本发明属于电力通信与人工智能，涉及一种基于深度学习的电力骨干通信网络故障预测方法及系统。
背景技术：
1、电力骨干通信网络作为电力系统的关键组成部分，承担着传输电力调度指令、监控数据和实时信息等核心任务，其稳定性和可靠性直接关系到电力系统的整体运行效率和安全性。然而，随着智能电网的快速发展，电力骨干通信网络的结构日益复杂，数据量激增，使得网络故障的发生频率和复杂程度也随之增加
2、传统的电力骨干通信网络故障预测方法主要依赖于专家经验和简单的统计模型。这些方法在处理简单或单一故障时具有一定的效果，但在面对复杂多变的网络环境和高维、非线性、非平稳的电力通信数据时，其预测精度和泛化能力往往受到限制。具存在不足：人为因素干扰大，预测结果易受专家主观判断和经验的影响，导致预测结果的不确定性增加。适应性差，传统统计模型难以处理复杂的电力通信数据，特别是在数据分布不均、噪声干扰较大的情况下，预测效果往往不理想。实时性不足，在处理大规模实时数据时，传统方法往往难以达到所需的响应速度，难以满足电力系统的实时性要求。
3、随着人工智能技术的快速发展，特别是深度学习技术的广泛应用，为电力骨干通信网络故障预测提供了新的解决方案。深度学习模型通过多层神经网络的非线性映射能力，能够自动从数据中提取有用的特征，实现对复杂系统的准确预测。在电力通信领域，基于深度学习的故障预测方法已经展现出巨大的潜力，能够显著提高预测精度和泛化能力。尽管基于深度学习的电力骨干通信网络故障预测方法已经取得了一定的研究进展，但仍存在一些问题和挑战。首先，当前大多数方法针对特定的网络环境或故障类型进行建模，缺乏普适性和可扩展性。其次，电力通信数据的多样性和复杂性给模型训练带来了较大困难，需要构建更加完备和高质量的数据集。此外，深度学习模型的复杂性和计算资源需求也对实际应用提出了一定的挑战。
技术实现思路
1、本发明的目的在于解决现有技术中的模型在处理高维、非线性、非平稳的电力通信数据时，其预测精度和泛化能力有限的问题，提供一种基于深度学习的电力骨干通信网络故障预测方法及系统。
2、为达到上述目的，本发明采用以下技术方案予以实现：
3、一种基于深度学习的电力骨干通信网络故障预测方法，包括以下步骤：
4、搭建并训练神经网络模型，构建深度学习模型，模型包括至少三个隐藏层和一个输出层；
5、加载训练数据和测试数据，并对数据进行预处理；
6、使用训练数据集对构建的深度学习模型进行训练；
7、对模型进行测试以验证其性能，使用测试数据集对训练后的深度学习模型进行测试；
8、使用训练后的模型对输入id进行故障预测，并输出预测结果。
9、所述构建深度学习模型，具体包括：
10、定义模型结构，所述模型包括至少三个隐藏层和一个输出层，每个隐藏层依次包含线性层、批量归一化层、relu激活函数层和dropout层；
11、设置线性层，使用nn.linear(input_size, output_size)定义每个隐藏层的线性层，其中input_size为前一层的输出维度或输入数据的维度（对于第一层），output_size为该层的神经元数量；
12、设置批量归一化层，使用nn.batchnorm1d(num_features)设置批量归一化层，其中num_features为该层的神经元数量；
13、设置relu激活函数层，使用nn.relu()设置relu激活函数层，以增加模型的非线性能力；
14、设置dropout层，使用nn.dropout(p)设置dropout层，其中p为随机丢弃元素的概率。
15、所述加载训练数据和测试数据，并对数据进行预处理，具体步骤为：
16、数据加载，通过pandas库的read_csv函数或sql查询语句，从csv文件或数据库中加载数据；
17、特征与标签分离，在加载的数据中，通过列选择操作，将特征列与标签列分离；
18、列删除，从数据中删除对模型预测无帮助或会引入噪声的列；
19、数据标准化，对分离出的特征数据进行标准化处理，转换为均值为0，标准差为1的数据；
20、数据类型转换，将处理后的numpy数组转换为torch张量。
21、所述使用训练数据集对构建的深度学习模型进行训练之前，对模型参数进行定义和调优，具体为：
22、损失函数定义，采用交叉熵损失函数作为模型的损失函数，以衡量模型预测结果与真实故障程度之间的差异；
23、优化器定义，定义adam优化器，并将其与模型中的所有可训练参数相关联，设置初始学习率为0.001，用于在训练过程中根据损失函数的梯度调整模型参数，以最小化损失。
24、所述使用训练数据集对构建的深度学习模型进行训练，具体为：
25、模型训练，使用训练数据集对深度学习模型进行训练，训练过程中采用学习率调度器，调度器每经过预设的批次数将当前学习率调整为指定比例；
26、训练轮次控制，设置训练轮次，确保模型在训练过程中能够充分学习数据特征并达到稳定状态，从而得到较为准确的预测模型；
27、模型保存，在训练结束后，将训练好的模型参数保存。
28、所述使用训练后的模型对输入id进行故障预测，并输出预测结果，具体为：
29、输入id，id作为时间和地点的唯一标识，用于从数据集中检索对应的特征信息；
30、特征信息匹配，根据输入的id，从数据集中检索对应的特征信息；
31、将检索到的特征信息输入到训练后的深度学习模型中，模型利用训练过程中学习到的模式和关联规则进行预测，输出预测标签值，即当前条件下故障发生的可能性；
32、结果输出步骤，将预测标签值与实际标签值一同输出，以便用户判断预测的准确性。
33、所述输出预测结果后，若实际标签值已知，则计算预测准确率、召回率评估指标，以评估模型在当前数据集上的性能。
34、一种基于深度学习的电力骨干通信网络故障预测系统，包括以下模块：
35、模型构建模块，所述模型构建模块用于搭建并训练神经网络模型，构建深度学习模型，模型包括至少三个隐藏层和一个输出层；
36、数据加载与预处理模块，所述数据加载与预处理模块用于加载训练数据和测试数据，并对加载的数据进行预处理；
37、模型训练模块，所述模型训练模块使用训练数据集对构建的深度学习模型进行训练；
38、模型测试模块，所述模型测试模块使用测试数据集对训练后的深度学习模型进行测试，验证模型的性能；
39、故障预测模块，基于训练后的深度学习模型，接收输入的id对输入id进行故障预测，并输出预测结果。
40、一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前项任一项所述方法的步骤。
41、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前项任一项所述方法的步骤。
42、与现有技术相比，本发明具有以下有益效果：
43、本发明中的基于深度学习的电力骨干通信网络故障预测方法，采用深度神经网络进行电力骨干通信网络故障预测，其多层次结构带来了显著的有益效果。深度神经网络能够自动从原始数据中逐层提取出从简单到复杂、从低级到高级的不同层次特征，大大增强了特征提取能力，减少了人工特征工程的需要，并提高了特征提取的精度和全面性，这些特征不仅涵盖了数据的表面信息，也深入挖掘了数据中的隐藏模式和深层信息。
44、深度神经网络通过层次之间的非线性组合，能够学习到数据之间的复杂非线性关系，并形成复杂的决策边界，使得模型在电力骨干通信网络故障预测中能够更准确地识别出潜在的故障模式，提前预警，从而提高预测的准确性。相比传统的线性模型或简单的浅层神经网络，深度神经网络在捕捉数据复杂性和提高预测精度方面具有显著优势。
45、并且深度神经网络还具有较强的鲁棒性和泛化能力，通过大量数据的训练，模型能够学习到数据中的普遍规律和特征，而不仅仅是依赖于某些特定的数据点或特征。使模型在面对新的、未见过的数据时仍能保持较好的预测性能，降低了过拟合的风险。
1.一种基于深度学习的电力骨干通信网络故障预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于深度学习的电力骨干通信网络故障预测方法，其特征在于，所述构建深度学习模型，具体包括：
3.如权利要求1所述的一种基于深度学习的电力骨干通信网络故障预测方法，其特征在于，所述加载训练数据和测试数据，并对数据进行预处理，具体步骤为：
4.如权利要求1所述的一种基于深度学习的电力骨干通信网络故障预测方法，其特征在于，所述使用训练数据集对构建的深度学习模型进行训练之前，对模型参数进行定义和调优，具体为：
5.如权利要求1所述的一种基于深度学习的电力骨干通信网络故障预测方法，其特征在于，所述使用训练数据集对构建的深度学习模型进行训练，具体为：
6.如权利要求1所述的一种基于深度学习的电力骨干通信网络故障预测方法，其特征在于，所述使用训练后的模型对输入id进行故障预测，并输出预测结果，具体为：
7.如权利要求1所述的一种基于深度学习的电力骨干通信网络故障预测方法，其特征在于，所述输出预测结果后，若实际标签值已知，则计算预测准确率、召回率评估指标，以评估模型在当前数据集上的性能。
8.一种基于深度学习的电力骨干通信网络故障预测系统，其特征在于，包括以下模块：
9.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
