(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 202111568034.7 (22)申请日 2021.12.21 (71)申请人 呼和浩特 科林热电有限责任公司 地址 010030 内蒙古自治区呼和浩特市回 民区新华大街电厂路1号 (72)发明人 解智钧　王宇飞　郭斌智　郭浩宇　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 沈鑫 (51)Int.Cl. G06K 9/62(2022.01) G06V 20/62(2022.01) G06V 10/30(2022.01) G06V 10/34(2022.01) G06F 17/18(2006.01)G06N 5/02(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种基于人工神经网络的电力信息故障分 析方法 (57)摘要 本发明公开了一种基于人工神经网络的电 力信息故障分析方法， 包括： 采用OCR技术获取业 务系统界面数据以及所述各业务系统的数据； 利 用关联规则分析算法对所述数据进行计算， 得到 所述数据形成的多元数据集的关联规则， 并生成 故障数据库； 构建故障分析模型， 根据所述故障 数据库数据以及实时获取的所述业务系统界面 数据进行故障分析； 将所述故障分析结果与预设 的不同故障类型优化策略数据库中的内容进行 比对， 得到最优的故障诊断方案， 完成电力信息 的故障分析。 本发明提高了故障分析判断的准确 度以及实时性， 从而提高了电力信息通信的可靠 性。 权利要求书2页 说明书6页 附图1页 CN 114462470 A 2022.05.10 CN 114462470 A 1.一种基于人工神经网络的电力 信息故障分析 方法， 其特 征在于， 包括： 采用OCR技 术获取业 务系统界面数据以及所述各业 务系统的数据； 利用关联规则分析算法对所述数据进行计算， 得到所述数据形成的多元数据集的关联 规则， 并生成故障数据库； 构建故障分析模型， 根据所述故障数据库 数据以及实时获取的所述业务系统界面数据 进行故障分析； 将所述故障分析结果与预设的不同故障类型优化策略数据库中的内容进行比对， 得到 最优的故障诊断方案， 完成电力 信息的故障分析。 2.如权利要求1所述的基于人工神经网络的电力信 息故障分析方法， 其特征在于： 所述 各业务系统的数据为历史电力 信息故障信息， 所述历史电力 信息故障信息包括， 按照故障性质分类： 软件系统故障和硬件故障； 按照故障范围分类： 全局性故障、 相关性故障和某个单一故障结构； 按照时间和周期分类： 周期性故障和暂时性故障。 3.如权利要求1所述的基于人工神经网络的电力信 息故障分析方法， 其特征在于： 所述 业务系统界面数据包括以图像或图形 呈现出来的与电力 信息相关的运行状态数据。 4.如权利要求3所述的基于人工神经网络的电力信 息故障分析方法， 其特征在于： 对所 述业务系统界面数据进行 预处理包括， 对所述OCR技 术获取的业 务系统界面数据进行 灰度化及去噪处 理； 所述业务系统界面数据灰度化图像转 化方程为： 其中， g(m,n),Q(m,n)分别表示像素点位置(m,n)处的灰度值和原始图像像素值， Qmax表 示整幅原 始图像中的最大像素值； 所述去噪处 理包括： 对采集到的图像信息逐帧进行 快速傅里叶变换 得到图像信息频谱； 将频谱转换为极坐标， 得到原始图像信 息的幅度谱和相位谱及原始图像信 息的相位信 息， 根据幅度谱 估计出噪声的幅度谱； 用原始图像信息的幅度谱 减去估计的噪声幅度谱得到纯 净的图像信息的幅度谱； 利用原始图像信 息的相位代替纯净图像信 息的相位， 再对纯净图像信 息的幅度谱及原 始图像信息的相位进行反傅里叶变换， 得到增强的图像信息； 利用自适应陷波器对增强的图像信息进行二次滤波， 得到降噪后的图像信息 。 5.如权利要求1、 3～4任一所述的基于人工神经网络的电力信 息故障分析方法， 其特征 在于： 所述关联规则分析算法包括， 对数据中每一项数据进行 频率次数统计； 构成候选项集C1， 计算每一项的支持度， 所述支持度＝频率次数/总数； 根据给定的最小支持度值， 对候选集进行筛选， 得到频繁项集L1， 即去掉支持度小于最 小支持度的候选集； 对频繁项集L1进行连接生成候选集C2， 重复上述步骤， 最终形成频繁K项集或者最大的权　利　要　求　书 1/2 页 2 CN 114462470 A 2频繁项集。 6.如权利要求1所述的基于人工神经网络的电力信 息故障分析方法， 其特征在于： 所述 故障分析模型的构建包括， 分析计算故障数据权 重值， 判断其故障产生的概 率值： 其中， wf表示故障f的权重值， mf表示wx不等于0的个数， n表示故障类型， wx表示第x中故 障的权值； 根据所述故障权 重进行优先级排列， 故障权 重高的优先被提取 出进行数据比对； 其比对算法为： 其中， Ri和Rj分别表示排列权重区域i和j， 为区域i的数据信号特征向量， 为数据信号特 征向量维度。 7.如权利要求1或6所述的基于人工神经网络的 电力信息故障分析方法， 其特征在于： 将所述故障分析结果与预设的不同故障类型优化策略数据库中的内容进 行比对， 得到最优 的故障诊断方案包括， 提取所述故障分析 结果中的故障特 征； 计算所述故障特 征与所述 不同故障类型优化策略数据库中的数据特 征相似度； 根据所述相似度计算结果是否超过预设阈值判断故障类型以及其对应的故障优化策 略。 8.如权利要求7所述的基于人工神经网络的电力信 息故障分析方法， 其特征在于： 所述 相似度的计算公式包括， 其中， 其中M为样本数， 指示变量x(f1,f2)在特征向量f1和f2属于同一类时等于1， 否则等 于0， d＝|f1‑f2|表示两个特征向量之间的欧氏距离， m不同类样本之间的距离阈值， 即当两 个不同类样本的特 征向量距离超过m时损失为0， 否则损失为(m ‑d)2。 9.如权利要求8所述的基于人工神经网络的电力信 息故障分析方法， 其特征在于： 根据 所述距离阈值判断两组输入是否属于同类别， 即在特征空间中， 两组特征向量间距离未超 过阈值m时属于同一类别， 否则属于不同类别。权　利　要　求　书 2/2 页 3 CN 114462470 A 3