[发明专利]一种系统数据动态对比方法

权利要求书

1.一种系统数据动态对比方法，其特征在于：包括以下步骤：

S1、获取电力通信系统中的运行状态数据，以及预设故障状态数据；

S2、计算预设故障状态数据对故障诊断影响的权值，并计算运行状态数据与权值最大预设故障状态数据之间的相似度；

S3、将全部系统故障告警事务编码成故障状态矩阵，利用故障状态矩阵对系统故障识别模型进行模型训练；

S4、获取系统当前故障状态矩阵，输入训练好的系统故障识别模型；

S5、综合相似度计算结果，以及系统故障识别模型输出结果，确定电力通信系统当前故障。

2.根据权利要求1所述的系统数据动态对比方法，其特征在于：S2中计算预设故障状态数据对故障诊断影响的权值，包括：

对所有故障状态数据进行关联分析，得到各故障状态数据对故障诊断影响的权值。

3.根据权利要求2所述的系统数据动态对比方法，其特征在于：所述对所有故障状态数据进行关联分析，得到各故障状态数据对故障诊断影响的权值，包括：

确定所有故障状态数据的出现频率，根据出现频率建立故障状态数据的常出现集，确定常出现集中各故障状态数据对故障诊断影响的权值。

4.根据权利要求3所述的系统数据动态对比方法，其特征在于：所述确定常出现集中各故障状态数据对故障诊断影响的权值，包括：

采用下式计算常出现集中各故障状态数据对故障诊断影响的权值：

其中，w_k表示故障状态数据k的权值，m_k表示w_b不等于0的个数，b表示故障类型，w_b表示故障状态数据f为第b项故障类型时的权值。

5.根据权利要求4所述的系统数据动态对比方法，其特征在于：S2中计算运行状态数据与权值最大预设故障状态数据之间的相似度，包括：

提取运行状态数据的第一特征向量，提取权值最大预设故障状态数据的第二特征向量，采用下式计算第一特征向量、第二特征向量之间的相似度：

其中，S为相似度，N为故障特征数，x为第一特征向量、第二特征向量之间的指示变量，d为第一特征向量、第二特征向量之间的欧氏距离，D为欧式距离阈值。

6.根据权利要求1所述的系统数据动态对比方法，其特征在于：S3中将全部系统故障告警事务编码成故障状态矩阵，包括：

依据图论的邻接矩阵表达电力通信站点之间的拓扑关系，得到电力通信站点之间的邻接矩阵；

以站点为单位对应全部系统故障告警事务得到告警事务编码，结合电力通信站点之间的邻接矩阵、告警事务编码得到故障状态矩阵。

7.根据权利要求6所述的系统数据动态对比方法，其特征在于：所述依据图论的邻接矩阵表达电力通信站点之间的拓扑关系，得到电力通信站点之间的邻接矩阵，包括：

设G是一个有n个站点的图，V(G)是G的站点集，E(G)是G的边集，A(G)是G的邻接矩阵，则邻接矩阵A(G)＝(a_ij)_n*n，其中a_ij如下：

8.根据权利要求7所述的系统数据动态对比方法，其特征在于：所述以站点为单位对应全部系统故障告警事务得到告警事务编码，结合电力通信站点之间的邻接矩阵、告警事务编码得到故障状态矩阵，包括：

采用下式表示n个站点中对应全部系统故障告警事务的告警事务编码：

Q(G)＝diag{q₁₁,q₂₂,…,q_nn}

其中，Q(G)为告警事务编码，q_nn为各站点的告警事务编码；

则故障状态矩阵R(G)＝A(G)Q(G)，表示电力通信站点出现的故障与站点拓扑关系之间的联系。

9.根据权利要求8所述的系统数据动态对比方法，其特征在于：S3中利用故障状态矩阵对系统故障识别模型进行模型训练，包括：

将各故障状态矩阵打上对应包含系统主要故障类型、故障站点的识别标签，并与相应故障状态矩阵一同构成训练集；

将训练集输入系统故障识别模型，学习系统故障类型与站点拓扑关系、告警事务编码之间的关系，并将输出结果与识别标签进行对比，利用BP算法调节系统故障识别模型的网络参数，直至系统故障识别模型达到设定的准确率时，模型训练结束。