(19)中华 人民共和国 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 202111305090.1 (22)申请日 2021.11.05 (71)申请人 国家电网有限公司信息通信分公司 地址 100053 北京市西城区白广路二条一 号综合楼 2307房间 (72)发明人 郑启薇　李扬　陈亮　黄俊桦　 梁洋洋　陆思羽　何云瑞　李志宏　 林通　刘广旭　杨雪莲　张涵　 张媛　赵圆圆　董子奇　解鹏飞　 高小芳　陈卓　孟平　 (51)Int.Cl. G06Q 50/06(2012.01) G06Q 10/04(2012.01) G06Q 10/00(2012.01) G06N 3/08(2006.01) G06F 30/27(2020.01) (54)发明名称 一种基于神经网络的电力通信设备状态检 修的预测方法 (57)摘要 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。 权利要求书2页 说明书6页 附图1页 CN 113935858 A 2022.01.14 CN 113935858 A 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…Pm]， 其中P为样本输入层， Pm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,…Tm] 其中T为设备状态检修预测结果 集合， Tn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…Rm]， 其中R为样本数据的验证期望结果集合， Rn 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+…+ΔEm)/m， 其中ΔEm 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。 中间隐含层的权　利　要　求　书 1/2 页 2 CN 113935858 A 2输出： Y＝[Y1,Y2,Y3…Yn]， 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)。 Wj＝Wj‑α *ΔE/ΔWj bi＝bi‑α *ΔE/Δbi 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。权　利　要　求　书 2/2 页 3 CN 113935858 A 3