一种电力通信网智能倒换方法及系统与流程

本发明涉及通信技术与信息化，更具体的说是涉及一种电力通信网智能倒换方法及系统。

背景技术：

1、随着我国经济的不断发展，电力系统的稳定、安全、可靠运行变得越来越重要。电力通信网作为电力系统智能化调度和现代化管理的关键组成部分，承载着各种调度业务，发挥着至关重要的作用。然而，电力通信网的故障不仅会降低通信业务的传输质量，严重时甚至会影响到电力系统的安全生产。

2、因此，如何提升电力通信网确定故障准确率并进行快速恢复成为了本领域技术人员亟需解决的技术问题。

技术实现思路

1、有鉴于此，本发明提供了一种电力通信网智能倒换方法及系统，可大幅提升电力通信网故障恢复速度，维护电网安全稳定运行。

2、为了实现上述目的，本发明采用如下技术方案：

3、一方面，本发明提出一种电力通信网智能倒换方法，包括以下步骤：

4、(1)构建电力通信网历史数据库并定义系统初始值。为了体现电力通信网智能倒换的智能化，初始化值可根据历史数据经验值给定，亦可由工作人员自行调整。

5、具体地，定义x为电力通信网历史数据库，包括电力通信网告警数据、故障类型和电力通信网各节点及其涉及的拓扑图。定义系统初始值：告警属性筛选阈值r；动态变尺度卷积层尺寸l；改进卷积神经网络收敛阈值h；改进卷积神经网络最大迭代次数f；改进粒子群算法全局搜索惯性因子的最大值ω'max和最小值ω'min；改进卷积神经网络最大迭代次数t'；改进粒子群算法调节系数α，α∈[0,1]；改进粒子群算法第一加速常数β1和第二加速常数β2；改进粒子群算法速度系数λ。

6、(2)筛选初始属性

7、本发明采用皮尔逊相关系数筛选对诊断故障有价值的属性。

8、1)数据标准化

9、采用z-score对历史数据库x的数据进行标准化。

10、2)计算皮尔逊相关系数

11、计算各告警属性与故障类型之间的皮尔逊相关系数。

12、3)筛选属性

13、根据皮尔逊相关系数的值进行判断，最终选取相关系数大于告警属性筛选阈值r的作为接下来使用的数据集x1。

14、(3)利用小波神经网络模型对告警数据进行加权

15、本发明采用基于小波神经网络模型作为对告警信息进行加权方法，加权过程是：首先，设计小波神经网络的结构，包括输入层、隐藏层和输出层的神经元数量和连接方式；然后，使用已经准备好的数据集，训练并验证小波神经网络模型；最后，使用训练好的小波神经网络模型对新的告警信息进行加权操作，参与后续模型故障诊断。具体步骤如下：

16、1)筛选训练样本

17、从确定初始属性后的历史数据集x1中选取p组为训练样本集，选取q组为验证样本集。

18、2)小波神经网络结构设计

19、设计小波神经网络的结构，包括输入层、隐藏层和输出层的神经元数量和连接方式。隐藏层采用sigmoid激活函数，输出层采用线性激活函数。

20、3)小波神经网络模型训练

21、使用反向传播算法进行模型训练，使用梯度下降法，通过不断训练模型找到合适的位移因子、尺度因子和连接权值，使输入层(告警信息)与输出层(告警权值)获得更好的对应关系，得到最优模型。

22、4)模型验证

23、使用验证集q来验证模型的性能，本发明使用均方误差(mse)计算预测结果和真实标签之间的误差指标，该评价指标的数值越低代表模型性能越好。

24、5)告警信息加权操作

25、将新的告警信息数据输入到训练好的小波神经网络模型中，得到输出结果，进而使每条告警信息都被赋予了一个合理的权重值，该值反映了其在当前运维场景中的重要性和紧急性。

26、(4)采用改进的卷积神经网络进行故障诊断

27、为了提升特征学习效率并减轻退化影响，采用动态变尺度卷积优化传统卷积神经网络进行故障诊断，具体步骤如下：

28、1)构建动态变尺度卷积优化的卷积神经网络

29、①动态变尺度卷积层构建

30、将预处理好的告警数据输入动态变尺度卷积层多个并行的一维卷积层中，这些并行卷积层的通道数相同但卷积核尺寸不同。本发明的动态变尺度卷积层由尺寸为l，2l和4l的一维卷积层组成，每个卷积层均含有8个卷积核，步长为1，其中l的值在训练中动态调整。使用padding填充保证各卷积层输出的尺寸均一致。将各卷积层的输出特征级联得到特征向量，用于下一池化层的输入。

31、②池化层构建

32、池化层设置在动态变尺度卷积层之后，其功能是特征映射。在池化层中，对动态变尺度卷积层输出的各个局部特征进行加权求和与偏置增加后，基于非线性函数获得新的特征。

33、③全连接层构建

34、全连接层的任务是将经过动态变尺度卷积与池化操作得出的特征图用一维特征向量表示后，再通过分类器对模式进行识别。

35、2)将全连接层输出的结果与实际值进行对比，通过损失函数来计算两者之间的误差。

36、3)判断网络是否收敛(小于改进卷积神经网络收敛阈值h为收敛)，如收敛则进行步骤5)；反之进入步骤4)。

37、4)网络反向传播与权值更新

38、将步骤2)所算的误差值反馈至网络的各层，并修正各层阶段的权值，使用反向传播算法来计算梯度，该梯度表示了每个权重对网络输出误差的贡献程度。然后，根据学习率和梯度来更新网络的权重，再次计算误差值，直到满足收敛条件。

39、5)通过损失函数值对网络是否满足要求或达到改进卷积神经网络最大迭代次数f进行判定，满足或达到改进卷积神经网络最大迭代次数f则进入步骤6)，反之进入步骤2)，对模型参数进行调整修改。

40、6)故障诊断结果输出

41、将训练好的模型用于实际的故障诊断任务。对于每个待诊断的样本，将其输入到模型中，并得到模型输出的预测结果。然后，将预测结果与可能的故障类型进行匹配，并输出最终的故障诊断结果，包括故障点位置以及故障类型。

42、(5)采用改进的粒子群算法对故障点所在路径进行智能倒换

43、在数据库中查找出步骤(4)故障点位置所涉及的网络结构拓扑图，结合故障类型对故障点位置所在的故障路径进行智能倒换，具体过程为：

44、1)在粒子群算法中，每一条故障路径经过的故障通信节点负荷和分断开关均为单个粒子，采用随机法求出粒子的初始速度及位置，适应度函数以该粒子的分段开关次数、路径长度和其线路负载值作为关键指标。

45、2)提出采用非线性可变惯性因子计算全局搜索惯性因子。

46、3)用改进后的全局搜索惯性因子更新微粒子速度和位置。

47、4)判定重复的次数是否已经超过了改进粒子群算法最大迭代次数。若超过，则输出倒换路径的下一个最佳位置；若没有超过改进粒子群算法最大迭代数，则重复步骤2)和步骤3)继续迭代。

48、另一方面，本发明还提出一种电力通信网智能倒换系统，用于实现上述电力通信网智能倒换方法，包括：

49、数据存储模块，用于构建电力通信网历史数据库并定义系统初始值；

50、数据预处理模块，用于对历史数据进行标准化处理，计算各告警数据与故障类型之间的皮尔逊相关系数，筛选初始属性；

51、数据加权模块，用于利用小波神经网络模型对告警数据加权；

52、故障诊断模块，用于对加权后的告警数据进行故障诊断；

53、智能倒换模块，用于采用改进的粒子群算法对故障点所在路径进行智能倒换；

54、输出模块，用于输出故障点位置、故障类型及智能倒换建议。

55、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种电力通信网智能倒换方法及系统，通过构建电力通信网历史数据库并定义系统初始值；采用z-score对历史数据进行标准化处理，计算各告警数据与故障类型之间的皮尔逊相关系数，筛选初始属性；利用小波神经网络模型对告警数据加权；采用动态变尺度卷积优化传统卷积神经网络进行故障诊断；采用改进的粒子群算法对故障点所在路径进行智能倒换，不仅提高了故障恢复速度，还使恢复后电力系统具有较强的鲁棒性。