电力通信网是电力系统的神经网络,一旦网络出现故障,准确及时的诊断故障十分重要。然而,随着电力通信网拓扑越来越复杂,网络故障诊断变得越来越困难。传统的依靠人工从网管收集告警数据,再依靠经验或规则定位故障源的策略,精确度和判断速度难以保证,如果决策失误可能会对检修效率有很大影响,造成网络不能及时恢复到正常状态。而近年来,随着软硬件平台计算能力的提高、机器学习算法的持续改进、海量训练样本数据的积累,利用机器学习解决复杂非线性问题的优势日趋明显。本文基于电力通信网告警数据的特点和机器学习方法的优势,提出一种基于卷积神经网络的电力通信网故障诊断方法。首先,本文基于现网拓扑特征搭建了电力通信网的典型拓扑实验环境并人为制造故障样本,收集了大量的告警数据。然后,本文对原始告警信息进行去重、字段选取、标准化和同步等处理,将告警信息转化成告警事务。为了表示每种告警对故障诊断的重要性,本文提出一种均方差告警加权方法,该方法利用告警对每种故障诊断的权重,综合计算其对所有故障诊断的重要性。本文还通过告警事务编码定义故障状态矩阵,它可同时表征网络拓扑连接和网络故障状态。之后,根据采集的样本数据集的大小,本文设计和实现了基于卷积神经网络的电力通信网故障诊断模型,该模型将故障状态矩阵输入卷积神经网络提取故障特征,利用不同特征对故障进行分类,进而实现故障诊断。最后,对模型的学习率,最小批次大小和迭代次数进行了参数调优,并与贝叶斯分类算法作了效果对比,本文模型得到最好的模型诊断准确率达到99.1%。