[发明专利]一种电力信息通信系统运维数据的质量检测方法

说明书

本发明公开了一种电力信息通信系统运维数据的质量检测方法，该质量检测方法将生成对抗式网络GAN与TextCNN分类模型进行结合，基于电力信息通信系统中故障数据较少，存在异常数据样本少，导致模型训练样本不均衡的现状，首次提出将生成对抗式网络GAN应用在文本类样本的扩充上，以解决由于模型训练样本不均衡，导致的检测结果不准确以及精度差的问题。同时鉴于电力信息通信系统运维数据多为文本类数据的现状，在众多分类模型中采用了TextCNN分类模型进行数据分类，实现质量检测，完成正常数据和故障数据的分类，该电力信息通信系统运维数据的智能质量检测方法，具有检测效率高、精度好等优点。

技术领域

本发明公开涉及运维数据质量检测的技术领域，尤其涉及一种电力信息通信系统运维数据的质量检测方法。

背景技术

信息通信系统的安全稳定运行一直是电网业务系统的重要保障，受到了国网公司和企业各界的高度关注。其中，信息通信系统的调度指挥是信通运维的核心技术之一，目标是实现故障快速诊断定位和检修方案优化选择，直接影响到故障的检修时间和电网业务系统的稳定运行。

随着我国电力系统的飞速发展，电力通信系统中的运维也不断发展升级，在现阶段的运维系统研究中发现，该系统的工作内容呈现出不规范的现状。目前信息通信系统在运设备种类多、数量大，正常运行依靠网络、主机、存储、中间件、数据库、业务应用等多个层面的协同配合，单一的故障现象对应着多种可能的原因，缺陷故障的定位过多依赖于人，而且人工分析相比自动化方式在时效性方面有很大的提升空间。而现阶段的运维系统应用中，由于一些电力数据特征差异较小，同时还隐藏大量未知异常，难以对其进行检测、分类并故障定位，所以电力数据的整理与分析依旧采用人工的经验方法，在实际的数据整合中也尚未存在可靠的使用技术，导致运维系统最终数据报告的科学性以及准确性无法得到保障，并对我国电力通信系统的发展进程起到消极的阻碍作用。

人工智能在数据异常检测中起着重要作用，可以显著提高检测速度和准确性，并且应用在众多领域例如电力数据。机器学习是人工智能的一个重要分支，而深度学习则是机器学习中最主要的一个算法，其旨在通过多层非线性变换，提取数据的高层抽象特征，学习数据潜在的分布规律，从而获取对新数据做出合理的判断或者预测的能力。深度学习凭借着强大的拟合能力，开始在各个领域崭露头角，特别是在数据异常检测领域同样可以借助深度学习的方法。

传统的一些机器学习方法可以实现电力数据异常检测智能化，异常检测大概分为以下四类：基于统计学、基于密度、基于聚类、基于邻近度，电力设备异常数据没有明确的判定标准，一般采用单一的聚类方法，比如：LOF、K-means、KNN进行异常检测。但由于电力设备特征维度比较高导致出现计算时间长、效率低、精度低等问题，无法满足电力数据快速异常检测的需求。

因此，如何研发一种新型的电力数据异常的智能检测方法，以解决上述问题，成为人们亟待解决的问题。

发明内容

鉴于此，本发明提供了一种电力信息通信系统运维数据的质量检测方法，以解决以往的检测方法存在效率低、精度差等问题。

本发明提供的技术方案，具体为，一种电力信息通信系统运维数据的质量检测方法，该质量检测方法包括如下步骤：

获取所述电力信息通信系统的历史故障数据；

采用生成对抗式网络GAN对所述历史故障数据进行扩充，将扩充后的历史故障数据填充到历史运维数据中，得训练样本数据；

采用所述训练样本数据进行TextCNN分类模型的训练，获得训练后的TextCNN分类模型；

获取所述电力信息通信系统的实时运维数据；

采用所述训练后的TextCNN分类模型对所述实时运维数据进行分类，依据所述分类结果，获得所述电力信息通信系统运维数据的质量检测结果。

优选，所述电力信息通信系统运维数据为文本数据。