一种基于深度学习的电力通信网可靠性预测和保障方法和系统技术方案

本发明专利技术提供一种基于深度学习的电力通信网可靠性预测和保障方法和系统。所述方法和系统采用深度置信网络和双向LSTM神经网络分别对网络中的状态数据和计算的可靠性指标数据进行特征提取和预测，预测得出下一有效时间段内的网络状态和相应的可靠性指标。之后通过对预测的可靠性指标进行评估，若不满足标准阈值，则需要进行网络优化以提高网络的可靠性，优化时则结合预测到的下一有效时间段内的网络基本数据，选择相应的光缆优化、节点优化以及业务层级的优化，提高网络的整体可靠性。所述方法和系统通过结合预测的下一时间段的网络业务状态对电力通信网进行优化，从远期安稳提供通信服务的角度提高了网络可靠性。

A method and system for reliability prediction and guarantee of power communication network based on deep learning

【技术实现步骤摘要】
一种基于深度学习的电力通信网可靠性预测和保障方法和系统
本专利技术涉及电力分析领域，并且更具体地，涉及一种基于深度学习的电力通信网可靠性预测和保障方法和系统。
技术介绍
电力通信网络在智能电网中扮演着极其重要的角色，提高电力通信网的可靠性是国家电网公司对电力通信网提出的一贯要求。通过对电力通信光纤网络所有路径的可靠性进行评估，可以直接了解网络可靠性的分布状况，评估结果可用于指导电力通信网的规划、建设、运行、管理和维护，有利于提高电力通信网的可靠性管理水平，是打造坚强智能电网的必然要求。传统的电力通信网中，可靠性的评估是以准确的配电网结构和多年的原件可靠性历史数据为基础，这种方法仅仅针对当下网络状态进行可靠性评估和优化，不能对未来存在的可靠性风险进行预测，从而难以实现城市整体电力通信网的远期通信可靠性指标的预测和采取相应的保障方法。
技术实现思路
为了解决现有技术中电力通信网可靠性预测以准确的配电网结构和多年的原件可靠性历史数据为基础只能针对当下网络状态进行可靠性评估和优化，而不能对未来存在的可靠性风险进行预测的技术问题，本专利技术提供一种基于深度学习的电力通信网可靠性预测和保障方法，所述方法包括：采集电力通信网一段运行时间内的基本网络信息的运行数据，生成d1维基本网络信息向量并将作为预先设置的最优第一深度置信网络模型的输入特征向量，将最优第一深度置信网络模型的输出结果作为预先设置的最优第一双向LSTM神经网络模型的输入特征向量，将所述最优第一双向LSTM神经网络模型的输出结果经过解码器解码后得到电力通信网下一运行时间段基本网络信息向量中K个参数的预测值，其中，表示基本网络信息向量中的第k个参数向量，k∈K，K表示向量的基本网络信息中的参数向量的总个数，为前缀向量，用于区分不同的基本网络信息参数向量编码位数根据电力通信网一段运行时间内的基本网络信息的运行数据，计算确定衡量电力通信网可靠性的指标的运行数据，生成d2维可靠性指标向量并将作为预先设置的最优第二深度置信网络模型的输入特征向量，将最优第二深度置信网络模型的输出结果作为预先设置的最优第二双向LSTM神经网络模型的输入特征向量，将所述最优第二双向LSTM神经网络模型的输出结果经过解码器解码后得到电力通信网下一运行时间段衡量电力通信网可靠性的指标向量中L个指标的预测值，其中，表示可靠性指标向量中的第l个指标向量，l∈L，L表示向量中衡量电力通信网可靠性的指标向量的总个数，为前缀向量，用于区分不同的指标向量编码位数当所述电力通信网下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时，结合所述电力通信网下一运行时间段基本网络信息向量中K个参数的预测值进行电力通信网的网络优化。进一步地，所述方法在采集电力通信网一段运行时间内的基本网络信息的运行数据之前还包括：采集电力通信网的基本网络信息的历史数据，所述基本网络信息包括网络的拓扑结构信息，业务信息，节点信息；根据所述电力通信网的基本网络信息的历史数据计算确定衡量电力通信网可靠性的指标的历史数据，所述衡量电力通信网可靠性的指标包括衡量网络结构可靠性、网络节点可靠性和网络业务能力可靠性的指标；基于所述电力通信网的基本网络信息的历史数据，生成d1维基本网络信息向量基于所述衡量电力通信网可靠性的指标的历史数据，生成d2维可靠性指标向量基于d1维基本网络信息向量建立第一深度置信神经网络模型进行基本网络信息特征向量提取的训练，生成最优第一深度置信神经网络模型，其中，所述第一深度置信网络的输入层神经元数量为d1，初始权重随机设置，神经元中的激活函数采用RELU函数，并在输出层的上一层通过BP反向传播算法优化更新所述网络的隐藏层中权重值和偏置值，根据模型训练效果不断调整神经网络隐藏层神经元数量和学习率，所述最优第一深度置信网络模型的输出层神经元数量为d1/2；基于d2维可靠性指标向量建立第二深度置信神经网络模型进行可靠性指标特征向量提取的训练，生成最优第二深度置信神经网络模型，其中，所述第二深度置信网络模型的输入层神经元数量为d2，初始权重随机设置，神经元中的激活函数采用RELU函数，并在输出层的上一层通过BP反向传播算法优化更新所述网络的隐藏层中权重值和偏置值，根据模型训练效果不断调整神经网络隐藏层神经元数量和学习率，所述最优第二深度置信网络模型的输出层神经元数量为d2/2；以所述最优第一深度置信网络的输出结果作为输入特征向量，建立第一双向LSTM神经网络模型进行预测训练，生成最优第一双向LSTM神经网络模型，其中，对所述第一双向LSTM神经网络设置的参数包括初始输入时间、隐含层层数、特征数、初始权重，所述最优第一双向LSTM神经网络模型的输出层神经元个数为K；以所述最优第二深度置信网络的输出结果作为输入特征向量，建立第二双向LSTM神经网络模型进行预测训练，生成最优第二双向LSTM神经网络模型，其中，对所述第二双向LSTM神经网络设置的参数包括初始输入时间、隐含层层数、特征数、初始权重，所述最优第二双向LSTM神经网络模型的输出层神经元个数为L。进一步地，所述前缀向量和采用二进制编码。进一步地，所述根据电力通信网一段运行时间内的基本网络信息的运行数据，计算确定衡量电力通信网可靠性的指标的运行数据包括：计算确定衡量电力通信网网络结构可靠性的指标nr，其计算公式为：式中，nr为网络拓扑成环比例，NRN为网络中拓扑成环数量，TRN表示网络的环总数；计算确定衡量电力通信网网络节点可靠性的指标cri和fpi，其计算公式为：式中，cri为i节点的吞吐容量利用率，ci为i节点当前的已用容量，CMi为i节点的总吞吐容量；fpi表示i节点的故障概率，NSFi为周期内i节点故障信息的采样数量，NFi为采样周期内i节点发生故障的次数；计算确定衡量电力通信网网络业务能力可靠性的指标rij，其计算公式为：式中，rij表示i节点和j节点间链路的资源利用率，Wij为i节点和j节点间链路已用波长数，NWij为总波长数。进一步地，当所述电力通信网下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时，结合所述电力通信网下一运行时间段基本网络信息向量中K个参数的预测值进行电力通信网的网络优化包括：当下一运行时间段中衡量业务能力可靠性指标的预测值不符合设定的标准阈值时，进行业务优化，根据下一运行时间段基本网络信息向量中K个参数的预测值对业务进行重路由以提升网络可靠性；当下一运行时间段中衡量网络节点可靠性指标的预测值不符合设定的标准阈值时，进行节点优化，对故障节点进行紧急维修并实施业务保护措施以提升网络可靠性；当下一运行时间段中衡量网络结构可靠性指标的预测值不符合设定的标准阈值时，进行网络整体优化，根据下一运行时间段基本网络信息向量中K个参数的预测值，通过修改网络拓扑结构来提高网络整体可靠性；业务优化和节点优化的优先级本文档来自技高网...

【技术保护点】
1.一种基于深度学习的电力通信网可靠性预测和保障方法，其特征在于，所述方法包括：/n采集电力通信网一段运行时间内的基本网络信息的运行数据，生成d

【技术特征摘要】
1.一种基于深度学习的电力通信网可靠性预测和保障方法，其特征在于，所述方法包括：
采集电力通信网一段运行时间内的基本网络信息的运行数据，生成d1维基本网络信息向量并将作为预先设置的最优第一深度置信网络模型的输入特征向量，将最优第一深度置信网络模型的输出结果作为预先设置的最优第一双向LSTM神经网络模型的输入特征向量，将所述最优第一双向LSTM神经网络模型的输出结果经过解码器解码后得到电力通信网下一运行时间段基本网络信息向量中K个参数的预测值，其中，表示基本网络信息向量中的第k个参数向量，k∈K，K表示向量的基本网络信息中的参数向量的总个数，为前缀向量，用于区分不同的基本网络信息参数向量编码位数
根据电力通信网一段运行时间内的基本网络信息的运行数据，计算确定衡量电力通信网可靠性的指标的运行数据，生成d2维可靠性指标向量并将作为预先设置的最优第二深度置信网络模型的输入特征向量，将最优第二深度置信网络模型的输出结果作为预先设置的最优第二双向LSTM神经网络模型的输入特征向量，将所述最优第二双向LSTM神经网络模型的输出结果经过解码器解码后得到电力通信网下一运行时间段衡量电力通信网可靠性的指标向量中L个指标的预测值，其中，表示可靠性指标向量中的第l个指标向量，l∈L，L表示向量中衡量电力通信网可靠性的指标向量的总个数，为前缀向量，用于区分不同的指标向量编码位数
当所述电力通信网下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时，结合所述电力通信网下一运行时间段基本网络信息向量中K个参数的预测值进行电力通信网的网络优化。


2.根据权利要求1所述的方法，其特征在于，所述方法在采集电力通信网一段运行时间内的基本网络信息的运行数据之前还包括：
采集电力通信网的基本网络信息的历史数据，所述基本网络信息包括网络的拓扑结构信息，业务信息，节点信息；
根据所述电力通信网的基本网络信息的历史数据计算确定衡量电力通信网可靠性的指标的历史数据，所述衡量电力通信网可靠性的指标包括衡量网络结构可靠性、网络节点可靠性和网络业务能力可靠性的指标；
基于所述电力通信网的基本网络信息的历史数据，生成d1维基本网络信息向量
基于所述衡量电力通信网可靠性的指标的历史数据，生成d2维可靠性指标向量
基于d1维基本网络信息向量建立第一深度置信神经网络模型进行基本网络信息特征向量提取的训练，生成最优第一深度置信神经网络模型，其中，所述第一深度置信网络的输入层神经元数量为d1，初始权重随机设置，神经元中的激活函数采用RELU函数，并在输出层的上一层通过BP反向传播算法优化更新所述网络的隐藏层中权重值和偏置值，根据模型训练效果不断调整神经网络隐藏层神经元数量和学习率，所述最优第一深度置信网络模型的输出层神经元数量为d1/2；
基于d2维可靠性指标向量建立第二深度置信神经网络模型进行可靠性指标特征向量提取的训练，生成最优第二深度置信神经网络模型，其中，所述第二深度置信网络模型的输入层神经元数量为d2，初始权重随机设置，神经元中的激活函数采用RELU函数，并在输出层的上一层通过BP反向传播算法优化更新所述网络的隐藏层中权重值和偏置值，根据模型训练效果不断调整神经网络隐藏层神经元数量和学习率，所述最优第二深度置信网络模型的输出层神经元数量为d2/2；
以所述最优第一深度置信网络的输出结果作为输入特征向量，建立第一双向LSTM神经网络模型进行预测训练，生成最优第一双向LSTM神经网络模型，其中，对所述第一双向LSTM神经网络设置的参数包括初始输入时间、隐含层层数、特征数、初始权重，所述最优第一双向LSTM神经网络模型的输出层神经元个数为K；
以所述最优第二深度置信网络的输出结果作为输入特征向量，建立第二双向LSTM神经网络模型进行预测训练，生成最优第二双向LSTM神经网络模型，其中，对所述第二双向LSTM神经网络设置的参数包括初始输入时间、隐含层层数、特征数、初始权重，所述最优第二双向LSTM神经网络模型的输出层神经元个数为L。


3.根据权利要求2所述的方法，其特征在于，所述前缀向量和采用二进制编码。


4.根据权利要求1所述的方法，其特征在于，所述根据电力通信网一段运行时间内的基本网络信息的运行数据，计算确定衡量电力通信网可靠性的指标的运行数据包括：
计算确定衡量电力通信网网络结构可靠性的指标nr，其计算公式为：



式中，nr为网络拓扑成环比例，其中，NRN为网络中拓扑成环数量，TRN表示网络的环总数；
计算确定衡量电力通信网网络节点可靠性的指标cri和fpi，其计算公式为：






式中，cri为i节点的吞吐容量利用率，ci为i节点当前的已用容量，CMi为i节点的总吞吐容量；fpi表示i节点的故障概率，NSFi为周期内i节点故障信息的采样数量，NFi为采样周期内i节点发生故障的次数；
计算确定衡量电力通信网网络业务能力可靠性的指标rij，其计算公式为：



式中，rij表示i节点和j节点间链路的资源利用率，Wij为i节点和j节点间链路已用波长数，NWij为总波长数。


5.根据权利要求1所述的方法，其特征在于，当所述电力通信网下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时，结合所述电力通信网下一运行时间段基本网络信息向量中K个参数的预测值进行电力通信网的网络优化包括：
当下一运行时间段中衡量业务能力可靠性指标的预测值不符合设定的标准阈值时，进行业务优化，根据下一运行时间段基本网络信息向量中K个参数的预测值对业务进行重路由以提升网络可靠性；
当下一运行时间段中衡量网络节点可靠性指标的预测值不符合设定的标准阈值时，进行节点优化，对故障节点进行紧急维修并实施业务保护措施以提升网络可靠性；
当下一运行时间段中衡量网络结构可靠性指标的预测值不符合设定的标准阈值时，进行网络整体优化，根据下一运行时间段基本网络信息向量中K个参数的预测值，通过修改网络拓扑结构来提高网络整体可靠性；
业务优化和节点优化的优先级高于网络整体优化。


6.一种基于深度学习的电力通信网可靠性预测和保障系统，其特征在于，所述...

【专利技术属性】
技术研发人员：王亚男，张庚，汪洋，丁慧霞，王智慧，李卓桐，赵永利，高凯强，黄建彰，任佳星，吴赛，孟萨出拉，李健，李哲，邱丽君，尹弘亮，张颉，柴继文，
申请(专利权)人：中国电力科学研究院有限公司，北京邮电大学，国网四川省电力公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：北京;11