[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

说明书

本发明公开了一种基于神经网络的电力通信设备状态检修的预测方法，包括以下步骤：构建电力通信网络传输设备资源相关联的关系模型；获取设备相关的静态数据、动态数据作为样本数据，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等进行数值化处理。本发明采用BP神经网络算法，构建电力通信系统传输设备资源的关系模型，研究分析设备固有属性及实时运行状态，基于电力通信设备的状态，便于快速、全面预测并提供设备的检修建议。

技术领域

本发明涉及电力技术领域，具体是一种基于神经网络的电力通信设备状态检修的预测方法。

背景技术

随着国家电网公司信息通信调度集约化的实施，信息通信网络及其承载的业务系统得到迅猛发展，网络规模不断扩大、设备类别快速增多、拓扑结构日趋复杂、业务数量不断增长，对信息通信设备的运维管理水平提出了更高要求。

目前对于电力通信网络运维管理中对设备的检修方式主要为计划检修和临时检修，对于网络规模大的电力通信网络设备检修缺乏针对性的手段，亟需研制电力通信传输网设备状态检修分析工具，实现对通信设备提前状态预警、主动检修。目前电力通信设备检修主要存在如下几方面的问题：

(1)计划检修：采用统一标准对所有设备按一定的时间间隔周期性的进行检修，存在针对性不强、无检修重点、人力资源浪费等问题。

(2)临时检修：当通信设备出现故障时，需紧急对设备进行检修维护，消除设备缺陷。临时检修属于事后检修，不能及时处理通信设备的潜在隐患。

人工神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。具有大规模并行处理、分布式存储、弹性拓扑、高度冗余和非线性运算等特点，因而具有很髙的运算速度，很强的联想能力，很强的适应性，很强的容错能力和自组织能力。这些特点和能力构成了人工神经网络模拟智能活动的技术基础，并在广阔的领域获得了重要的应用。

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

发明内容

本发明的目的在于提供一种基于神经网络的电力通信设备状态检修的预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于神经网络的电力通信设备状态检修的预测方法，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。

作为本发明的进一步技术方案，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。

作为本发明的进一步技术方案，所述BP神经网络最终模型通过设备状态评估算法实现。