基于深度學習的電力骨干通信網故障診斷方法

王星星

摘要：隨著電力骨干通信網絡的不斷擴容和拓撲結構的日益復雜，網絡運維數據呈指數級增長趨勢。權力的運行和維護人員溝通只能有限的注意力集中在重要的報警及相關開關的性能關系業務，但沒有時間或意味著考慮大量的深層操作數據反映出生產作業的本質，已成為最大的難點和困難在當前電力通信調度生產工作。

關鍵詞：深度學習;電力骨干;通信網故障;診斷方法

引言

電力骨干通信網中告警信息的及時高效處理能夠為故障處置提供先機。利用人工智能技術，基于歷史數據可以預測告警的發生，完備的數據集是成功實現預測的基本條件。在現實網絡中采集的數據往往有分布不均勻、數據缺失等問題，如何構建完備的數據集是基于人工智能技術實現電力骨干通信網中告警預測的一個關鍵問題。

1總體設計

基于深度學習的電力骨干通信網數據采集及故障診斷技術，先對其現有的數據進行采集并且對已有的故障診斷技術調研，從網絡中的故障信息中研究分析故障信息的特征與類別;然后對基于深度學習方法的故障診斷網絡模型進行分析研究，重點研究其應用與合適的故障診斷模型的建立，其中主要分為三個部分：（1）針對電力骨干通信網的故障信息和各種數據進行采集及挖掘，并對數據進行預處理;（2）研究已有的深度網絡模型，利用深度網絡對電力骨干通信網故障特征的提取以實現分類的目標，并最終基于深度學習建立電力骨干通信網故障診斷模型;（3）基于深度學習的網絡故障及風險資源定位技術的研究，最終實現網絡故障的高效排除，有效的使網絡運行降低風險。

2故障診斷

電力骨干通信網是支撐自動化電網調度和公司管理信息化的重要基礎設施，電力骨干通信網一旦發生故障，如果不能及時處理，不僅中斷本站點業務，還會造成其他站點的業務傳輸中斷，甚至造成大面積影響。因此，為了避免發生上述情形，根據電力骨干通信網風險規避的原則，網管系統應當對網絡中發生故障的通信網絡設備光纜風險資源進行快速準確無誤的定位，并給出合理的影響評價和度量，保證大量的、密集互聯的網絡設備良好運行，降低網絡運行風險。基于深度學習的模型我們提出了以下三種方法用于電力骨干通信網的故障診斷模型的建立。（1）基于卷積神經網絡（CNN）的電力骨干通信網故障診斷模型的建立卷積神經網絡（ConvolutionalNeuralNetwork，CNN）是一種前饋神經網絡，通過卷積核，神經元可以與周圍單元覆蓋連接?；贑NN的電力骨干通信網故障診斷模型。（2）基于循環神經網絡（RNN）的電力骨干通信網模型的建立環神經網絡（RNN）與CNN不同之處在于一個序列當前的輸出與前面的輸出也有關。RNN網絡會對之前網絡輸出的信息進行記憶并在當前網絡的輸出參與計算，即隱藏層之間的節點是有連接的，而不像cnn一樣無連接，并且輸入層的輸出與上一時刻隱藏層的輸出一起作為隱藏層的輸入。（3）基于長短期記憶網絡（LSTM）的電力骨干通信網模型的建立長短期記憶網絡（LSTM）是一種特殊的RNN，關鍵點是單元狀態，保證信息以不變的方式向下流動，LSTM有能力向單元狀態中移除或添加信息，通過結構來仔細管理稱為門限。一般來說，模型最優解的搜索空間，隨著迭代次數、學習步長等等超參數的維度和取值范圍極速增長。所以，一次模型訓練結果通常不是最優，甚至不是相對較好的結果。因此，對模型進行后續的調優是非常有必要的。我們基于訓練出來的模型的參數變化軌跡，初始參數設置，超參數設置及利用凸優化方法調優等方面的認知，有針對地進行模型的優化處理。

4電力通信骨干網優化方式

4.1網絡拓撲結構優化

網絡拓撲結構優化是一種針對電力骨干通信網的光纜環網進行優化的方式，核心在于合理分配數據傳輸任務。具體方法上共分三個步驟：首先對原有光纜環網的資源信息進行全面統計，同時對統計結果進行評估，確認其中問題。其次采用OPGW光纜資源信息（高可靠性）將環網與每個電力骨干節點連接，實現全面覆蓋。最后采用規劃方法，對兩者連接點進行拓撲規劃，提高各個連接點的合理性，同時重視拓撲結構進入骨干節點的時間，依照時間排序進行重新布局，在保障光纜環網運行穩定、安全的條件下，對整個拓撲結構進行調整，由此得到新的網絡拓撲結構，完成后再對結構中的核心層硬件設備進行重新組織、連接，該項工作要遵守“西收東發”來進行。此外，如果需要進一步優化，還可以采用“對偶板位”來實現目的。

4.2核心節點處理能力優化

核心節點處理能力是決定整個電力骨干通信網業務處理速度主要因素，而物業處理速度越快，代表網絡內滯留的數據量越小，因此對核心節點處理能力進行優化，可以避免網絡擁擠現象。具體方法上，首要目標是設立優化標準，一般情況下需要對網絡內以太網板、線路板等進行優化，使兩者的槽位接入容量提升最低標準為10G，后可以采用兩種方法來實現目標，即針對不同電力業務環境，需要采用不同技術方案，例如將環網保護作用于電力骨干通信網的核心業務中;針對IP業務選擇匹配的IP板卡配套使用，可優化電力業務轉換處理時間。此外，還存在一種通用性方法，即針對核心節點的SDH光傳輸設備進行更新換代，從設備性能上實現優化目的，同時將網絡內的核心傳輸節點容量調整為“時分交叉容量”，該方法可以提高骨干網的高價交叉容量與低階交叉能力，使電力供應更加可靠。

4.3提高網絡運作的控制力

在良好的控制力條件下，網絡運作將更加合理、可靠，因此通過提高網絡運作控制力，可以實現優化目的。優化工作流程為：首先需要對骨干網內的原有網絡、資源、數據進行統計，同時進行深入分析，這一點建議借助大數據技術來實現，分析結果代表了當前網絡的運行模式，結合當前業務需求，可了解其中不足。其次落實全網數據監控工作，采用中心站-子站模式框架依照轄區設計子站、母站，所有子站成員需要對轄區內的網絡數據進行監控、管理，再由母站人員統一管理。最終通過觀察，可以全面獲悉當前網絡內的電力運行情況，分析后可得其中問題與原因，再針對原因進行處理、優化，預防性的保障電力運行可靠性。

4.4高度集約化優化

高度集約化是當前電力骨干通信網在分布結構上的問題，也是導致網絡數據傳輸缺陷的重要因素，因此在骨干網優化方面，還需要對此進行處理。優化方法上，介于不同骨干網的差異，首先需要分析實際情況了解問題所在，例如某供電公司中，就存在核心節點動環監控系統上的短板，這一問題較為普遍。其次在得到問題之后，就需要進行修復，隨后再對整個網絡結構進行調整，調整原則為中心站-子站模式。最終在調整中，選擇具有中心站條件的節點為基礎，在各個轄區內建設子站，兩者相連之后，就可以消除高度集約化現象。

結語

將新一代人工智能技術與電力骨干通信網調度監控和運行維護實際工作需求緊密結合，重點解決電力通信調度運行中故障快速處置、業務智能重構、方式優化安排、風險評估預測與設備運行狀態健康管理等實際生產問題，對提升國網公司電力通信主動性運行水平，將運行風險管控從事中向事前傾斜，更好地支撐電網生產業務、特高壓發展和全球能源互聯網建設都具有重要的現實意義。

參考文獻

[1]王帥，楊秋輝，曾嘉彥，萬瑩，樊哲寧，張光蘭.加權增量關聯規則挖掘在通信告警預測中的應用[J].計算機應用，2019，38（10）：2875-2880.

[2]饒志宏，劉杰，陳劍鋒.面向網絡監測預警的海量知識存儲研究[J].計算機工程，2020，44（03）：138-143.

[3]王向.復雜非線性系統智能故障診斷及容錯控制方法研究[D].燕山大學，2019.

[4]陳琳.網絡故障診斷關鍵技術的研究[D].國防科學技術大學，2005.