(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210472924.6 (22)申请日 2022.04.29 (71)申请人 国网河南省电力公司信息通信公司 地址 450000 河南省郑州市二七区嵩 山南 路87号院办公区C楼 申请人 国家电网有限公司 (72)发明人 王慕维　郭源善　安致嫄　李文萃　 刘岩　张宁宁　王春迎　党芳芳　 盛磊　赵凌霄　 (74)专利代理 机构 郑州博派知识产权代理事务 所(特殊普通 合伙) 41137 专利代理师 荣永辉 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 50/06(2012.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于机器学习算法的电力通信网故障 诊断方法和系统 (57)摘要 本发明提供一种基于机器学习算法的电力 通信网故障诊断方法与系统， 属于电力技术领 域， 具体包括： 电力通信网的故障数据采集， 通过 聚类分析与滑动窗口结合的方式对数据进行去 噪， 并通过综合熵的方式对数据进行加权处理； 将处理过的告警数据进行处理和编码， 形成故障 状态矩阵集， 并将故障状态矩阵集全部转为灰度 图像； 采用Mallat算法将各灰度图像逐层分解为 高频分量子图像和低频分量子图像， 并对高频分 量子图像和低频分量子图像分别进行融合处理； 重构灰度图像， 并将其输入到已训练完成的基于 NIN‑CNN神经网络的电力通信网故障诊断模型之 中； 输出电力通信网故障诊断的诊断结果； 解决 了原先预测精度低、 速度慢的问题， 具有很好的 故障诊断速度和精度。 权利要求书2页 说明书6页 附图2页 CN 114757379 A 2022.07.15 CN 114757379 A 1.一种基于 机器学习算法的电力通信网故障诊断方法， 其特 征在于， 具体包括： S1电力通信网的故障数据采集， 通过聚类分析与滑动窗口结合的方式对数据进行去 噪， 并通过综合熵的方式对数据进行加权处 理； S2将处理过的告警数据进行处理和编码， 形成故障状态矩阵集， 并将故障状态矩阵集 全部转为灰度图像； S3采用Mallat算法将各灰度图像逐层分解为 高频分量子图像和低频分量子图像， 并对 高频分量子图像和低频分量子图像分别进行融合处 理； S5重构灰度图像， 并将其输入到已训练完成的基于NIN ‑CNN神经网络的电力通信网故 障诊断模型之中； S6输出电力通信网故障诊断的诊断结果。 2.如权利要求1所述的电力通信网故障诊断方法， 其特征在于， 所述电力通信网的故障 数据包括告警类型、 告警时间、 告警级别、 告警站点。 3.如权利要求1所述的电力通信网故障诊断方法， 其特征在于， 所述聚类分析采用SA ‑ CURD算法， 对聚类分析半径进行自动确定 。 4.如权利要求1所述的电力通信网故障诊断方法， 其特征在于， 高频分量子图像的融合 处理， 具体为： 高频分量采用取最大值或者平均化对其进行融合处 理。 5.如权利要求1所述的电力通信网故障诊断方法， 其特征在于， 低频分量子图像的融合 处理， 具体为： 低频分量采用加权平均的方法对其进行融合处 理。 6.如权利要求1所述的电力通信 网故障诊断方法， 其特征在于， 所述基于NIN ‑CNN神经 网络的电力通信网故障诊断模型， 具体为： 在CN N卷积层的基础上加入1X1的卷积层。 7.如权利要求6所述的电力通信网故障诊断方法， 其特征在于， 所述1X1的卷积层作为 网络函数逼近器， 将卷积层输出的特 征信息进行统合 运算。 8.如权利要求1所述的电力通信 网故障诊断方法， 其特征在于， 所述基于NIN ‑CNN神经 网络的电力通信网故障诊断模型其激活函数采用ReLU函数。 9.如权利 要求1所述的电力通信网故障诊断方法， 所述基于NIN ‑CNN神经网络的电力通 信网故障诊断模型其 误差函数采用交叉熵函数， 具体为： 上式dk为标签值， 正确时为1， 错误为0， Xk为第k个神经网络的输出， log为以e为底的对 数。 10.一种基于机器学习算法的电力通信网故障诊断系统， 采用权利要求1 ‑9任一项所述 的电力通信网故障诊断方法， 包括数据提取模块， 数据处理模块， 数据分析模块， 结果输出 模块所述数据提取模块负责电力通信网的故障数据采集； 所述数据处理模块负责通过聚类 分析与滑动窗口结合的方式对数据进行去 噪， 并通过综合熵的方式对数据进行加权处理， 将处理过的告警数据进行处理和编码， 形成故障状态矩阵集， 并将故障状态矩阵集全部转 为灰度图像， 采用Mallat算法将各灰度图像逐层分解为高频分量子图像和低频分量子图 像， 并对高频分量子图像和低频分量子图像分别进 行融合处理， 重构灰度图像； 所述数据分 析模块负责具体将数据处理模块处理完成的数据输入到已训练完成的基于NIN ‑CNN神经网 络的电力通信网故障诊断模型之中， 输出故障诊断结果； 所述结果输出模块负责将得到的权　利　要　求　书 1/2 页 2 CN 114757379 A 2故障诊断结果进行输出， 以供工作人员参 考。权　利　要　求　书 2/2 页 3 CN 114757379 A 3