基于深度学习的电力骨干通信网故障诊断方法

王星星

摘要：随着电力骨干通信网络的不断扩容和拓扑结构的日益复杂，网络运维数据呈指数级增长趋势。权力的运行和维护人员沟通只能有限的注意力集中在重要的报警及相关开关的性能关系业务，但没有时间或意味着考虑大量的深层操作数据反映出生产作业的本质，已成为最大的难点和困难在当前电力通信调度生产工作。

关键词：深度学习;电力骨干;通信网故障;诊断方法

引言

电力骨干通信网中告警信息的及时高效处理能够为故障处置提供先机。利用人工智能技术，基于历史数据可以预测告警的发生，完备的数据集是成功实现预测的基本条件。在现实网络中采集的数据往往有分布不均匀、数据缺失等问题，如何构建完备的数据集是基于人工智能技术实现电力骨干通信网中告警预测的一个关键问题。

1总体设计

基于深度学习的电力骨干通信网数据采集及故障诊断技术，先对其现有的数据进行采集并且对已有的故障诊断技术调研，从网络中的故障信息中研究分析故障信息的特征与类别;然后对基于深度学习方法的故障诊断网络模型进行分析研究，重点研究其应用与合适的故障诊断模型的建立，其中主要分为三个部分：（1）针对电力骨干通信网的故障信息和各种数据进行采集及挖掘，并对数据进行预处理;（2）研究已有的深度网络模型，利用深度网络对电力骨干通信网故障特征的提取以实现分类的目标，并最终基于深度学习建立电力骨干通信网故障诊断模型;（3）基于深度学习的网络故障及风险资源定位技术的研究，最终实现网络故障的高效排除，有效的使网络运行降低风险。

2故障诊断

电力骨干通信网是支撑自动化电网调度和公司管理信息化的重要基础设施，电力骨干通信网一旦发生故障，如果不能及时处理，不仅中断本站点业务，还会造成其他站点的业务传输中断，甚至造成大面积影响。因此，为了避免发生上述情形，根据电力骨干通信网风险规避的原则，网管系统应当对网络中发生故障的通信网络设备光缆风险资源进行快速准确无误的定位，并给出合理的影响评价和度量，保证大量的、密集互联的网络设备良好运行，降低网络运行风险。基于深度学习的模型我们提出了以下三种方法用于电力骨干通信网的故障诊断模型的建立。（1）基于卷积神经网络（CNN）的电力骨干通信网故障诊断模型的建立卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，通过卷积核，神经元可以与周围单元覆盖连接。基于CNN的电力骨干通信网故障诊断模型。（2）基于循环神经网络（RNN）的电力骨干通信网模型的建立环神经网络（RNN）与CNN不同之处在于一个序列当前的输出与前面的输出也有关。RNN网络会对之前网络输出的信息进行记忆并在当前网络的输出参与计算，即隐藏层之间的节点是有连接的，而不像cnn一样无连接，并且输入层的输出与上一时刻隐藏层的输出一起作为隐藏层的输入。（3）基于长短期记忆网络（LSTM）的电力骨干通信网模型的建立长短期记忆网络（LSTM）是一种特殊的RNN，关键点是单元状态，保证信息以不变的方式向下流动，LSTM有能力向单元状态中移除或添加信息，通过结构来仔细管理称为门限。一般来说，模型最优解的搜索空间，随着迭代次数、学习步长等等超参数的维度和取值范围极速增长。所以，一次模型训练结果通常不是最优，甚至不是相对较好的结果。因此，对模型进行后续的调优是非常有必要的。我们基于训练出来的模型的参数变化轨迹，初始参数设置，超参数设置及利用凸优化方法调优等方面的认知，有针对地进行模型的优化处理。

4电力通信骨干网优化方式

4.1网络拓扑结构优化

网络拓扑结构优化是一种针对电力骨干通信网的光缆环网进行优化的方式，核心在于合理分配数据传输任务。具体方法上共分三个步骤：首先对原有光缆环网的资源信息进行全面统计，同时对统计结果进行评估，确认其中问题。其次采用OPGW光缆资源信息（高可靠性）将环网与每个电力骨干节点连接，实现全面覆盖。最后采用规划方法，对两者连接点进行拓扑规划，提高各个连接点的合理性，同时重视拓扑结构进入骨干节点的时间，依照时间排序进行重新布局，在保障光缆环网运行稳定、安全的条件下，对整个拓扑结构进行调整，由此得到新的网络拓扑结构，完成后再对结构中的核心层硬件设备进行重新组织、连接，该项工作要遵守“西收东发”来进行。此外，如果需要进一步优化，还可以采用“对偶板位”来实现目的。

4.2核心节点处理能力优化

核心节点处理能力是决定整个电力骨干通信网业务处理速度主要因素，而物业处理速度越快，代表网络内滞留的数据量越小，因此对核心节点处理能力进行优化，可以避免网络拥挤现象。具体方法上，首要目标是设立优化标准，一般情况下需要对网络内以太网板、线路板等进行优化，使两者的槽位接入容量提升最低标准为10G，后可以采用两种方法来实现目标，即针对不同电力业务环境，需要采用不同技术方案，例如将环网保护作用于电力骨干通信网的核心业务中;针对IP业务选择匹配的IP板卡配套使用，可优化电力业务转换处理时间。此外，还存在一种通用性方法，即针对核心节点的SDH光传输设备进行更新换代，从设备性能上实现优化目的，同时将网络内的核心传输节点容量调整为“时分交叉容量”，该方法可以提高骨干网的高价交叉容量与低阶交叉能力，使电力供应更加可靠。

4.3提高网络运作的控制力

在良好的控制力条件下，网络运作将更加合理、可靠，因此通过提高网络运作控制力，可以实现优化目的。优化工作流程为：首先需要对骨干网内的原有网络、资源、数据进行统计，同时进行深入分析，这一点建議借助大数据技术来实现，分析结果代表了当前网络的运行模式，结合当前业务需求，可了解其中不足。其次落实全网数据监控工作，采用中心站-子站模式框架依照辖区设计子站、母站，所有子站成员需要对辖区内的网络数据进行监控、管理，再由母站人员统一管理。最终通过观察，可以全面获悉当前网络内的电力运行情况，分析后可得其中问题与原因，再针对原因进行处理、优化，预防性的保障电力运行可靠性。

4.4高度集约化优化

高度集约化是当前电力骨干通信网在分布结构上的问题，也是导致网络数据传输缺陷的重要因素，因此在骨干网优化方面，还需要对此进行处理。优化方法上，介于不同骨干网的差异，首先需要分析实际情况了解问题所在，例如某供电公司中，就存在核心节点动环监控系统上的短板，这一问题较为普遍。其次在得到问题之后，就需要进行修复，随后再对整个网络结构进行调整，调整原则为中心站-子站模式。最终在调整中，选择具有中心站条件的节点为基础，在各个辖区内建设子站，两者相连之后，就可以消除高度集约化现象。

结语

将新一代人工智能技术与电力骨干通信网调度监控和运行维护实际工作需求紧密结合，重点解决电力通信调度运行中故障快速处置、业务智能重构、方式优化安排、风险评估预测与设备运行状态健康管理等实际生产问题，对提升国网公司电力通信主动性运行水平，将运行风险管控从事中向事前倾斜，更好地支撑电网生产业务、特高压发展和全球能源互联网建设都具有重要的现实意义。

参考文献

[1]王帅，杨秋辉，曾嘉彦，万莹，樊哲宁，张光兰.加权增量关联规则挖掘在通信告警预测中的应用[J].计算机应用，2019，38（10）：2875-2880.

[2]饶志宏，刘杰，陈剑锋.面向网络监测预警的海量知识存储研究[J].计算机工程，2020，44（03）：138-143.

[3]王向.复杂非线性系统智能故障诊断及容错控制方法研究[D].燕山大学，2019.

[4]陈琳.网络故障诊断关键技术的研究[D].国防科学技术大学，2005.