CN105335816A - 基于深度学习的电力通信网运行趋势与业务风险分析方法 - Google Patents
基于深度学习的电力通信网运行趋势与业务风险分析方法 Download PDFInfo
- Publication number
- CN105335816A CN105335816A CN201510671192.3A CN201510671192A CN105335816A CN 105335816 A CN105335816 A CN 105335816A CN 201510671192 A CN201510671192 A CN 201510671192A CN 105335816 A CN105335816 A CN 105335816A
- Authority
- CN
- China
- Prior art keywords
- telecom network
- power telecom
- network
- power
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013135 deep learning Methods 0.000 title abstract 3
- 238000012544 monitoring process Methods 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 40
- 230000000007 visual effect Effects 0.000 claims description 27
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000013459 approach Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000004064 recycling Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000003326 Quality management system Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000012351 Integrated analysis Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 4
- 238000012954 risk control Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
一种基于深度学习的电力通信网运行趋势与业务风险分析方法,依据深度学习理论,构建了一个多层的深度置信网络架构,将区县所辖的电力通信网历史运行与监测数据及相关业务系统数据作为学习模型的训练数据,把运行趋势预测与业务风险评的各类可能组合作为不同输出模式,最终训练出能够综合判别本区县电力通信网运行模式的深度模型。再将电力通信网的历史运行数据与实时业务系统数据作为该模型的测试数据,利用训练的深度网络模型参数得到电力通信网运行趋势预测与业务风险评估结果。本发明的优点在于:可以更准确地评估电力通信网运行状况,并为电力通信网业务风险控制提供依据,提高电力通信网利用效率与安全性。
Description
技术领域
本发明属于电力通信网安全领域,尤其涉及一种基于深度学习的电力通信网运行趋势与业务风险分析方法。
背景技术
电力系统通信网是国家专用通信网之一,是电力系统重要组成部分,是电网调度自动化、电网运营市场化和电网管理信息化的基础,是确保电网安全、稳定、经济运行的重要手段。当前,电力系统通信网以光纤、数字微波传输为主,卫星、电力线载波、电缆、无线电等多种通信方式并存,已实现了对除台湾外所有省、自治区、直辖市的覆盖,承载的业务涉及语音、数据、远动、继电保护、电力监控、移动通信等领域。
当前,电力通信网络的运行维护目前基本上是基于设备告警的运行状态管理模式和基于周期计划的检修管理模式。为了改变一直以来单纯依赖设备告警的被动处理模式,亟需一套电力通信网运行趋势分析模型和算法,来预测通信网发展趋势,并为进一步研究故障预警提供数据基础。然而,电力系统的特殊性决定了电力通信传输网络上不同业务的网络资源占用的时空复杂性,因而在众多变换复杂的因素共同影响下,对电力通信网运行的趋势进行精细预测变得异常困难,常规的回归分析方法与统计建模方法的预测精度急剧下降,进而在网络运行趋势预测基础上对电力通信网进行安全风险评估,其可信度将呈现几何级数下降。
此外,电力通信网作为电力系统的通信专网,承载着电力生产和管理的全部业务,其系统庞大、结构复杂,发生任何故障都可能对电网的安全稳定运行构成严重威胁。有效地评估电力通信网上运行的系统业务风险,对于网络设计、维护与管理以及提高整个网络运行的可靠性等诸多方面都有着实际意义。当前常用的评估方法有:层次分析法、模糊综合评判法、主成分分析和神经网络等方法,但是由于电力通信网的复杂性和某些风险因素的不确定性,使得目前的评估方法都很难做出准确的评估,且指标体系不科学,指标数量繁多,不能很好地反映评价各对象之间的相关性,评估过程的主观性较大。
因此,在电力通信网运行业务数据与监测数据构成的大数据背景下,结合当前新一代人工智能技术,运用深度学习设计一套统一的集成学习框架,对电力通信网运行趋势预测与业务风险评估进行集成分析,二者集成一起分析既可以提高精度又可以提高效率。而深度学习其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,在大数据背景下对电力通讯网这种复杂的非完全结构化数据,使用深度学习的方法对其进行分析是必然而有效的。
发明内容
本发明是为避免上述现有技术所存在的不足之处,提出一种基于深度学习的电力通信网运行趋势与业务风险分析方法,更准确地评估电力通信网运行状况,并为电力通信网业务风险控制提供准确依据。
该方法依据深度学习理论,构建了一个多层的深度置信网络架构,将区县所辖的电力通信网历史运行与监测数据及相关业务系统数据作为学习模型的训练数据,并充分利用该深度网络强大的多输出能力,把运行趋势预测与业务风险评估的各类可能组合作为不同输出模式,最终训练出能够综合判别本区县电力通信网运行模式的深度模型。再将电力通信网的历史运行数据与实时业务系统数据作为该模型的测试数据,利用训练的深度网络模型参数即可最终得到电力通信网运行趋势预测与业务风险评估结果,从而更准确地评估电力通信网运行状况,并为电力通信网业务风险控制提供准确依据。
本发明为解决技术问题采用如下技术方案:
一种基于深度学习的电力通信网运行趋势与业务风险分析方法,包括下述步骤:
步骤1、从电力通信传输网管的接口采集电力通信网的历史性能数据,所述电力通信网的历史性能数据为当前监测时间段之前一段时间的电力通信网误码率与光功率;
步骤2、查阅电力通信网管理文档,获取电力通信网主要业务及各业务重要度评级;查阅电力通信网建设相关资料,建立电力通信网的邻接图,并在邻接图中计算出电力通信网中任意两节点之间的最短路径,再利用最短路径获得电力通讯网络的邻接图中任意一条边的介数;
步骤3、查阅电力通信网相关历史记录获取电力通信网在当前监测时间段之前任一时间段的历史总业务风险度,以及同一时间段中电力通信网的邻接图中任意一条边所承载的业务种类与数量,并用同一条边的介数对其进行加权,获得任意一条边在当前监测时间段之前的任一时间段的历史业务风险度;从电力通信网所覆盖的各级电力公司、变电站获取在当前监测时间段时,电力通信网的邻接图中任意一条边所承载的业务种类与数量,并用同一条边的介数对其进行加权,获得任意一条边在当前监测时间段的实时业务风险度;
步骤4、构造一个多层的深度置信网络,其输入层为任意时间段之前一段时间的电力通信网历史性能数据,以及该时间段的电力通信网中所有边的实时业务风险度,输出为该时间段的电力通信网运行趋势预测与实时总业务风险度的组合;利用步骤1,2,3中的数据对该深度置信网络进行训练,计算出该深度置信网络参数;
步骤5、在监测时间段之时,将当前监测时间段之前一段时间的电力通信网历史性能数据,以及当前监测时间段的电力通信网中所有边的实时业务风险度导入步骤4中的深度置信网络神经网络中,预测出电力通信网在当前监测时间段的运行趋势以及实时总业务风险度;
步骤6、在当前监测时间段结束后,再次从电力通信传输网管的接口采集当前监测时间段电力通信网的真实性能数据,将此数据按时序添加到电力通信网历史性能数据中;将当前监测时间段的电力通信网中所有边的实时业务风险度数据按时序添加到所有边的历史业务风险度数据中;将当前监测时间段的电力通信网实时总业务风险度按时序添加到历史总业务风险度数据中,再用更新后的各类历史数据重新对步骤4中的深度置信网络进行训练,更新该深度置信网络参数,并在下一监测时间段重复步骤5,获得下一监测时间段的运行趋势以及实时总业务风险度。
作为进一步具体的技术方案,所述步骤1中的电力通信网的历史性能数据为当前监测时间段之前N个时间段的电力通信网历史误码率OP1,…,OPN与历史光功率ES1,…,ESN,每个时间段长6小时,不同时间段之间无时间间隔,其中OP1、ES1为距离当前监测时间段最远时间段的误码率与光功率,OPN、ESN为当前监测时间段之前一个时间段的误码率与光功率。
作为进一步具体的技术方案,所述步骤2中的电力通信网主要业务包括继电保护S1、安全稳定控制S2、调度数据网S3、输变电状态监测S4、变电站综合监控S5、调度电话S6、配网自动化S7、配网运行监控S8、通信智能化管理系统S9、调度会商系统业务S10、营销业务管理系统S11、客户联络系统S12、客户关系管理系统S13、95598及故障抢修管理系统S14、电能质量管理系统S15、用户用电信息采集S16、电力市场交易运营S17、数据中心S18、SG-ERPS19、会议电视系统S20、行政电话业务S21,其中下标中的阿拉伯数字分别表示其前的业务的重要度评级。
作为进一步具体的技术方案,所述步骤2中的电力通信网的邻接图是将该网络覆盖区域内的750kV变电站、枢纽330kV变电站及各级区县公司本部作为图的n个节点v1,…,vn,而将各节点之间架设的通讯线路作为图的m条边e1,…,em,每条边长度为1;利用Dijkstra算法计算邻接图中任意两节点u,v之间的最短路径。
作为进一步具体的技术方案,利用Dijkstra算法计算邻接图中任意两节点u,v之间的最短路径的具体做法如下:
(1)把n个节点v1,…,vn的集合V分成两个子集S与T,初始时,S={u},u的距离为0,T=V-S,即包含除了u之外的其他节点,若u与T中顶点v有边,则u,v距离为1,若v不是u的出邻接点,则u,v距离为无穷大(∞);
(2)从T中选取一个距离u最小的顶点t,把t,加入S中;
(3)以t为新考虑的中间点,修改T中各顶点的距离;若从节点u到节点v的经过节点t的距离比原来不经过节点t的距离短,则修改节点v的距离值,修改后的距离值为节点t的距离加上边长度;
(4)重复(2)和(3)直到所有节点都包含在S中;
按上述方法,计算出电力通信网的邻接图中所有节点对之间的最短路径,再分别统计经过每条边的最短路径的数目,作为该边的介数,m条边e1,…,em的介数分别为B1,…,Bm。
作为进一步具体的技术方案,所述步骤3获取电力通信网中一系列业务风险数据,具体步骤如下:
(1)所述步骤3中电力通信网在当前监测时间段之前任一时间段的历史总业务风险度,是指当前监测时间段之前N个时间段的历史总业务风险度P1,…,PN,每个时间段长6小时,不同时间段之间无时间间隔,通过查阅电力通信网相关规范与历史记录,将整个电力通信网在6小时长内总业务风险度划分为1~K,共计K个级别,而P1,…,PN的取值均为1~K中的某一个值;
(2)所述步骤3中各时段的电力通信网中各边的历史业务风险数据是按如下方法获取:记录各历史时间段的邻接图G1,…,GN中各边所承载业务情况[C11,…,C1m],…,[CN1,…,CNm],其中的任一元素Cij表示第i时间段的第j条边所承载的业务情况,其具体表达形式为则Cij中的任一元素表示第i时间段的第j条边所承载的第k种业务的数量,如果该时段该边不承载该业务,则此元素值为0,则第i时间段的第j条边的实时业务风险度为其中Bj为步骤2中计算出的第j条边的介数,Sk为步骤2中获取的第k种业务的重要度评级;
(3)所述步骤3中当前监测时间段的电力通信网中所有边的实时业务风险度是通过下述方法获得的:记录当前监测时间段时邻接图Gr中各边所承载业务情况[Cr1,…,Crm],其中的任一元素Crj表示当前监测时间段的第j条边实时承载的业务情况,其具体表达形式为则Crj中的任一元素表示当前监测时间段中第j条边实时承载的第k种业务的数量,如果该时段该边不承载该业务,则此元素值为0,则当前监测时间段的第j条边的实时业务风险度为其中Bj为步骤2中计算出的第j条边的介数,Sk为步骤2中获取的第k种业务的重要度评级。
作为进一步具体的技术方案,所述步骤4中的深度置信网络的输入由l个时间段的电力通信网历史误码率与历史光功率,以及第l+1时间段中电力通信网m条边的实时业务风险度P(l+1)1,…,P(l+1)m组成,共计2×l+m个输入;该深度置信网络的输出为第l+1时间段的电力通信网运行趋势预测与实时总业务风险度的组合判定结果;所述的步骤4中深度置信网络的参数通过上述l个时间段的电力通信网历史性能数据,以及第l+1时间段的电力通信网中所有边的实时业务风险度进行滚动训练得出,具体步骤如下:
(1)通过查阅电力通信网相关规范与历史记录,将整个电力通信网在6小时长内总体运行情况划分为1~L,共计L个级别。根据电力通信网真实运行情况,将电力通信网在当前监测时间段之前N个时间段的历史运行情况O1,…,ON也都取值为1~L中的某一个值,即划定每个时间段的运行情况级别;
(2)从第1个时间段的电力通信网历史性能数据开始,取第1时间段到第l时间段的电力通信网历史误码率OP1,…,OPl与历史光功率ES1,…,ESl,以及第l+1时间段中电力通信网m条边的业务风险度P(l+1)1,…,P(l+1)m作为输入,取第l+1时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为一组训练;再取第2时间段到第l+1时间段的电力通信网历史误码率OP2,…,OPl+1与历史光功率ES2,…,ESl+1,以及第l+2时间段中电力通信网m条边的业务风险度P(l+2)1,…,P(l+2)m作为输入,取第l+2时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为一组训练;以此类推,直到取第N-l时间段到第N-1时间段的电力通信网历史误码率OPN-l,…,OPN-1与历史光功率ESN-l,…,ESN-1,以及第N时间段中电力通信网m条边的业务风险度PN1,…,PNm作为输入,取第N时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为最后一组训练;共计N-l组训练;
(3)构造一个M层的深度置信网络(DBNs),其中第1层是一个高斯——伯努利型的受限玻尔兹曼机(GBRBM),包含一个可视层与一个隐藏层,其可视层也是整个网络的初始输入层,具有2×l+m个输入,隐藏层的节点(输出)数为n1;其后M-2层都是标准的受限玻尔兹曼机(RBM)。每层受限玻尔兹曼机又分成一个可视层与一个隐藏层,可视层节点之间无连接,隐藏层节点之间也无连接,可视层节点与隐藏层节点都是随机、二值分布的,可视层与隐藏层之间是全连接的。最后一层(第M层)是回归层(REG),有nM个输入,即第M-1层中隐藏层的输出,回归层输出节点为1个,即最终输出目标(电力通信网运行情况和总业务风险的组合);
(4)对于每次训练,在第1层高斯——伯努利型受限玻尔兹曼机中可视层的2×l+m个节点中输入l个时段的电力通信网历史误码率与历史光功率,以及该次训练中的电力通信网m条边的业务风险度,然后建立第1层隐藏层输出与期望输出之间的均方误差最小函数,依据吉布斯抽样方法求解上述最小函数,获得第1层的参数;再将第1层的隐藏层输出作为第2层标准的受限玻尔兹曼机中可视层的输入,然后建立第2层隐藏层输出与期望输出之间的均方误差最小函数,依据吉布斯抽样方法求解上述最小函数,获得第2层的参数;以此类推,重复将上一层中隐藏层的输出作为下一层中可视层的输入,训练出该层的参数,直到执行完M-2层标准的受限玻尔兹曼机;然后将最后一层受限玻尔兹曼机的输出输入到第M层的回归层中,随机化初始该层参数;
(5)计算每组训练中最终输出的第itrain时间段的电力通信网预测运行情况和预测总业务风险的组合与第itrain时间段的电力通信网历史运行情况Oitrain和历史总业务风险Pitrain的组合(Oitrain,Pitrain)的误差平方,其中,itrain为每组训练的编号,取值为l+1,…,N;通过使各组训练的误差平方之和最小化,即以微调该深度置信网络参数。
作为进一步具体的技术方案,所述步骤5中当前监测时间段之前一段时间的电力通信网历史性能数据是指第N-l+1时间段到第N时间段的电力通信网历史误码率OPN-l+1,…,OPN与历史光功率ESN-l+1,…,ESN。
作为进一步具体的技术方案,所述步骤5中当前监测时间段的电力通信网中所有边的实时业务风险度是通过下述方法获得的:记录当前监测时间段时邻接图Gr中各边所承载业务情况[Cr1,…,Crm],其中的任一元素Crj表示当前监测时间段的第j条边实时承载的业务情况,其具体表达形式为则Crj中的任一元素表示当前监测时间段中第j条边实时承载的第k种业务的数量,如果该时段该边不承载该业务,则此元素值为0。则当前监测时间段的第j条边的实时业务风险度为其中Bj为步骤2中计算出的第j条边的介数,Sk为步骤2中获取的第k种业务的重要度评级。将第N-l+1时间段到第N时间段的电力通信网历史误码率OPN-l+1,…,OPN与历史光功率ESN-l+1,…,ESN,以及当前监测时间段电力通信网中各边的实时业务风险度Pr1,…,Prm作为步骤4中训练出的深度置信网络的输入,求出电力通信网在当前监测时间段的预测运行趋势以及实时总业务风险度。
作为进一步具体的技术方案,所述步骤6在当前监测时间段结束后再次从电力通信传输网管的接口采集当前监测时间段电力通信网的误码率OPr与光功率ESr,并依据相关规范与历史记录确定当前监测时间段的电力通信网实时运行情况级别Or,分别将上述数据按时序添加到电力通信网历史性能数据中,即将OPr作为第N+1时段的历史误码率OPN+1,将ESr作为第N+1时段的历史光功率ESN+1,将Or作为第N+1时段的历史运行情况级别;所述步骤6将当前监测时间段的电力通信网实时总业务风险度Pr,按时序添加到历史总业务风险度数据中,即将Pr作为第N+1时段的历史总业务风险度PN+1;所述步骤6将当前监测时间段的电力通信网中各边的实时业务风险度Pr1,…,Prm按时序添加到各边的历史业务风险度中,即将Pr1,…,Prm作为第N+1时段各边的历史业务风险度P(N+1)1,…,P(N+1)m;再用更新后的数据OP2,…,OPN+1,ES2,…,ESN+1,O2,…,ON+1以及[P21,…,P2m],…,[P(N+1)1,…,P(N+1)m],P2,…,PN+1对步骤4中的深度置信网络进行训练,更新该深度置信网络参数,再重复步骤5,获得下一监测时间段的运行趋势以及实时总业务风险度。
与已有技术相比,本发明有益效果体现在:
1、本发明是一种基于深度学习的电力通信网运行趋势与业务风险分析方法。该方法在区县所辖的电力通信网历史运行与监测数据及相关业务系统数据基础上,依据深度学习理论,构建了一个多层的深度置信网络架构,并充分利用该深度网络强大的多输出能力,把运行趋势预测与业务风险评的各类可能组合作为不同输出模式,最终训练出能够综合判别本区县电力通信网运行模式的深度模型。再将电力通信网的历史运行数据与实时业务系统数据作为该模型的测试数据,利用训练的深度网络模型参数即可最终得到电力通信网运行趋势预测与业务风险评估结果。
2、与现有电力通信网运行趋势预测方法相比较,本发明利用当前人工智能领域最前沿的深度学习方法,建立、模拟人脑学习机制来解释电力通信网运行数据,可对电力通信网运行的趋势进行准确、精细预测,克服了传统运行趋势预测方法无法捕捉众多影响电力通信网运行的因素与运行趋势之间的非线性关系的缺陷,改变了一直以来单纯依赖设备告警的被动处理模式,可以更准确地评估电力通信网运行状况,进而实现实时报警。
3、与现有电力通信网运行趋势预测方法相比较,本发明运用深度学习设计了一套统一的集成学习框架,对电力通信网运行趋势预测与业务风险评估进行集成分析,二者集成一起分析既可以提高精度又可以提高效率,克服了传统业务风险评估方法单纯依赖电力通信网络架构、受电力通信网的复杂性和某些风险因素的不确定性较大的不足,可以有效地评估电力通信网上运行的系统业务风险,并为电力通信网业务风险控制提供准确依据,对于网络设计、维护与管理以及提高整个网络运行的可靠性等诸多方面都有着实际意义。
4、本发明在步骤1中采集了电力通信网的历史性能数据。其采集的数据按照需求划分均匀,采集时间较长。所采集的数据包含了电力通信网历史误码率与历史光功率数据,主要体现在对光功率由光发送功率、光接收功率等参数及复用层、再生层、各速率的通道层的误码秒、严重误码秒、背景块误码、不可用秒等性能数据,再将其整合成误码率与光功率两类数据。采集过程主要通过传输网管的北向接口直接采集,并根据现场实际情况以及设备的重要程度,设置采集周期,保证了电力通信网性能数据的准确可靠。
5、本发明在步骤2中建立了电力通信网的邻接图,并为邻接图中的每条边设置了权重。由于网络中不同边对网络的作用和影响力并不相同,因而各边风险对网络风险的影响程度也不同。设置边权重可以描述边在网络中的作用和影响力,反映边在网络中的地位,是边在网络中重要程度的体现。但是电力通信网作为专网,带宽并非关键指标,容量并不能衡量边重要性。本发明在步骤2中利用邻接图中计算出电力通信网中任意两节点之间的最短路径,再利用最短路径获得电力通讯网络的邻接图中任意一条边的介数作为该边的权重,使得该权重既可以描述网络整体拓扑结构,由不随网络行状态的变化而改变。因此可从拓扑角度准确描述边在网络中的重要程度。
6、本发明在步骤3中采集了电力通信网在任一时间段的总业务风险度,以及同一时间段中电力通信网的邻接图中任意一条边所承载的业务种类与数量,并用同一条边的介数对其进行加权,获得任意一条边在任一时间段的业务风险度。该过程既采集了长期的业务风险数据,又包含了当前监测时间段的实时业务风险数据,使得本发明可以充分使用这两种业务风险数据来对总业务风险进行准确评估。通过边介数的加权,使得网络总业务风险可以有效衡量网络整体风险水平,并均衡度描述网络中各边风险分布的离散程度,利用介数加权数据从不同角度对网络进行评价,能更全面性地反映网络实际运行的风险情况,并可对网络风险采取针对性的网络拓扑结构优化等风险控制措施,如增加或删除链路和节点,以适应业务传输的要求并降低网络运行风险。
7、本发明在步骤4、5中构造了一个多层的深度置信网络(DBNs),并利用步骤1,2,3中的数据对该深度置信网络进行训练,计算出该深度置信网络参数。DBNs是深度学习的一种重要方法,具备深度学习的优势,被广泛应用于图像分类、语音识别等领域。DBNs较其他神经网络训练方法,如BP和RBF等,DBNs在电力通信网运行趋势预测中一个显著优势是可从与电力通信网运行状况形成可能相关的特征中,学习出更加抽象和本质的成因特征。目前,由于电力系统的复杂性,所以只能从可能与之运行相关的指标、因素中去分析和预测电力通信网运行状况在后续时段内可能达到的水平。这也就导致使用神经网络模型来预测电力通信网运行状况,输入特征均为仅仅可能与电力通信网运行状况有关的特征,或者为原始特征。换而言之,这些特征对电力通信网运行状况后续的级别区分度不是很高。而BP和RBF等传统的神经网络训练方法,对输入特征的依赖程度都很高,往往只有与要预测的目标值紧密相关并且有显著区分度的指标作为输入特征才能预测出较为准确的目标值。因此,在电力通信网运行状况的预测上,这些传统神经网络训练方法显示出不足,而DBNs恰恰可以解决这一问题。所以,本发明构建多层深度置信网络,并依赖其对电力通信网运行趋势与业务风险度评估是更为有效的,较传统的预测方法更为可靠。
8、本发明在步骤6中将在当前监测时间段结束后再次从电力通信传输网管的北向接口采集当前监测时间段电力通信网的误码率与光功率、当前监测时间段的电力通信网实时运行情况级别Or、当前监测时间段的电力通信网实时总业务风险度和各边的实时业务风险度均按时序添加到对应的历史数据中,并利用更新后的数据对步骤4中的深度置信网络进行训练,更新该深度置信网络参数。再重复步骤5,获得下一监测时间段的运行趋势以及实时总业务风险度。可以使预测模型随时间变化而不断更新,使其更加适合不同地区不同时间段的电力通信网拟合,并实现数据的滚动循环,提高控制效率。
附图说明
图1是本发明流程图;
图2是本发明中深度置信网络结构示意图;
具体实施方式
本实施例中,一种基于深度学习的电力通信网运行趋势与业务风险分析方法是按如下过程进行:
1、获取电力通信网运行数据
从电力通信传输网管的北向接口采集电力通信网的历史性能数据,即当前监测时间段之前N个时间段的电力通信网历史误码率OP1,…,OPN与历史光功率ES1,…,ESN,主要体现在对光功率由光发送功率、光接收功率等参数及复用层、再生层、各速率的通道层的误码秒、严重误码秒、背景块误码、不可用秒等性能数据,再将其整合成误码率与光功率两类数据。采集过程根据现场实际情况以及设备的重要程度设置采集周期,每个时间段长6小时,不同时间段之间无时间间隔,其中OP1、ES1为距离当前监测时间段最远时间段的误码率与光功率,OPN、ESN为当前监测时间段之前一个时间段的误码率与光功率。当然,也可以根据不同需求,自由的划分每个时间段的长度。
2、建立电力通信网的邻接图并计算边的介数
查阅电力通信网管理文档,获取电力通信网主要业务及各业务重要度评级;查阅电力通信网建设相关资料,建立电力通信网的邻接图,并在邻接图中计算出电力通信网中任意两节点之间的最短路径,再利用最短路径获得电力通讯网络的邻接图中任意一条边的介数,具体步骤如下:
2.1、依据电力通信网管理文档,获取电力通信网主要业务及各业务重要度评级。主要业务包括继电保护(S1)、安全稳定控制(S2)、调度数据网(S3)、输变电状态监测(S4)、变电站综合监控(S5)、调度电话(S6)、配网自动化(S7)、配网运行监控(S8)、通信智能化管理系统(S9)、调度会商系统业务(S10)、营销业务管理系统(S11)、客户联络系统(S12)、客户关系管理系统(S13)、95598及故障抢修管理系统(S14)、电能质量管理系统(S15)、用户用电信息采集(S16)、电力市场交易运营(S17)、数据(容灾)中心(S18)、SG-ERP(S19)、会议电视系统(S20)、行政电话业务(S21)。括号中字符分别表示该括号前的业务的重要度评级。
2.2、查阅电力通信网建设相关资料,建立电力通信网的邻接图。该邻接图将网络覆盖区域内的主要750kV变电站、部分枢纽330kV变电站及各级区县公司本部作为图的n个节点v1,…,vn,而将各节点之间架设的通讯线路(光纤、无线电和输电线,分别对应于光通信、微波通信和电力线载波通信等方式)作为图的m条边e1,…,em,每条边长度为1;如果两个节点之间有通讯线路相连,则在图中这两个节点相邻接,即存在一条连接这两个节点的边。利用Dijkstra算法计算邻接图中任意两节点u,v之间的最短路径,具体做法如下:
(1)把n个节点v1,…,vn的集合V分成两个子集S与T。初始时,S={u},u的距离为0,T=V-S,即包含除了u之外的其他节点。若u与T中顶点v有边,则u,v距离为1,若v不是u的出邻接点,则u,v距离为无穷大(∞)。
(2)从T中选取一个距离u最小的顶点t,把t,加入S中。
(3)以t为新考虑的中间点,修改T中各顶点的距离;若从节点u到节点v的距离(经过节点t)比原来距离(不经过节点t)短,则修改节点v的距离值,修改后的距离值为节点t的距离加上边长度。
(4)重复(2)和(3)直到所有节点都包含在S中。
按上述方法,计算出电力通信网的邻接图中所有节点对之间的最短路径,再分别统计经过每条边的最短路径的数目,作为该边的介数,m条边e1,…,em的介数分别为B1,…,Bm。边的介数可以描述边在网络中的作用和影响力,反映边在网络中的地位,是边在网络中重要程度的体现。
3、获取电力通信网业务风险数据
通过查阅历史数据获取电力通信网在当前监测时间段之前任一时间段的历史总业务风险度数据,各历史时段的电力通信网中所有边的历史业务风险数据,以及当前监测时间段的电力通信网中所有边的实时业务风险度数据。具体步骤如下:
3.1、电力通信网在当前监测时间段之前任一时间段的历史总业务风险度,是指通过查阅电力通信网相关历史记录获取的,当前监测时间段之前N个时间段的历史总业务风险度P1,…,PN。每个时间段长6小时,不同时间段之间无时间间隔。通过查阅电力通信网相关规范与历史记录,将整个电力通信网在6小时长内总业务风险度划分为1~K,共计K个级别,而P1,…,PN的取值均为1~K中的某一个值。
(2)各历史时段的电力通信网中所有边的历史业务风险数据按下述方法获取:记录各历史时间段时的邻接图G1,…,GN中各边所承载业务情况[C11,…,C1m],…,[CN1,…,CNm],其中的任一元素Cij表示第i时间段的第j条边所承载的业务情况,其具体表达形式为则Cij中的任一元素表示第i时间段的第j条边所承载的第k种业务的数量,如果该时段该边不承载该业务,则此元素值为0。则第i时间段的第j条边的实时业务风险度为其中Bj为步骤2中计算出的第j条边的介数,Sk为步骤2中获取的第k种业务的重要度评级。
(3)当前监测时间段的电力通信网中所有边的实时业务风险度按下述方法获取:记录当前监测时间段时邻接图Gr中各边所承载业务情况[Cr1,…,Crm],其中的任一元素Crj表示当前监测时间段的第j条边实时承载的业务情况,其具体表达形式为则Crj中的任一元素表示当前监测时间段中第j条边实时承载的第k种业务的数量,如果该时段该边不承载该业务,则此元素值为0。则当前监测时间段的第j条边的实时业务风险度为其中Bj为步骤2中计算出的第j条边的介数,Sk为步骤2中获取的第k种业务的重要度评级。
本发明通过边介数的加权,使得网络总业务风险可以有效衡量网络整体风险水平,并均衡度描述网络中各边风险分布的离散程度,利用介数加权数据从不同角度对网络进行评价,能更全面性地反映网络实际运行的风险情况,并可对网络风险采取针对性的网络拓扑结构优化等风险控制措施,如增加或删除链路和节点,以适应业务传输的要求并降低网络运行风险。
4、构造、训练电力通信网运行趋势预测与业务风险评价的深度置信网络
深度置信网络是深度学习的一种重要方法,具备深度学习的优势,被广泛应用于图像分类、语音识别等领域。较之于其他神经网络训练方法,如BP和RBF等,深度置信网络在电力通信网运行趋势预测中一个显著优势是可从与电力通信网运行状况形成可能相关的特征中,学习出更加抽象和本质的成因特征。目前,由于电力系统的复杂性,所以只能从可能与之运行相关、甚至依赖性并不明显的指标、因素中去分析和预测电力通信网运行状况在后续时段内可能达到的水平,这也就导致使用深度置信网络来预测电力通信网运行状况。本发明构造一个多层的深度置信网络,其输入层由l个时间段的电力通信网历史误码率与历史光功率,以及第l+1时间段中电力通信网m条边的实时业务风险度P(l+1)1,…,P(l+1)m组成,共计2×l+m个输入;输出为第l+1时间段的电力通信网运行趋势预测与实时总业务风险度的组合判定结果;深度置信网络的参数通过上述l个时间段的电力通信网历史性能数据,以及第l+1时间段的电力通信网中所有边的实时业务风险度进行滚动训练得出,具体步骤如下:
4.1、通过查阅电力通信网相关规范与历史记录,将整个电力通信网在6小时长内总体运行情况划分为1~L,共计L个级别。根据电力通信网真实运行情况,将电力通信网在当前监测时间段之前N个时间段的历史运行情况O1,…,ON也都取值为1~L中的某一个值,即划定每个时间段的运行情况级别。
4.2、从第1个时间段的电力通信网历史性能数据开始,取第1时间段到第l时间段的电力通信网历史误码率OP1,…,OPl与历史光功率ES1,…,ESl,以及第l+1时间段中电力通信网m条边的业务风险度P(l+1)1,…,P(l+1)m作为输入,取第l+1时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为一组训练;再取第2时间段到第l+1时间段的电力通信网历史误码率OP2,…,OPl+1与历史光功率ES2,…,ESl+1,以及第l+2时间段中电力通信网m条边的业务风险度P(l+2)1,…,P(l+2)m作为输入,取第l+2时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为一组训练;以此类推,直到取第N-l时间段到第N-1时间段的电力通信网历史误码率OPN-l,…,OPN-1与历史光功率ESN-l,…,ESN-1,以及第N时间段中电力通信网m条边的业务风险度PN1,…,PNm作为输入,取第N时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为最后一组训练;共计N-l组训练。
4.3、构造一个M层的深度置信网络,其中第1层是一个高斯——伯努利型的受限玻尔兹曼机,包含一个可视层与一个隐藏层,其可视层也是整个网络的初始输入层,具有2×l+m个输入,隐藏层的节点(输出)数为n1;其后M-2层都是标准的受限玻尔兹曼机。每层受限玻尔兹曼机又分成一个可视层与一个隐藏层,可视层节点之间无连接,隐藏层节点之间也无连接,可视层节点与隐藏层节点都是随机、二值分布的,可视层与隐藏层之间是全连接的。最后一层(第M层)是回归层,有nM个输入,即第M-1层中隐藏层的输出,回归层输出节点为1个,即最终输出目标(电力通信网运行情况和总业务风险的组合)。
4.4、对于每次训练,在第1层高斯——伯努利型受限玻尔兹曼机中可视层的2×l+m个节点中输入l个时段的电力通信网历史误码率与历史光功率,以及该次训练中的电力通信网m条边的业务风险度,然后建立第1层隐藏层输出与期望输出之间的均方误差最小函数,依据吉布斯抽样方法求解上述最小函数,获得第1层的参数;再将第1层的隐藏层输出作为第2层标准的受限玻尔兹曼机中可视层的输入,然后建立第2层隐藏层输出与期望输出之间的均方误差最小函数,依据吉布斯抽样方法求解上述最小函数,获得第2层的参数;以此类推,重复将上一层中隐藏层的输出作为下一层中可视层的输入,训练出该层的参数,直到执行完M-2层标准的受限玻尔兹曼机;然后将最后一层受限玻尔兹曼机的输出输入到第M层的回归层中,随机化初始该层参数。
4.5、计算每组训练中最终输出的第itrain时间段的电力通信网预测运行情况和预测总业务风险的组合与第itrain时间段的电力通信网历史运行情况Oitrain和历史总业务风险Pitrain的组合(Oitrain,Pitrain)的误差平方,其中,itrain为每组训练的编号,取值为l+1,…,N;通过使各组训练的误差平方之和最小化,即以微调该深度置信网络参数。
5、预测电力通信网运行趋势并评估当前实时总业务风险度
在监测时间段之时,将第N-l+1时间段到第N时间段的电力通信网历史误码率OPN-l+1,…,OPN与历史光功率ESN-l+1,…,ESN,以及当前监测时间段电力通信网中各边的实时业务风险度Pr1,…,Prm作为步骤4中训练出的深度置信网络的输入,求出电力通信网在当前监测时间段的预测运行趋势以及实时总业务风险度评估。
6、更新电力传输网历史数据,进入下一次循环
在当前监测时间段结束后再次从电力通信传输网管的北向接口采集当前监测时间段电力通信网的误码率OPr与光功率ESr,并依据相关规范与历史记录确定当前监测时间段的电力通信网实时运行情况级别Or,分别将上述数据按时序添加到电力通信网历史性能数据中,即将OPr作为第N+1时段的历史误码率OPN+1,将ESr作为第N+1时段的历史光功率ESN+1,将Or作为第N+1时段的历史运行情况级别;将当前监测时间段的电力通信网实时总业务风险度Pr,按时序添加到历史总业务风险度数据中,即将Pr作为第N+1时段的历史总业务风险度PN+1;将当前监测时间段的电力通信网中各边的实时业务风险度Pr1,…,Prm按时序添加到各边的历史业务风险度中,即将Pr1,…,Prm作为第N+1时段各边的历史业务风险度P(N+1)1,…,P(N+1)m;再用更新后的数据OP2,…,OPN+1,ES2,…,ESN+1,O2,…,ON+1以及[P21,…,P2m],…,[P(N+1)1,…,P(N+1)m],P2,…,PN+1对步骤4中的深度置信网络进行训练,更新该深度置信网络参数。再重复步骤5,获得下一监测时间段的运行趋势以及实时总业务风险度。
需要说明的是,本发明提供的电力通信网运行趋势预测与业务风险评估集成分析比人工巡查、时间序列预测等方式具有明显的优势,克服了传统运行趋势预测方法无法捕捉众多影响电力通信网运行的因素与运行趋势之间的非线性关系的缺陷,改变了一直以来单纯依赖设备告警的被动处理模式,可以更准确地评估电力通信网运行状况,进而准确、高效地评估电力通信网上运行的系统业务风险,并为电力通信网业务风险控制提供依据。但该发明不能完全、单独作为电力通信网运行趋势与业务风险判别依据,针对不同地区的实际情况,应考虑当地设备构成与线路架设布局,结合本发明综合预测当地电力通信网运行趋势与业务风险评估,提高电力通信网利用效率与安全性。
以上所述仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (10)
1.一种基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征在于,包括如下步骤:
步骤1、从电力通信传输网管的接口采集电力通信网的历史性能数据,所述电力通信网的历史性能数据为当前监测时间段之前一段时间的电力通信网误码率与光功率;
步骤2、查阅电力通信网管理文档,获取电力通信网主要业务及各业务重要度评级;查阅电力通信网建设相关资料,建立电力通信网的邻接图,并在邻接图中计算出电力通信网中任意两节点之间的最短路径,再利用最短路径获得电力通讯网络的邻接图中任意一条边的介数;
步骤3、查阅电力通信网相关历史记录获取电力通信网在当前监测时间段之前任一时间段的历史总业务风险度,以及同一时间段中电力通信网的邻接图中任意一条边所承载的业务种类与数量,并用同一条边的介数对其进行加权,获得任意一条边在当前监测时间段之前的任一时间段的历史业务风险度;从电力通信网所覆盖的各级电力公司、变电站获取在当前监测时间段时,电力通信网的邻接图中任意一条边所承载的业务种类与数量,并用同一条边的介数对其进行加权,获得任意一条边在当前监测时间段的实时业务风险度;
步骤4、构造一个多层的深度置信网络,其输入层为任意时间段之前一段时间的电力通信网历史性能数据,以及该时间段的电力通信网中所有边的实时业务风险度,输出为该时间段的电力通信网运行趋势预测与实时总业务风险度的组合;利用步骤1,2,3中的数据对该深度置信网络进行训练,计算出该深度置信网络参数;
步骤5、在监测时间段之时,将当前监测时间段之前一段时间的电力通信网历史性能数据,以及当前监测时间段的电力通信网中所有边的实时业务风险度导入步骤4中的深度置信网络神经网络中,预测出电力通信网在当前监测时间段的运行趋势以及实时总业务风险度;
步骤6、在当前监测时间段结束后,再次从电力通信传输网管的接口采集当前监测时间段电力通信网的真实性能数据,将此数据按时序添加到电力通信网历史性能数据中;将当前监测时间段的电力通信网中所有边的实时业务风险度数据按时序添加到所有边的历史业务风险度数据中;将当前监测时间段的电力通信网实时总业务风险度按时序添加到历史总业务风险度数据中,再用更新后的各类历史数据重新对步骤4中的深度置信网络进行训练,更新该深度置信网络参数,并在下一监测时间段重复步骤5,获得下一监测时间段的运行趋势以及实时总业务风险度。
2.根据权利要求1所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,所述步骤1中的电力通信网的历史性能数据为当前监测时间段之前N个时间段的电力通信网历史误码率OP1,…,OPN与历史光功率ES1,…,ESN,每个时间段长6小时,不同时间段之间无时间间隔,其中OP1、ES1为距离当前监测时间段最远时间段的误码率与光功率,OPN、ESN为当前监测时间段之前一个时间段的误码率与光功率。
3.根据权利要求2所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,所述步骤2中的电力通信网主要业务包括继电保护S1、安全稳定控制S2、调度数据网S3、输变电状态监测S4、变电站综合监控S5、调度电话S6、配网自动化S7、配网运行监控S8、通信智能化管理系统S9、调度会商系统业务S10、营销业务管理系统S11、客户联络系统S12、客户关系管理系统S13、95598及故障抢修管理系统S14、电能质量管理系统S15、用户用电信息采集S16、电力市场交易运营S17、数据中心S18、SG-ERPS19、会议电视系统S20、行政电话业务S21,其中下标中的阿拉伯数字分别表示其前的业务的重要度评级。
4.根据权利要求3所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,所述步骤2中的电力通信网的邻接图是将该网络覆盖区域内的750kV变电站、枢纽330kV变电站及各级区县公司本部作为图的n个节点v1,…,vn,而将各节点之间架设的通讯线路作为图的m条边e1,…,em,每条边长度为1;利用Dijkstra算法计算邻接图中任意两节点u,v之间的最短路径。
5.根据权利要求4所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,利用Dijkstra算法计算邻接图中任意两节点u,v之间的最短路径的具体做法如下:
(1)把n个节点v1,…,vn的集合V分成两个子集S与T,初始时,S={u},u的距离为0,T=V-S,即包含除了u之外的其他节点,若u与T中顶点v有边,则u,v距离为1,若v不是u的出邻接点,则u,v距离为无穷大(∞);
(2)从T中选取一个距离u最小的顶点t,把t,加入S中;
(3)以t为新考虑的中间点,修改T中各顶点的距离;若从节点u到节点v的经过节点t的距离比原来不经过节点t的距离短,则修改节点v的距离值,修改后的距离值为节点t的距离加上边长度;
(4)重复(2)和(3)直到所有节点都包含在S中;
按上述方法,计算出电力通信网的邻接图中所有节点对之间的最短路径,再分别统计经过每条边的最短路径的数目,作为该边的介数,m条边e1,…,em的介数分别为B1,…,Bm。
6.根据权利要求5所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,所述步骤3获取电力通信网中一系列业务风险数据,具体步骤如下:
(1)所述步骤3中电力通信网在当前监测时间段之前任一时间段的历史总业务风险度,是指当前监测时间段之前N个时间段的历史总业务风险度P1,…,PN,每个时间段长6小时,不同时间段之间无时间间隔,通过查阅电力通信网相关规范与历史记录,将整个电力通信网在6小时长内总业务风险度划分为1~K,共计K个级别,而P1,…,PN的取值均为1~K中的某一个值;
(2)所述步骤3中各时段的电力通信网中各边的历史业务风险数据是按如下方法获取:记录各历史时间段的邻接图G1,…,GN中各边所承载业务情况[C11,…,C1m],…,[CN1,…,CNm],其中的任一元素Cij表示第i时间段的第j条边所承载的业务情况,其具体表达形式为则Cij中的任一元素表示第i时间段的第j条边所承载的第k种业务的数量,如果该时段该边不承载该业务,则此元素值为0,则第i时间段的第j条边的实时业务风险度为其中Bj为步骤2中计算出的第j条边的介数,Sk为步骤2中获取的第k种业务的重要度评级;
(3)所述步骤3中当前监测时间段的电力通信网中所有边的实时业务风险度是通过下述方法获得的:记录当前监测时间段时邻接图Gr中各边所承载业务情况[Cr1,…,Crm],其中的任一元素Crj表示当前监测时间段的第j条边实时承载的业务情况,其具体表达形式为则Crj中的任一元素表示当前监测时间段中第j条边实时承载的第k种业务的数量,如果该时段该边不承载该业务,则此元素值为0,则当前监测时间段的第j条边的实时业务风险度为其中Bj为步骤2中计算出的第j条边的介数,Sk为步骤2中获取的第k种业务的重要度评级。
7.根据权利要求6所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,所述步骤4中的深度置信网络的输入由l个时间段的电力通信网历史误码率与历史光功率,以及第l+1时间段中电力通信网m条边的实时业务风险度P(l+1)1,…,P(l+1)m组成,共计2×l+m个输入;该深度置信网络的输出为第l+1时间段的电力通信网运行趋势预测与实时总业务风险度的组合判定结果;所述的步骤4中深度置信网络的参数通过上述l个时间段的电力通信网历史性能数据,以及第l+1时间段的电力通信网中所有边的实时业务风险度进行滚动训练得出,具体步骤如下:
(1)通过查阅电力通信网相关规范与历史记录,将整个电力通信网在6小时长内总体运行情况划分为1~L,共计L个级别。根据电力通信网真实运行情况,将电力通信网在当前监测时间段之前N个时间段的历史运行情况O1,…,ON也都取值为1~L中的某一个值,即划定每个时间段的运行情况级别;
(2)从第1个时间段的电力通信网历史性能数据开始,取第1时间段到第l时间段的电力通信网历史误码率OP1,…,OPl与历史光功率ES1,…,ESl,以及第l+1时间段中电力通信网m条边的业务风险度P(l+1)1,…,P(l+1)m作为输入,取第l+1时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为一组训练;再取第2时间段到第l+1时间段的电力通信网历史误码率OP2,…,OPl+1与历史光功率ES2,…,ESl+1,以及第l+2时间段中电力通信网m条边的业务风险度P(l+2)1,…,P(l+2)m作为输入,取第l+2时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为一组训练;以此类推,直到取第N-l时间段到第N-1时间段的电力通信网历史误码率OPN-l,…,OPN-1与历史光功率ESN-l,…,ESN-1,以及第N时间段中电力通信网m条边的业务风险度PN1,…,PNm作为输入,取第N时间段的电力通信网预测运行情况和预测总业务风险的组合作为最终输出目标,记为最后一组训练;共计N-l组训练;
(3)构造一个M层的深度置信网络(DBNs),其中第1层是一个高斯——伯努利型的受限玻尔兹曼机(GBRBM),包含一个可视层与一个隐藏层,其可视层也是整个网络的初始输入层,具有2×l+m个输入,隐藏层的节点(输出)数为n1;其后M-2层都是标准的受限玻尔兹曼机(RBM)。每层受限玻尔兹曼机又分成一个可视层与一个隐藏层,可视层节点之间无连接,隐藏层节点之间也无连接,可视层节点与隐藏层节点都是随机、二值分布的,可视层与隐藏层之间是全连接的。最后一层(第M层)是回归层(REG),有nM个输入,即第M-1层中隐藏层的输出,回归层输出节点为1个,即最终输出目标(电力通信网运行情况和总业务风险的组合);
(4)对于每次训练,在第1层高斯——伯努利型受限玻尔兹曼机中可视层的2×l+m个节点中输入l个时段的电力通信网历史误码率与历史光功率,以及该次训练中的电力通信网m条边的业务风险度,然后建立第1层隐藏层输出与期望输出之间的均方误差最小函数,依据吉布斯抽样方法求解上述最小函数,获得第1层的参数;再将第1层的隐藏层输出作为第2层标准的受限玻尔兹曼机中可视层的输入,然后建立第2层隐藏层输出与期望输出之间的均方误差最小函数,依据吉布斯抽样方法求解上述最小函数,获得第2层的参数;以此类推,重复将上一层中隐藏层的输出作为下一层中可视层的输入,训练出该层的参数,直到执行完M-2层标准的受限玻尔兹曼机;然后将最后一层受限玻尔兹曼机的输出输入到第M层的回归层中,随机化初始该层参数;
(5)计算每组训练中最终输出的第itrain时间段的电力通信网预测运行情况和预测总业务风险的组合与第itrain时间段的电力通信网历史运行情况Oitrain和历史总业务风险Pitrain的组合(Oitrain,Pitrain)的误差平方,其中,itrain为每组训练的编号,取值为l+1,…,N;通过使各组训练的误差平方之和最小化,即以微调该深度置信网络参数。
8.根据权利要求7所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,所述步骤5中当前监测时间段之前一段时间的电力通信网历史性能数据是指第N-l+1时间段到第N时间段的电力通信网历史误码率OPN-l+1,…,OPN与历史光功率ESN-l+1,…,ESN。
9.根据权利要求8所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,所述步骤5中当前监测时间段的电力通信网中所有边的实时业务风险度是通过下述方法获得的:记录当前监测时间段时邻接图Gr中各边所承载业务情况[Cr1,…,Crm],其中的任一元素Crj表示当前监测时间段的第j条边实时承载的业务情况,其具体表达形式为则Crj中的任一元素表示当前监测时间段中第j条边实时承载的第k种业务的数量,如果该时段该边不承载该业务,则此元素值为0。则当前监测时间段的第j条边的实时业务风险度为其中Bj为步骤2中计算出的第j条边的介数,Sk为步骤2中获取的第k种业务的重要度评级。将第N-l+1时间段到第N时间段的电力通信网历史误码率OPN-l+1,…,OPN与历史光功率ESN-l+1,…,ESN,以及当前监测时间段电力通信网中各边的实时业务风险度Pr1,…,Prm作为步骤4中训练出的深度置信网络的输入,求出电力通信网在当前监测时间段的预测运行趋势以及实时总业务风险度。
10.根据权利要求9所述的基于深度学习的电力通信网运行趋势与业务风险分析方法,其特征是,所述步骤6在当前监测时间段结束后再次从电力通信传输网管的接口采集当前监测时间段电力通信网的误码率OPr与光功率ESr,并依据相关规范与历史记录确定当前监测时间段的电力通信网实时运行情况级别Or,分别将上述数据按时序添加到电力通信网历史性能数据中,即将OPr作为第N+1时段的历史误码率OPN+1,将ESr作为第N+1时段的历史光功率ESN+1,将Or作为第N+1时段的历史运行情况级别;所述步骤6将当前监测时间段的电力通信网实时总业务风险度Pr,按时序添加到历史总业务风险度数据中,即将Pr作为第N+1时段的历史总业务风险度PN+1;所述步骤6将当前监测时间段的电力通信网中各边的实时业务风险度Pr1,…,Prm按时序添加到各边的历史业务风险度中,即将Pr1,…,Prm作为第N+1时段各边的历史业务风险度P(N+1)1,…,P(N+1)m;再用更新后的数据OP2,…,OPN+1,ES2,…,ESN+1,O2,…,ON+1以及[P21,…,P2m],…,[P(N+1)1,…,P(N+1)m],P2,…,PN+1对步骤4中的深度置信网络进行训练,更新该深度置信网络参数,再重复步骤5,获得下一监测时间段的运行趋势以及实时总业务风险度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510671192.3A CN105335816A (zh) | 2015-10-13 | 2015-10-13 | 基于深度学习的电力通信网运行趋势与业务风险分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510671192.3A CN105335816A (zh) | 2015-10-13 | 2015-10-13 | 基于深度学习的电力通信网运行趋势与业务风险分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105335816A true CN105335816A (zh) | 2016-02-17 |
Family
ID=55286331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510671192.3A Pending CN105335816A (zh) | 2015-10-13 | 2015-10-13 | 基于深度学习的电力通信网运行趋势与业务风险分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335816A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN106022583A (zh) * | 2016-05-12 | 2016-10-12 | 中国电力科学研究院 | 基于模糊化决策树的电力通信业务风险计算方法及系统 |
CN107423328A (zh) * | 2017-04-13 | 2017-12-01 | 温州市图盛科技有限公司 | 大数据电力抢修热点预测系统的构建方法 |
CN107679859A (zh) * | 2017-07-18 | 2018-02-09 | 中国银联股份有限公司 | 一种基于迁移深度学习的风险识别方法以及系统 |
CN108075906A (zh) * | 2016-11-08 | 2018-05-25 | 上海有云信息技术有限公司 | 一种用于云计算数据中心的管理方法及系统 |
CN108108475A (zh) * | 2018-01-03 | 2018-06-01 | 华南理工大学 | 一种基于深度受限玻尔兹曼机的时间序列预测方法 |
CN108667511A (zh) * | 2018-05-18 | 2018-10-16 | 国家电网公司信息通信分公司 | 基于深度探测的光传输网络运行风险预警方法及系统 |
TWI643138B (zh) * | 2016-10-03 | 2018-12-01 | 三菱電機股份有限公司 | Network construction device and network construction method |
CN109711715A (zh) * | 2018-12-25 | 2019-05-03 | 国家电网有限公司 | 电力通信网风险评估方法 |
CN110197305A (zh) * | 2019-05-31 | 2019-09-03 | 国家电网有限公司 | 一种基于最短路径算法的继电保护数据模型搜索优化方法及系统 |
CN110687899A (zh) * | 2019-10-29 | 2020-01-14 | 北京航空航天大学 | 一种基于模糊集的机电产品故障模式危害度评估方法 |
CN110826935A (zh) * | 2019-11-22 | 2020-02-21 | 国网陕西省电力公司电力科学研究院 | 一种基于机器学习的中长期电力市场风险评估方法 |
CN112104467A (zh) * | 2019-06-17 | 2020-12-18 | 中国移动通信集团浙江有限公司 | 割接操作风险评级方法、装置及计算设备 |
CN112598443A (zh) * | 2020-12-25 | 2021-04-02 | 山东鲁能软件技术有限公司 | 一种基于深度学习的线上渠道业务数据处理方法及系统 |
CN112651632A (zh) * | 2020-12-25 | 2021-04-13 | 车主邦(北京)科技有限公司 | 基于营销数据的信息分析处理方法和装置 |
CN112748732A (zh) * | 2020-12-01 | 2021-05-04 | 杭州电子科技大学 | 基于改进Kstar算法和深度学习的实时路径规划方法 |
CN113050523A (zh) * | 2021-04-06 | 2021-06-29 | 广州中超合能科技有限公司 | 一种基于大数据融合模型的电力监控系统 |
CN113282470A (zh) * | 2021-05-12 | 2021-08-20 | 中国联合网络通信集团有限公司 | 一种性能预测方法及装置 |
CN114465913A (zh) * | 2022-02-28 | 2022-05-10 | 国网新疆电力有限公司电力科学研究院 | 一种基于网络仿真技术的电力通信网优化方法及系统 |
US11835568B2 (en) | 2020-11-18 | 2023-12-05 | General Electric Company | Systems and methods for monitoring and diagnosing power system assets |
CN117454120A (zh) * | 2023-12-20 | 2024-01-26 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
-
2015
- 2015-10-13 CN CN201510671192.3A patent/CN105335816A/zh active Pending
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930955A (zh) * | 2016-04-07 | 2016-09-07 | 浙江万马新能源有限公司 | 基于深度学习的充电网络运行态势分析方法及装置 |
CN106022583A (zh) * | 2016-05-12 | 2016-10-12 | 中国电力科学研究院 | 基于模糊化决策树的电力通信业务风险计算方法及系统 |
TWI643138B (zh) * | 2016-10-03 | 2018-12-01 | 三菱電機股份有限公司 | Network construction device and network construction method |
CN108075906A (zh) * | 2016-11-08 | 2018-05-25 | 上海有云信息技术有限公司 | 一种用于云计算数据中心的管理方法及系统 |
CN107423328A (zh) * | 2017-04-13 | 2017-12-01 | 温州市图盛科技有限公司 | 大数据电力抢修热点预测系统的构建方法 |
CN107679859A (zh) * | 2017-07-18 | 2018-02-09 | 中国银联股份有限公司 | 一种基于迁移深度学习的风险识别方法以及系统 |
WO2019015461A1 (zh) * | 2017-07-18 | 2019-01-24 | 中国银联股份有限公司 | 一种基于迁移深度学习的风险识别方法以及系统 |
CN108108475A (zh) * | 2018-01-03 | 2018-06-01 | 华南理工大学 | 一种基于深度受限玻尔兹曼机的时间序列预测方法 |
CN108108475B (zh) * | 2018-01-03 | 2020-10-27 | 华南理工大学 | 一种基于深度受限玻尔兹曼机的时间序列预测方法 |
CN108667511A (zh) * | 2018-05-18 | 2018-10-16 | 国家电网公司信息通信分公司 | 基于深度探测的光传输网络运行风险预警方法及系统 |
CN109711715A (zh) * | 2018-12-25 | 2019-05-03 | 国家电网有限公司 | 电力通信网风险评估方法 |
CN110197305A (zh) * | 2019-05-31 | 2019-09-03 | 国家电网有限公司 | 一种基于最短路径算法的继电保护数据模型搜索优化方法及系统 |
CN110197305B (zh) * | 2019-05-31 | 2023-11-17 | 国家电网有限公司 | 一种基于最短路径算法的继电保护数据模型搜索优化方法及系统 |
CN112104467A (zh) * | 2019-06-17 | 2020-12-18 | 中国移动通信集团浙江有限公司 | 割接操作风险评级方法、装置及计算设备 |
CN112104467B (zh) * | 2019-06-17 | 2022-11-22 | 中国移动通信集团浙江有限公司 | 割接操作风险评级方法、装置及计算设备 |
CN110687899A (zh) * | 2019-10-29 | 2020-01-14 | 北京航空航天大学 | 一种基于模糊集的机电产品故障模式危害度评估方法 |
CN110826935A (zh) * | 2019-11-22 | 2020-02-21 | 国网陕西省电力公司电力科学研究院 | 一种基于机器学习的中长期电力市场风险评估方法 |
CN110826935B (zh) * | 2019-11-22 | 2022-03-08 | 国网陕西省电力公司电力科学研究院 | 一种基于机器学习的中长期电力市场风险评估方法 |
US11835568B2 (en) | 2020-11-18 | 2023-12-05 | General Electric Company | Systems and methods for monitoring and diagnosing power system assets |
CN112748732B (zh) * | 2020-12-01 | 2022-08-05 | 杭州电子科技大学 | 基于改进Kstar算法和深度学习的实时路径规划方法 |
CN112748732A (zh) * | 2020-12-01 | 2021-05-04 | 杭州电子科技大学 | 基于改进Kstar算法和深度学习的实时路径规划方法 |
CN112598443A (zh) * | 2020-12-25 | 2021-04-02 | 山东鲁能软件技术有限公司 | 一种基于深度学习的线上渠道业务数据处理方法及系统 |
CN112651632A (zh) * | 2020-12-25 | 2021-04-13 | 车主邦(北京)科技有限公司 | 基于营销数据的信息分析处理方法和装置 |
CN113050523A (zh) * | 2021-04-06 | 2021-06-29 | 广州中超合能科技有限公司 | 一种基于大数据融合模型的电力监控系统 |
CN113050523B (zh) * | 2021-04-06 | 2022-07-26 | 衍博集团有限公司 | 一种基于大数据融合模型的电力监控系统 |
CN113282470B (zh) * | 2021-05-12 | 2023-07-07 | 中国联合网络通信集团有限公司 | 一种性能预测方法及装置 |
CN113282470A (zh) * | 2021-05-12 | 2021-08-20 | 中国联合网络通信集团有限公司 | 一种性能预测方法及装置 |
CN114465913A (zh) * | 2022-02-28 | 2022-05-10 | 国网新疆电力有限公司电力科学研究院 | 一种基于网络仿真技术的电力通信网优化方法及系统 |
CN114465913B (zh) * | 2022-02-28 | 2024-02-06 | 国网新疆电力有限公司电力科学研究院 | 一种基于网络仿真技术的电力通信网优化方法及系统 |
CN117454120A (zh) * | 2023-12-20 | 2024-01-26 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
CN117454120B (zh) * | 2023-12-20 | 2024-03-15 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105335816A (zh) | 基于深度学习的电力通信网运行趋势与业务风险分析方法 | |
Slama | Prosumer in smart grids based on intelligent edge computing: A review on Artificial Intelligence Scheduling Techniques | |
WO2020160427A1 (en) | Advanced power distribution platform | |
CN105874743A (zh) | 服务提供商网络迁移 | |
CN110971525B (zh) | 一种面向电力通信网的业务运行的业务路由寻址方法 | |
CN108199928A (zh) | 一种多维电力通信网流量预测方法及系统 | |
CN113705085B (zh) | 一种智能电网多层次结构建模及风险评估方法 | |
CN110300018A (zh) | 一种面向对象的电网信息物理系统层次化建模方法 | |
CN107908638A (zh) | 基于大数据挖掘配的电网运行效率评价方法及系统 | |
CN104463351A (zh) | 基于电力业务需求的通信带宽预测方法及装置 | |
You et al. | An overview of trends in distribution network planning: A movement towards smart planning | |
CN102868224B (zh) | 一种智能变电站二次网络测量与多模决策方法及装置 | |
CN109977188A (zh) | 一种渐进式电网多专业数据关联融合方法及装置 | |
CN105703973B (zh) | 一种基于复合量度的电力通信光纤网络可靠性研究方法 | |
CN114025264B (zh) | 一种面向电力通信sdh光传输网络的路由规划方法 | |
CN104363104A (zh) | 一种面向用户需求的海量多元数据态势显示系统与方法 | |
CN109038605A (zh) | 一种考虑电压响应特性的电网无功规划方法 | |
CN202872464U (zh) | 一种智能变电站二次网络测量与多模决策装置 | |
Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
CN114117705A (zh) | 配电信息物理系统优化方法、系统、存储介质及计算设备 | |
CN107277828A (zh) | 一种均衡系统失效风险的信息物理系统规划方法 | |
CN110309943A (zh) | 一种电力传输网最优业务路径规划方法 | |
CN104036366A (zh) | 一种电力通信网对电网发展支撑度的评估方法 | |
CN115660494A (zh) | 一种电力通信网结构风险评估系统 | |
Ghasempour | Optimizing the advanced metering infrastructure architecture in smart grid |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160217 |
|
RJ01 | Rejection of invention patent application after publication |