一种电力通信网络智能运维系统的故障诊断方法与流程
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-organizingmaps，som网络)的基础上，结合误差逆向传播算法训练的多层前馈(backpropagation，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。
技术实现要素：
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。
优选的，数据包含三种信息，分别为时间信息、系统服务器相关信息和运行信息。
优选的，时间信息包括采集时间；系统服务器相关信息包括服务器编号；运行信息包括服务器耗电量、内存使用大小、硬盘使用大小、cpu使用率、服务器温度、风扇转速以及应用进程使用情况；
优选的，将上述采集数据作为后续模型的训练样本，利用som网络对样本数据进行初聚类具体步骤如下：
步骤s2.1：权值初始化，将som网络的连接权{wij}赋予[0，1]区间内的随机值，i＝1，2，...，s，j＝1，2，...，r，其中r为样本维数，s为输出神经元个数；确定学习率η(t)的初始值η(0)(0＜η(t)＜1)；确定邻域ng(t)的初始值ng(0)，ng(t)的值表示在第t次学习过程中邻域中所包含的神经元的个数；确定总学习次数t，循环次数初始设定t＝1；
步骤s2.2：对som网络进行循环的聚类训练；
步骤s2.3：循环结束后，样本的聚类根据输出节点的响应来完成；
步骤s2.4：将聚类数目n和聚类中心z＝{z1，z2，…，zn}输出。
优选的，在所述步骤s2.2中，具体的流程为：
步骤s2.2.1：选取q个服务器运行信息作为学习样本，任选其中一个样本提供给网络的输入层；样本
步骤s2.2.2：计算权向量wi＝(wi1，wi2，…，wir)与输入模式
dg＝min[di]，i＝1，2，…，s
式中，wij为权向量；
步骤s2.2.3：对竞争层邻域ng(t)内的所有神经元与输入层神经元之间的连接权wij进行修正，具体公式为：
式中，wij(t+1)为t+1时刻输入神经元i与输出神经元j之间的连接权；g为获胜神经元；ng(t)为t时刻以获胜神经元g为中心的邻域范围；η(t)为学习率；
步骤s2.2.4：选取另一个学习样本提供给网络的输入层，返回步骤s3，直至q个学习样本全部提供给网络；
步骤s2.2.5：更新学习率η(t)及邻域ng(t)：
式中，t为学习步数；t为总的学习步数。η(0)、ng(0)为初始时刻的学习率和邻域半径因子。ng(t)在学习的初始时刻覆盖范围较大，随着时间t的增加，ng(t)的值逐渐减小。η(t)值的选取范围通常为[0，1]；
步骤s2.2.6：增加学习步数。令t＝t+1，返回步骤s2.1，直至t＝t为止。
优选的，在所述步骤三中，二次聚类的具体流程为：
步骤s3.1：根据步骤s2.4中得到的聚类结果中，sj＝{y|y∈sj}表示所有属于第j个聚类中心的样本集合，y＝{y1，y2，…，yn}为样本经过som网络后的输出，z＝{z1(l)，z2(l)，…，zn(l)}为每个聚类的中心，设定迭代停止阈值为ε；
步骤s3.2：划分所有的样本矢量，划分条件是：
||yp-zi(l)||＞||yp-zj(l)||，i＝1，2，…，n，i≠j
式中，yp为样本经过som网络后的输出；nj代表聚类j中的向量数量；zj(l)代表聚类j的中心；zi(l)代表聚类i的中心；
若yp满足上述不等式，则yp∈sj，sj代表聚类j的集合；
步骤s3.3：计算新的聚类中心，用在步骤s3.2中建立的聚类的所有成员集合，来重新计算每类的中心位置，使从类别中的每个矢量到新的聚类中心的距离之和jj最小：
式中，yp为样本经过som网络后的输出；zj(l+1)代表进行1+1次迭代后聚类j的中心，该值通过下式得出：
式中，nj代表聚类j中的向量数量；
步骤s3.4：收敛检查，若是满足设定的条件，算法停止，不满足就转到步骤s3.2中继续迭代。
优选的，在步骤s3.4中，收敛检查要满足的条件为：
||zj(l+1)-zj(l)||＜ε，j＝1，2，…，n
式中，zj(l+1)代表进行1+1次迭代后聚类j的中心；zj(l)代表聚类j的中心。
优选的，在所述步骤四，诊断故障的具体步骤为：
步骤s4.1：据步骤s3.4得到训练后的故障诊断模型；
步骤s4.2：将步骤一中的运行信息作为模型输入，代入训练出的故障诊断模型中，判断系统是否发生故障及故障发生位置。
与现有技术相比，有益效果是：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。
附图说明
图1是本发明的一种电力通信网络智能运维系统的故障诊断方法的流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制。
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：
实施例1
如图1所示为一种电力通信网络智能运维系统的故障诊断方法的实施例，假定所处理环境为电网运维系统环境，所获取的数据来源于该电力通信网运维系统以及相关数据包中包括如下步骤：
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s1.1：从配用电通信网络中采集的智能运维系统实时状况信息的原始记录中，挑选可以反映系统底层运行状况的数据，如表1所示，数据包含：①时间信息，包括：采集时间(记为a)；②系统服务器相关信息，包括：服务器编号(记为b)；③运行信息c，包括：服务器耗电量(记为c1)、内存使用大小(记为c2)、硬盘使用大小(记为c3)、cpu使用率(记为c4)、服务器温度(记为c5)、风扇转速(记为c6)以及应用进程使用情况(记为c7)；
步骤s1.2：数据清洗，去除含有缺失值的数据记录。
表1：数据表
步骤二：利用som网络对数据进行初聚类，具体流程如下；
步骤s2.1：权值初始化，将som网络的连接权{wij}赋予[0，1]区间内的随机值，i＝1，2，...，s，j＝1，2，...，r，其中r为样本维数，s为输出神经元个数；确定学习率η(t)的初始值η(0)(0＜η(t)＜1)；确定邻域ng(t)的初始值ng(0)，ng(t)的值表示在第t次学习过程中邻域中所包含的神经元的个数；确定总学习次数t，循环次数初始设定t＝1；
步骤s2.2：对som网络进行循环的聚类训练，过程如下；
步骤s2.2.1：选取q个服务器运行信息作为学习样本，任选其中一个样本提供给网络的输入层；样本
步骤s2.2.2：计算权向量wi＝(wi1，wi2，…，wir)与输入模式
dg＝min[di]，i＝1，2，…，s
式中，wij为权向量；
步骤s2.2.3：对竞争层(输入层)邻域ng(t)内的所有神经元与输入层神经元之间的连接权wij进行修正，具体公式为：
式中，wij(t+1)为t+1时刻输入神经元i与输出神经元j之间的连接权；g为获胜神经元；nj(t)为t时刻以获胜神经元g为中心的邻域范围；η(t)为学习率；
步骤s2.2.4：选取另一个学习样本提供给网络的输入层，返回步骤s3，直至q个学习样本全部提供给网络；
步骤s2.2.5：更新学习率η(t)及邻域ng(t)：
式中，t为学习步数；t为总的学习步数。η(0)、ng(0)为初始时刻的学习率和邻域半径因子。ng(t)在学习的初始时刻覆盖范围较大，随着时间t的增加，ng(t)的值逐渐减小。η(t)值的选取范围通常为[0，1]；
步骤s2.2.6：增加学习步数。令t＝t+1，返回步骤s2.1，直至t＝t为止。
步骤s2.3：循环结束后，样本的聚类根据输出节点的响应来完成；
步骤s2.4：将聚类数目n和聚类中心z＝{z1，z2，…，zn}输出，如表2所示。
表2：聚类中心表
步骤二：利用k-means算法对som网络的输出结果进行二次聚类，具体的步骤为：
步骤s3.1：根据步骤s2.4中得到的聚类结果中，sj＝{y|y∈sj}表示所有属于第j个聚类中心的样本集合，y＝{y1，y2，…，yn}为样本经过som网络后的输出，z＝{z1(l)，z2(l)，…，zn(l)}为每个聚类的中心，设定迭代停止阈值为ε；
步骤s3.2：划分所有的样本矢量，划分条件是：
||yp-zi(l)||＞||yp-zj(l)||，i＝1，2，…，n，i≠j
式中，yp为样本经过som网络后的输出；nj代表聚类j中的向量数量；zj(l)代表聚类j的中心；zi(l)代表聚类i的中心；
若yp满足上述不等式，则yp∈si，sj代表聚类j的集合；
步骤s3.3：计算新的聚类中心，用在步骤s3.2中建立的聚类的所有成员集合，来重新计算每类的中心位置，使从类别中的每个矢量到新的聚类中心的距离之和jj最小：
式中，yp为样本经过som网络后的输出；zj(l+1)代表进行1+1次迭代后聚类j的中心，该值通过下式得出：
式中，nj代表聚类j中的向量数量；
步骤s3.4：收敛检查，若是满足设定的条件||zj(l+1)-zj(l)||＜ε，j＝1，2，…，n，算法停止，不满足就转到步骤s3.2中继续迭代。
步骤四：对系统运行状态的诊断，诊断故障的具体步骤为：
步骤s4.1：据步骤s3.4得到训练后的故障诊断模型，其中样本具体的聚类分群信息，如表3所示；
步骤s4.2：将步骤一中的运行信息作为模型输入，代入训练出的故障诊断模型中，判断系统是否发生故障及故障发生位置。
表3：新聚类中心表
本实施例的有益效果：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。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！