专利交易市场

本发明公开了一种异构网络环境下的基于深度学习的网络故障诊断方法，其特征是，首先通过分析异构网络故障场景，确定监测阶段和故障诊断阶段将要使用的特征；然后利用最小冗余最大相关性算法选取监测阶段最优特征子集，对故障特征进行匹配，若匹配度大于阈值时，触发故障诊断阶段，通过反向传播算法完成模型参数调整；最后根据得到的最优模型，对异构网络进行故障定位和诊断。本发明所达到的有益效果：本方法基于深度学习理论的视角，通过对异构网络环境下网络结构和故障参数剖析，综合考虑故障发生的概率统计特性，建立了一种异构网络环境下基于深度学习的网络故障诊断模型，应用于异构网络环境中的故障诊断。

本发明公开了一种融合故障转移因子的脆弱流传播捕获方法，包括以下步骤：S1：获取电力系统数据信息；S2：构造电网拓扑模型；S3：计算支路开断分布因子W；S4：计算改进支路开断分布因子ρ；S5：加入潮流波动系数θ；S6：计算故障转移因子f；S7：定义支路的脆弱流F；S8：计算额外脆弱流ΔF；S9：选取F计算值最大的支路作为故障支路；S10：计算不同故障阶段的脆弱流，选取脆弱流计算值最大的作为下一条故障支路，按顺序添加到故障链；S11：重复S10直到系统形成孤岛，得到顺序包含不同故障阶段故障支路的故障链C；该捕获方法能快速有效识别电网中最易受冲击的支路，极大降低计算复杂度，为保障系统安全稳定运行提供可靠数据支持。

本发明公开了一种基于贝叶斯混合模型的网络故障数据合成方法，该方法用于解决现有网络故障预测中由于故障数据较少而产生的预测性能下降的缺陷，本发明首先对于采集到的具有非均衡特性的网络数据集，用贝叶斯混合模型表示该数据集中的少数类故障数据分布，而后完成模型参数估计，利用训练好的模型产生少数类故障样本，使故障和非故障这两类数据达到均衡。采用本发明的方法，能够准确地把握具有非均衡特性的网络数据集特性，有效地提升网络故障预测准确率。