电站记作变电站工控网络中的参与节点，方法包括：步骤1，根据变电站工控网络存储的第一存储数据和/或参与节点自身存储的第二存储数据，利用神经网络算法，构建神经网络训练模型，生成故障判断矩阵，其中，第一存储数据和第二存储数据包括已知故障类型、已知故障现象和已知故障原因；步骤2，根据检测到的工控网络故障现象和故障判断矩阵，生成故障诊断信息；步骤3，根据故障诊断信息对应的诊断结果，生成并发送对应的故障代码。

上述任一项技术方案中，进一步地，步骤1，具体包括：步骤11，根据第一存储数据和/或第二存储数据中的已知故障类型，按照故障分类原则，生成故障分类树；步骤12，选取故障分类树的任一个叶子节点，利用神经网络算法，确定第一存储数据和/或第二存储数据中已知故障现象和已知故障原因之间的故障逻辑关系；步骤13，根据故障逻辑关系和叠加算法，构建故障判断矩阵。

上述任一项技术方案中，进一步地，步骤13，具体包括：确定变电站工控网络中至少一个参与节点为检验节点；利用检验节点自身存储的第二存储数据，对故障逻辑关系进行关系评分，并按照关系得分大小将故障逻辑关系进行排序；将关系得分最高的故障逻辑关系记作待融合故障逻辑关系，将其余故障逻辑关系记作融合子故障逻辑关系；根据叠加算法，依次选取融合子故障逻辑关系，对待融合故障逻辑关系进行叠加融合，将叠加融合后的待融合故障逻辑关系记作融合故障逻辑关系；利用第一存储数据对融合故障逻辑关系进行融合评分，判断相邻的两个融合故障逻辑关系的融合得分之间的差值是否为零，若为零，根据融合故障逻辑关系，构建故障判断矩阵，若不为零，判断是否存在未进行叠加融合的融合子故障逻辑关系，若是，将未进行叠加融合的融合子故障逻辑关系进行叠加融合，重新进行融合评分，若否，执行步骤2。

上述任一项技术方案中，进一步地，步骤2，具体包括：步骤21，根据检测到的工控网络故障现象，确定待定故障类型；步骤22，根据待定故障类型和故障判断矩阵，确定故障可能原因；步骤23，根据故障可能原因，生成故障检测信息，并执行故障检测信息，生成故障检测结果；步骤24，当判定故障检测结果与工控网络故障现象相对应时，根据故障检测结果，生成故障诊断信息。

本申请的有益效果是：通过根据变电站工控网络神经网络中的第一存储数据和第二存储数据，生成故障判断矩阵，在保证了变电站工控网络数据安全的前提下，提高了变电站工控网络中存储数据的利用率和故障定位的准确性，降低了故障定位的检测时间。通过确定检测节点，利用自身的第二存储数据对故障逻辑关系进行关系评分、叠加融合以及融合评分，并判断融合后的融合故障逻辑关系是否为最优，并利用最优的融合故障逻辑关系生成故障判断矩阵，提高了生成故障判断矩阵的准确性和可靠性，降低了故障判断矩阵不全面的可能性，进而提高了变电站工控网络故障定位的准确性。

本申请通过检测到的故障现象确定待定故障类型，再根据故障判断矩阵，确定故障可能原因，生成对应的故障检测信息，提高了生成故障检测信息的准确性和全面性，通过故障诊断信息，对检测到的故障现象进行诊断，降低了维修人员对变电站工控网络故障的排查时间，有利于提高变电站工控网络的稳定运行，减小故障发生率，并通过生成故障代码，提高了变电站工控网络故障的可读性。

附图说明

本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请的一个实施例的基于神经网络的变电站工控网络故障定位方法的示意框图；

图2是根据本申请的一个实施例的故障判断矩阵的示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。

以下结合图1至图2对本申请的实施例进行说明。

如图1所示，本实施例提供了一种基于神经网络的变电站工控网络故障定位方法，该方法适用于由多个变电站通过内部网络连接组成的变电站工控网络中的任一个变电站，任一个变电站记作变电站工控网络中的参与节点，方法包括：

步骤1，根据变电站工控网络存储的第一存储数据和/或参与节点自身存储的第二存储数据，利用神经网络算法，构建神经网络训练模型，生成故障判断矩阵，其中，第一存储数据和第二存储数据包括已知故障类型、已知故障现象和已知故障原因；

具体地，将神经网络的概念引入变电站工控网络中，每一个变电站可以视为神经网络中的一个参与节点，将神经网络中的第一存储数据定义为存储于变电站工控网络中、可共享的历史故障数据，将第二存储数据定义为变电站自身存储的故障数据，且用较好的隐私保护机制保护变电站自身的大量第二存储数据。因此，参与节点在构建神经网络训练模型时，可以仅根据自身的第二存储数据进行神经网络模型构建，也可以仅根据神经网络中的第一存储数据进行神经网络模型构建，还可以根据第一存储数据和第二存储数据进行神经网络模型构建。

进一步地，步骤1中具体包括：

步骤11，根据第一存储数据和/或第二存储数据中的已知故障类型，按照故障分类原则，生成故障分类树；

具体地，参与节点将第一存储数据和/或第二存储数据中已知故障类型，按照故障分类原则，对变电站工控网络中的故障进行分类，生成对应的子类故障。再根据每一个子类故障产生的原因，对子类故障进一步划分，通过对已知故障类型的逐步细化，形成故障分类树，将每一个不能再进行划分的子类故障，标记为故障分类树的叶子节点。

步骤12，选取故障分类树的任一个叶子节点，利用神经网络算法，确定第一存储数据和/或第二存储数据中已知故障现象和已知故障原因之间的故障逻辑关系；

步骤13，根据故障逻辑关系和叠加算法，构建故障判断矩阵。

具体地，如图2所示，故障判断矩阵的纵行2a为对应的已知故障类型，故障判断矩阵的上横行2b为对应的已知故障现象，故障判断矩阵的下横行2c为对应的已知故障原因，圆点2d为已知故障现象和已知故障类型之间的故障逻辑关系。

参与节点选取故障分类树中叶子节点对应的已知故障类型，根据神经网络算法，建立神经网络训练模型，并利用第一存储数据和/或第二存储数据对神经网络训练模型进行训练，确定已知故障类型中已知故障现象和已知故障原因之间的故障逻辑关系。再根据叠加算法，对故障逻辑关系进行叠加，构建故障判断矩阵。

进一步地，步骤13具体包括：

a，确定变电站工控网络中至少一个参与节点为检验节点；

b，利用检验节点自身存储的第二存储数据，对故障逻辑关系进行关系评分，并按照关系得分大小将故障逻辑关系进行排序；

具体地，选取变电站工控网络中的两个变电站作为检验节点，将变电站工控网络中的各个参与节点确定的故障逻辑关系发送至检验节点，由检验节点根据自身第二存储数据中的已知故障类型、已知故障现象和已知故障原因，对接收到的各个故障逻辑关系进行关系评分，再将两个检验节点得出的关系评分计算平均值，得出神经网络训练模型的训练结果，其关系得分越高，表明该神经网络训练模型的训练程度越高，得到的已知故障类型、已知故障现象和已知故障原因之间的故障逻辑关系越准确，有利于提高叠加融合的效率和叠加融合的可靠性。

c，将关系得分最高的故障逻辑关系记作待融合故障逻辑关系，将其余故障逻辑关系记作融合子故障逻辑关系；

d，根据叠加算法，依次选取融合子故障逻辑关系，对待融合故障逻辑关系进行叠加融合，将叠加融合后的待融合故障逻辑关系记作融合故障逻辑关系；

具体地，设定按照关系得分的高低顺序对应的故障逻辑关系的顺序为故障逻辑关系1、故障逻辑关系2、…、故障逻辑关系n，在进行叠加融合时，首先将故障逻辑关系1记作待融合故障逻辑关系，将故障逻辑关系2、…、故障逻辑关系n记作融合子故障逻辑关系。将待融合故障逻辑关系与故障逻辑关系2进行融合，生成融合故障逻辑关系1，再将故障逻辑关系3与融合故障逻辑关系1进行融合，生成融合故障逻辑关系2，依次选取融合子故障逻辑关系中的故障逻辑关系，对待融合故障逻辑关系进行叠加融合。

e，利用第一存储数据对融合故障逻辑关系进行融合评分，判断相邻的两个融合故障逻辑关系的融合得分之间的差值是否为零，若为零，根据融合故障逻辑关系，构建故障判断矩阵，若不为零，判断是否存在未进行叠加融合的融合子故障逻辑关系，若是，将未进行叠加融合的融合子故障逻辑关系进行叠加融合，重新进行融合评分，若否，执行步骤2。

具体地，依次选取通过叠加融合得到的融合故障逻辑关系，以相邻的融合故障逻辑关系i和融合故障逻辑关系i+1为例，计算融合故障逻辑关系i的融合得分i与融合故障逻辑关系i+1的融合得分i+1之间的差值，由于是对融合故障逻辑关系的累加融合，其融合得分的变化对应于增加或者保持不变，当融合得分i与融合得分i+1之间的差值小于零时，表明融合故障逻辑关系i+1的准确率高于融合故障逻辑关系i的准确率，当融合得分i与融合得分i+1之间的差值等于零时，表明融合故障逻辑关系i+1的准确率与融合故障逻辑关系i的准确率相同，即将融合子模型i+1与融合故障逻辑关系i进行融合后，对于融合故障逻辑关系i的准确率并没有提升，因此，无需再对融合故障逻辑关系i进行融合，判定融合故障逻辑关系i为准确率最高的融合故障逻辑关系。

融合故障逻辑关系i和融合故障逻辑关系i+1之间融合得分的差值为零时，根据融合故障逻辑关系i构建故障判断矩阵，若不为零，则判断是否存在融合故障逻辑关系i+1，若存在，继续利用融合故障逻辑关系i+1进行叠加融合，若不存在，则根据融合故障逻辑关系i构建故障判断矩阵。

步骤2，根据检测到的工控网络故障现象和故障判断矩阵，生成故障诊断信息；

进一步地，步骤2中具体包括：

步骤21，根据检测到的工控网络故障现象，确定待定故障类型；

步骤22，根据待定故障类型和故障判断矩阵，确定故障可能原因；

具体地，在故障判断矩阵中查找检测到的工控网络故障现象对应的已知故障现象，进而根据查找到的已知故障现象，确定故障判断矩阵中对应的已知故障类型，将确定的已知故障类型记作待定故障类型，其中，确定已知故障类型的方法可以为现有技术中的任一种方法，如经验判断。以检测到服务输出结果不正确的工控网络故障现象为例，对应的待定故障类型包括绑定到错误服务、发现错误服务、qos故障、执行输入不正确、服务与需求不匹配以及业务流程故障。最后，根据故障判断矩阵，确定出对应的已知故障原因，记作故障可能原因。

步骤23，根据故障可能原因，生成故障检测信息，并执行故障检测信息，生成故障检测结果；

步骤24，当判定故障检测结果与工控网络故障现象相对应时，根据故障检测结果，生成故障诊断信息。

具体地，根据故障可能原因，生成故障检测信息，对变电站工控网络进行故障检测，如当接收端不能正常动作时，故障可能原因可以为网络通信异常，此时，发送网络通信测试码至接收端，判断接收端是否能正常接收到网络通信测试码，如果接收端能够正常接收到网络通信测试码，则表明接收端不能正常动作的原因不是网络通信异常，即故障检测结果与工控网络故障现象不对应，如果接收端不能正常接收到网络通信测试码，则表明接收端不能正常动作的原因是网络通信异常导致的，即故障检测结果与工控网络故障现象相对应，此时生成网络通信异常的故障检测信息。

步骤3，根据故障诊断信息对应的诊断结果，生成并发送对应的故障代码。

具体地，根据生成的故障诊断信息，生成并发送故障代码，以供维修人员对变电站工控网络故障进行维修，如返回不同的http状态字，404表示服务不存在，301表示服务访问被禁止以及500表示服务内部异常。

以上结合附图详细说明了本申请的技术方案，本申请提出了一种基于神经网络的变电站工控网络故障定位方法，包括：步骤1，根据变电站工控网络存储的第一存储数据和/或参与节点自身存储的第二存储数据，利用神经网络算法，构建神经网络训练模型，生成故障判断矩阵，其中，第一存储数据和第二存储数据包括已知故障类型、已知故障现象和已知故障原因；步骤2，根据检测到的工控网络故障现象和故障判断矩阵，生成故障诊断信息；步骤3，根据故障诊断信息对应的诊断结果，生成并发送对应的故障代码。通过本申请中的技术方案，优化了变电站工控网络故障定位的准确性和响应速率，提高了变电站工控网络中故障定位历史数据的利用率。

本申请中的步骤可根据实际需求进行顺序调整、合并和删减。

本申请装置中的单元可根据实际需求进行合并、划分和删减。

尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。