[发明专利]一种基于神经网络的电力通信设备状态检修的预测方法

权利要求书

1.一种基于神经网络的电力通信设备状态检修的预测方法，其特征在于，包含以下步骤：

步骤A、构建电力通信网络传输设备资源相关联的关系模型；

步骤B、获取设备相关的静态数据、动态数据作为样本数据，对所述设备相关数据的运行年限、告警数量、性能劣化程度、承载业务类型及数量进行数值化处理；以所述数值化处理后的值作为训练样本数据；

步骤C、然后使用误差逆传播算法训练的多层前馈网络即BP神经网络初始模型的学习训练，训练过程中使用梯度下降法来逐步调整各层间的输入权重和偏置，直到BP神经网络初始模型的预测精度达到要求，得到BP神经网络最终模型；

步骤D、根据BP神经网络最终模型对电力通信设备进行状态检修预测。

2.根据权利要求1所述的一种基于神经网络的电力通信设备状态检修的预测方法，其特征在于，所述静态数据包括设备、板卡，动态数据包括告警、性能、业务；对所述设备相关数据的运行年限、告警数量、性能劣化程度、承载业务类型及数量。

3.根据权利要求1所述的一种基于神经网络的电力通信设备状态检修的预测方法，其特征在于，所述BP神经网络最终模型通过设备状态评估算法实现。

4.根据权利要求3所述的一种基于神经网络的电力通信设备状态检修的预测方法，其特征在于，所述设备状态评估算法具体是：获取设备相关的静态数据、动态数据作为样本数据，经数值化处理后的值作为训练样本数据，人工分析样本数据确定该样本中需进行检修的设备集合作为验证结果，将样本数据输入到三层BP神经网络初始模型进行学习训练，将算法输出的结果与验证结果比对，并算法反馈，重复训练过程，直到BP神经网络初始模型的预测精度达到要求，得到采用BP神经网络进行设备状态检修预测的最终模型。

5.根据权利要求4所述的一种基于神经网络的电力通信设备状态检修的预测方法，其特征在于，所述设备状态评估算法包含以下步骤：

步骤1、选取电力通信网络中具有典型性的两组局部网络，构建电力通信设备资源相关联的数据模型；根据以上数据经人工分析出两种数据中需进行检修的设备集合作为验证期望结果；

步骤2、将步骤a中选取的数据根据资源数据状态风险量化评估方法进行数值化处理，一组作为训练样本数据，另一组作为测试样本数据；将设备相关联的静动态数据：投运时间、告警、性能、业务、检修记录等作为输入层为：P＝[P₁,P₂…P_m]，其中P为样本输入层，P_m为电力通信设备关联的资源数据；

步骤3、将步骤2中的训练样本数据作为输入，设定初始权值和学习效率，进行BP神经网络初始模型的学习训练；

算法模型预测的最终输出为：T＝[T₁,T₂,…T_m]

其中T为设备状态检修预测结果集合，T_n为每台通信设备状态检修的预测结果；

样本数据的验证期望结果：R＝[R₁,R₂…R_m]，其中R为样本数据的验证期望结果集合，R_n为每台通信设备状态检修的验证值；

对与给定m个设备样本，定义误差函数为：ΔE＝(ΔE₁+ΔE₂+ΔE₃+…+ΔE_m)/m，其中ΔE_m为单单台设备预测值与期望值的差值；

设定本层初始权值，基于单台设备资源量化计算各关联资源的风险值。中间隐含层的输出：Y＝[Y₁,Y₂,Y₃…Y_n]，其中Y代表各关联资源的风险计算结果；

步骤4、采用梯度下降优化BP神经网络算法，在更新参数时使用所有的样本来进行更新，不断调整网络的权值和阈值，使网络的误差平方和最小；按照以下方式对权值、阈值进行反馈。α为学习速率，它的取值范围为(0,1)。

W_j＝W_j-α*ΔE/ΔW_j

b_i＝b_i-α*ΔE/Δb_i

步骤5、算法计算一次后，判断算法是否满足要求，直到BP神经网络算法的预测精度达到要求，得到电力通信系统可靠性评估模型算法；

步骤6、将步骤2中的测试样本数据输入到步骤4中得到的电力通信设备状态检修预测算法，进行算法验证。