CN111062464B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111062464B
CN111062464B CN201911017376.2A CN201911017376A CN111062464B CN 111062464 B CN111062464 B CN 111062464B CN 201911017376 A CN201911017376 A CN 201911017376A CN 111062464 B CN111062464 B CN 111062464B
Authority
CN
China
Prior art keywords
network
reliability
power communication
vector
index
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.)
Active
Application number
CN201911017376.2A
Other languages
English (en)
Other versions
CN111062464A (zh
Inventor
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
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Beijing University of Posts and Telecommunications, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911017376.2A priority Critical patent/CN111062464B/zh
Publication of CN111062464A publication Critical patent/CN111062464A/zh
Application granted granted Critical
Publication of CN111062464B publication Critical patent/CN111062464B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本发明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。

Description

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
技术领域
本发明涉及电力分析领域，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。
背景技术
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。
发明内容
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，本发明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
Figure BDA0002246130050000011
并将
Figure BDA0002246130050000012
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，
Figure BDA0002246130050000021
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
Figure BDA0002246130050000022
的基本网络信息中的参数向量的总个数，
Figure BDA0002246130050000023
为前缀向量，用于区分不同的基本网络信息参数向量
Figure BDA0002246130050000024
编码位数
Figure BDA0002246130050000025
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
Figure BDA0002246130050000026
并将
Figure BDA0002246130050000027
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，
Figure BDA0002246130050000028
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
Figure BDA0002246130050000029
中衡量电力通信网可靠性的指标向量的总个数，
Figure BDA00022461300500000210
为前缀向量，用于区分不同的指标向量
Figure BDA00022461300500000211
编码位数
Figure BDA00022461300500000212
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
Figure BDA00022461300500000213
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
Figure BDA0002246130050000031
基于d1维基本网络信息向量
Figure BDA0002246130050000032
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
Figure BDA0002246130050000033
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
Figure BDA0002246130050000034
和
Figure BDA0002246130050000035
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：
Figure BDA0002246130050000041
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：
Figure BDA0002246130050000042
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：
Figure BDA0002246130050000043
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高于网络整体优化。
根据本发明的另一方面，本发明提供一种基于深度学习的电力通信网可靠性预测和保障系统，所述系统包括：
信息向量单元，其用于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
Figure BDA0002246130050000051
以及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
Figure BDA0002246130050000052
Figure BDA0002246130050000053
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
Figure BDA0002246130050000054
的基本网络信息中的参数向量的总个数，
Figure BDA0002246130050000055
为前缀向量，用于区分不同的基本网络信息参数向量
Figure BDA0002246130050000056
编码位数
Figure BDA0002246130050000057
Figure BDA0002246130050000058
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
Figure BDA0002246130050000059
中衡量电力通信网可靠性的指标向量
Figure BDA00022461300500000510
的总个数，
Figure BDA00022461300500000511
为前缀向量，用于区分不同的指标向量
Figure BDA00022461300500000512
编码位数
Figure BDA00022461300500000513
第一预测单元，其用于将
Figure BDA00022461300500000514
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；
第二预测单元，其用于将
Figure BDA00022461300500000515
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；
网络优化单元，其用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。
进一步地，所述系统还包括模型建立单元，其用于建立预测电力通信网可靠性的深度置信神经网络模型和双向LSTM神经网络模型，所述模型建立单元包括：
数据预处理单元，其用于采集电力通信网的基本网络信息的历史数据，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；
第一向量单元，其用于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
Figure BDA0002246130050000061
第二向量单元，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
Figure BDA0002246130050000062
第一模型单元，其用于基于
Figure BDA0002246130050000063
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；
第二模型单元，其用于基于
Figure BDA0002246130050000064
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；
第三模型单元，其用于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；
第四模型单元，其用于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，所述模型建立单元和信息向量单元对前缀向量
Figure BDA0002246130050000071
和
Figure BDA0002246130050000072
采用二进制编码。
进一步地，所述信息向量单元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：
Figure BDA0002246130050000073
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：
Figure BDA0002246130050000074
Figure BDA0002246130050000075
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：
Figure BDA0002246130050000081
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，所述网络优化单元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。
本发明技术方案提供的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R，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和现有技术中通过采用深度置信神经网络和双向LSTM网络结合的预测方法，减少了传统BP神经网络对大规模网络数据的训练时长，并且所述方法和系统以现有的准确的配电网结构和多年的原件可靠性历史数据为基础进行电力通信网可靠性相比，通过深度学习对下一时间段的电力通信网可靠性进行预测，当所述电力通信网可靠性不满足要求时，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。另外，所述方法和系统通过同时对网络状态数据和可靠性指标数据进行预测为后续优化网络提供有效有利的优化依据。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的基于深度学习的电力通信网可靠性预测和保障方法的流程图；
图2为根据本发明优选实施方式的基于深度学习的电力通信网可靠性预测和保障系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的基于深度学习的电力通信网可靠性预测和保障方法的流程图。如图1所示，本优选实施方式所述的基于深度学习的电力通信网可靠性预测和保障方法100从步骤101开始。
在步骤101，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。
在步骤102，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。
在步骤103，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
Figure BDA0002246130050000101
其中，
Figure BDA0002246130050000102
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
Figure BDA00022461300500001014
的基本网络信息中的参数向量的总个数，
Figure BDA0002246130050000103
为前缀向量，用于区分不同的基本网络信息参数向量
Figure BDA0002246130050000104
编码位数
Figure BDA0002246130050000105
其中
Figure BDA0002246130050000106
表示向上取整。
在步骤104，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
Figure BDA0002246130050000107
其中，
Figure BDA0002246130050000108
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
Figure BDA0002246130050000109
中衡量电力通信网可靠性的指标向量的总个数，
Figure BDA00022461300500001010
为前缀向量，用于区分不同的指标向量
Figure BDA00022461300500001011
编码位数
Figure BDA00022461300500001012
在步骤105，基于
Figure BDA00022461300500001015
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。
在步骤106，基于
Figure BDA00022461300500001013
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。
在本优选实施方式中，所述深度置信神经网络的结构由两个RBM串联而成，上一个RBM的隐层作为下一个RBM的显层。输入层神经元根据两个向量的特征维数设定，即两个深度置信网络的输入层神经元数量分别为d1和d2，以便提取上述两个数据向量的特征。神经网络中初始权重随机设置，神经元中激活函数采用RELU函数，逐个RBM进行无监督训练，在最后一层通过BP反向传播算法优化更新整体神经网络的参数，同时设置输出层神经元数量为d/2以实现降维效果，并作为下一步骤中双向LSTM神经网络的输入特征向量。根据训练效果不断调整隐藏层中神经元数量和学习率以获取较好的训练效果。由于前述的基本数据向量F和可靠性指标向量R维数较高，因此深度置信网络在本发明中仅通过非监督学习的方式，目的尽可能保留原始数据特征的特点，同时降低特征的维度。逐层训练RBM的方法相当于对网络参数的初始化，相较于传统BP神经网络处理高维数据速度较快。
在步骤107，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。
在步骤108，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。在本优选实施方式中，所述双向神经网络的结构与传统的前馈神经网络不同在于层内各神经元同样有连接。循环神经网络(RNN)能够通过前导时间序列推理预测所需时间点信息，双向LSTM网络是在RNN基础上增加了反向运算，通过后一时间序列的输入增加预测准确度。其中LSTM能够在输入和输出序列之间的映射过程中利用前后时间序列的信息，并拥有类似“门”控的长短时记忆模块，能够控制获取前后时间序列的信息范围。因此通过双向LSTM神经网络我们可以得到预测的网络基本数据向量和可靠性指标向量。将经过深度置信网络压缩维度的两组数据分别输入两个不同的双向LSTM神经网络，以实现与时间相关的网络基本数据预测和可靠性指标预测。其中，所述双向LSTM神经网络的输入层神经元个数分别为d1/2和d2/2，初始输入时间步长为30，即按时间顺序一次输入30次。隐含层层数为4层，特征数设置为128，初始权重随机设置，采用监督学习的方式训练神经网络，不断更新网络中权重参数，同时根据训练效果不断调整网络中隐藏层特征值参数以及学习率、输入时间步长参数，以获得较好的训练效果。
在步骤109，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
Figure BDA0002246130050000121
并将
Figure BDA0002246130050000122
作为所述最优第一深度置信网络模型的输入特征向量，将所述最优第一深度置信网络模型的输出结果作为所述最优第一双向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，
Figure BDA0002246130050000123
表示基本网络信息向量
Figure BDA0002246130050000126
中的第k个参数向量，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，具体地：
网络的拓扑结构信息包括网络中拓扑成环数量，网络的环总数，以及拓扑结构向量，所述拓扑结构向量为N×N矩阵，N为网络节点总数量，矩阵表示各节点间连接关系；
业务信息包括网络中各节点间的业务状态、业务链路总波长数以及已用链接波长数；
节点信息包括网络中每个节点当前的已用容量、总吞吐容量、故障信息采样数量，以及故障发生次数。
在步骤110，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
Figure BDA0002246130050000124
并将
Figure BDA0002246130050000125
作为所述最优第二深度置信网络模型的输入特征向量，将所述最优第二深度置信网络模型的输出结果作为所述最优第二双向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，
Figure BDA0002246130050000131
表示可靠性指标向量中的第l个指标向量。
优选地，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：
Figure BDA0002246130050000132
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，nr在一定程度上反映了网络的抗击光缆故障的能力；
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：
Figure BDA0002246130050000133
Figure BDA0002246130050000134
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：
Figure BDA0002246130050000135
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。
本优选实施方式中，以4个可靠性指标向量为例，即K值取4，所述向量分别为nr、cri、fpi和rij，则前缀二进制编码
Figure BDA0002246130050000138
位数为
Figure BDA0002246130050000136
建立的可靠性指标向量
Figure BDA0002246130050000137
在步骤111，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，所述网络优化包括网络业务优化，网络节点优化和网络整体优化。当所述电力通信网下一运行时间段全部指标的预测值都分别满足预先设定的对应指标的指标阈值时，继续采集电力通信网当前一段运行时间内的基本网络信息的运行数据重复本申请所述方法，对电力通信网在未来的网络基本信息和可靠性进行预测。
将训练好的深度置信网络模型和双向LSTM神经网络模型用以电力通信网实际网络信息和可靠性预测，对于预测到的下一时间段可靠性指标来说，并不是一定要通过网络优化以提高网络可靠性，因为考虑到电力通信网的建设和维护成本，网络结构以及光缆等物理优化会消耗大量资源。因此本发明设置了可靠性指标的阈值，通过所述第二双向LSTM神经网络预测得到的可靠性指标向量
Figure BDA0002246130050000141
通过解码器对增加的区分可靠性指标进行解码，获取不同的预测到的可靠性指标，并对每一个可靠性指标与设置的可靠性指标阈值进行对比，当其中的可靠性指标不满足标准阈值时，说明对于下一时间段的网络状态来说，网络可靠性无法达到符合安稳传输通信的要求，需要对网络进行优化以提高可靠性。若可靠性指标满足标准阈值，说明下一时间段内网络能够可靠传输，无需对网络可靠性进行保障措施，则对接下来的时间段内的数据进行预测和评估。当网络可靠性无法达到符合安稳传输通信的要求，需要对网络进行优化以提高可靠性时，由于很多可靠性指标与网络中业务状态有密切的关系，如上述fpi即节点故障概率不能达到满足可靠性要求时，需要考虑到该节点下一时间段中承载的业务状态数量和业务类型，即需要根据sij进行优化策略的选择。因此，前述的对网络状态数据进行预测在可靠性保障中起到关键作用。本发明通过预测到的网络状态数据
Figure BDA0002246130050000142
进行解码，通过前缀解码获得各类网络数据。结合预测到的下一时间段各类网络基本数据，对相应的可靠性指标进行优化，采取相应的优化策略，如光缆优化、节点优化和业务优化其中一种或多种，实现网络整体优化，提高网络状态。当面对下一有效时间段中业务所在链路中光缆容量不足或节点吞吐量不符合标准时，可通过对业务进行重路由以提升网络可靠性；当预测到的下一有效时间段某节点故障概率较高时，应紧急维修节点并实施业务保护措施；当下一时间段中业务无法通过重路由等操作可靠传输时，可通过修改拓扑结构来提高网络整体可靠性，但由于考虑到重建网络的成本问题，网络拓扑级优化应最后考虑。
优选地，所述前缀向量
Figure BDA0002246130050000151
和
Figure BDA0002246130050000152
采用二进制编码。
优选地，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高于网络整体优化。
图2为根据本发明优选实施方式的基于深度学习的电力通信网可靠性预测和保障系统的结构示意图。如图2所示，本优选实施方式所述的基于深度学习的电力通信网可靠性预测和保障系统200包括：
信息向量单元202，其用于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
Figure BDA0002246130050000153
以及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
Figure BDA0002246130050000154
其中，
Figure BDA0002246130050000155
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
Figure BDA0002246130050000161
的基本网络信息中的参数向量的总个数，
Figure BDA0002246130050000162
为前缀向量，用于区分不同的基本网络信息参数向量
Figure BDA0002246130050000163
编码位数
Figure BDA0002246130050000164
其中
Figure BDA0002246130050000165
表示向上取整；
Figure BDA0002246130050000166
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
Figure BDA0002246130050000167
中衡量电力通信网可靠性的指标向量
Figure BDA0002246130050000168
的总个数，
Figure BDA0002246130050000169
为前缀向量，用于区分不同的指标向量
Figure BDA00022461300500001610
编码位数
Figure BDA00022461300500001611
第一预测单元203，其用于将
Figure BDA00022461300500001612
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。
第二预测单元204，其用于将
Figure BDA00022461300500001615
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。
网络优化单元205，其用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。
优选地，所述系统还包括模型建立单元201，其用于建立预测电力通信网可靠性的深度置信神经网络模型和双向LSTM神经网络模型，所述模型建立单元包括：
数据预处理单元211，其用于采集电力通信网的基本网络信息的历史数据，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；
第一向量单元212，其用于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
Figure BDA00022461300500001613
其中，
Figure BDA00022461300500001614
表示基本网络信息向量中的第k个参数向量；
第二向量单元213，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
Figure BDA0002246130050000171
Figure BDA0002246130050000172
表示可靠性指标向量中的第l个指标向量；
第一模型单元214，其用于基于
Figure BDA0002246130050000176
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；
第二模型单元215，其用于基于
Figure BDA0002246130050000173
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；
第三模型单元216，其用于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；
第四模型单元217，其用于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。
优选地，所述模型建立单元201和信息向量单元202对前缀向量
Figure BDA0002246130050000174
和
Figure BDA0002246130050000175
采用二进制编码。
优选地，所述信息向量单元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：
Figure BDA0002246130050000181
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，nr在一定程度上反映了网络的抗击光缆故障的能力；
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：
Figure BDA0002246130050000182
Figure BDA0002246130050000183
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：
Figure BDA0002246130050000184
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。
优选地，所述网络优化单元205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。
本发明所述基于深度学习的电力通信网可靠性预测和保障系统对电力通信网的可靠性进行预测和保障的步骤与本发明所述基于深度学习的电力通信网可靠性预测和保障方法的步骤相同，并且达到的技术效果也相同，此处不再赘述。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

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
Figure FDA0003606053530000011
并将
Figure FDA0003606053530000012
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，
Figure FDA0003606053530000013
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
Figure FDA00036060535300000114
的基本网络信息中的参数向量的总个数，
Figure FDA0003606053530000014
为前缀向量，用于区分不同的基本网络信息参数向量
Figure FDA0003606053530000015
编码位数
Figure FDA00036060535300000115
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
Figure FDA0003606053530000016
并将
Figure FDA0003606053530000017
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，
Figure FDA0003606053530000018
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
Figure FDA0003606053530000019
中衡量电力通信网可靠性的指标向量的总个数，
Figure FDA00036060535300000110
为前缀向量，用于区分不同的指标向量
Figure FDA00036060535300000111
编码位数
Figure FDA00036060535300000112
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：
Figure FDA00036060535300000113
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：
Figure FDA0003606053530000021
Figure FDA0003606053530000022
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：
Figure FDA0003606053530000023
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；
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
Figure FDA0003606053530000031
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
Figure FDA0003606053530000032
基于d1维基本网络信息向量
Figure FDA0003606053530000033
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
Figure FDA0003606053530000034
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
Figure FDA0003606053530000041
和
Figure FDA0003606053530000042
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，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。
5.一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，所述系统包括：
信息向量单元，其用于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
Figure FDA0003606053530000043
以及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
Figure FDA0003606053530000044
其中，
Figure FDA0003606053530000045
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
Figure FDA0003606053530000046
的基本网络信息中的参数向量的总个数，
Figure FDA0003606053530000047
为前缀向量，用于区分不同的基本网络信息参数向量
Figure FDA0003606053530000048
编码位数
Figure FDA0003606053530000049
Figure FDA00036060535300000410
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
Figure FDA00036060535300000411
中衡量电力通信网可靠性的指标向量
Figure FDA00036060535300000412
的总个数，
Figure FDA00036060535300000413
为前缀向量，用于区分不同的指标向量
Figure FDA0003606053530000051
编码位数
Figure FDA0003606053530000052
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：
Figure FDA0003606053530000053
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：
Figure FDA0003606053530000054
Figure FDA0003606053530000055
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：
Figure FDA0003606053530000056
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；
第一预测单元，其用于将所述d1维基本网络信息向量
Figure FDA0003606053530000057
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；
第二预测单元，其用于将所述d2维可靠性指标向量
Figure FDA0003606053530000061
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；
网络优化单元，其用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。
6.根据权利要求5所述的系统，其特征在于，所述系统还包括模型建立单元，其用于建立预测电力通信网可靠性的深度置信神经网络模型和双向LSTM神经网络模型，所述模型建立单元包括：
数据预处理单元，其用于采集电力通信网的基本网络信息的历史数据，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；
第一向量单元，其用于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
Figure FDA0003606053530000062
第二向量单元，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
Figure FDA0003606053530000063
第一模型单元，其用于基于
Figure FDA0003606053530000064
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；
第二模型单元，其用于基于
Figure FDA0003606053530000065
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；
第三模型单元，其用于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；
第四模型单元，其用于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。
7.根据权利要求6所述的系统，其特征在于，所述模型建立单元和信息向量单元对前缀向量
Figure FDA0003606053530000071
和
Figure FDA0003606053530000072
采用二进制编码。
8.根据权利要求5所述的系统，其特征在于，所述网络优化单元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。
CN201911017376.2A 2019-10-24 2019-10-24 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 Active CN111062464B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911017376.2A CN111062464B (zh) 2019-10-24 2019-10-24 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911017376.2A CN111062464B (zh) 2019-10-24 2019-10-24 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

Publications (2)

Publication Number Publication Date
CN111062464A CN111062464A (zh) 2020-04-24
CN111062464B true CN111062464B (zh) 2022-07-01

Family

ID=70297679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911017376.2A Active CN111062464B (zh) 2019-10-24 2019-10-24 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

Country Status (1)

Country Link
CN (1) CN111062464B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111583065B (zh) * 2020-05-12 2023-08-22 广东电网有限责任公司计量中心 一种电力负荷数据预测方法及装置
CN112070395B (zh) * 2020-09-07 2024-02-13 四川华泰电气股份有限公司 能源互联网可靠性评估体系、模型建立方法和评估方法
CN112506687B (zh) * 2020-11-24 2022-03-01 四川长虹电器股份有限公司 基于多周期分段滑动窗口标准差的故障诊断方法
CN112666423B (zh) * 2020-12-03 2021-08-17 广州电力通信网络有限公司 一种用于电力通信网络的测试装置
CN113193996B (zh) * 2021-04-26 2023-02-03 国网四川省电力公司经济技术研究院 一种电力光传输网优化方法、装置、设备及存储介质
CN114124725A (zh) * 2021-09-16 2022-03-01 国科量子通信网络有限公司 基于复杂网络模型的量子通信网络可靠度全面评估方法
CN115859188A (zh) * 2021-09-24 2023-03-28 中兴通讯股份有限公司 一种业务异常预测方法、装置、存储介质及电子装置
CN115409431B (zh) * 2022-10-31 2023-01-24 国网湖北省电力有限公司信息通信公司 一种基于神经网络的分布式电力资源调度方法
CN117996946B (zh) * 2024-01-10 2024-08-06 烟台东方能源科技有限公司 一种智能化电网安全管理系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104579868A (zh) * 2014-11-28 2015-04-29 广东电网有限责任公司电力调度控制中心 基于节点重要度的电力通信网络构建方法
CN109840587A (zh) * 2019-01-04 2019-06-04 长江勘测规划设计研究有限责任公司 基于深度学习的水库入库流量预测方法
CN110011833A (zh) * 2019-03-11 2019-07-12 东南大学 一种基于深度学习的服务系统在线可靠性预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10595727B2 (en) * 2018-01-25 2020-03-24 Siemens Healthcare Gmbh Machine learning-based segmentation for cardiac medical imaging

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104579868A (zh) * 2014-11-28 2015-04-29 广东电网有限责任公司电力调度控制中心 基于节点重要度的电力通信网络构建方法
CN109840587A (zh) * 2019-01-04 2019-06-04 长江勘测规划设计研究有限责任公司 基于深度学习的水库入库流量预测方法
CN110011833A (zh) * 2019-03-11 2019-07-12 东南大学 一种基于深度学习的服务系统在线可靠性预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Evaluation of the node importance of power communication network based on multi-factor evaluation indicators》;Zhang Ran 等;《Journal of Physics: Conference Series》;20191001;全文 *
《电力通信网可靠性分析系统设计》;孙少华;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》;20150315(第03期);全文 *

Also Published As

Publication number Publication date
CN111062464A (zh) 2020-04-24

Similar Documents

Publication Publication Date Title
CN111062464B (zh) 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
WO2021164118A1 (zh) 交直流大电网动态安全风险态势滚动前瞻预警方法及系统
CN110689171A (zh) 一种基于e-lstm的汽轮机健康状态预测方法
CN106230773A (zh) 基于模糊矩阵层次分析法的风险评估系统
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN113361680A (zh) 一种神经网络架构搜索方法、装置、设备及介质
KR102656115B1 (ko) 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치
CN113094822A (zh) 一种机械设备剩余寿命预测方法和系统
CN113536670A (zh) 一种群体产品剩余寿命预测的联邦迁移学习方法
He et al. Fault diagnosis and location based on graph neural network in telecom networks
CN114021758A (zh) 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置
CN117477544A (zh) 融合时间模式特征的lstm超短期光伏功率预测方法及系统
CN113536508A (zh) 一种制造网络节点分类方法及系统
CN117420443A (zh) 基于遗传算法的lstm的氢燃料电池剩余使用寿命预测方法
CN110674460B (zh) 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
CN117196033A (zh) 基于异构图神经网络的无线通信网络知识图谱表示学习方法
CN115174421B (zh) 基于自监督解缠绕超图注意力的网络故障预测方法及装置
CN114124725A (zh) 基于复杂网络模型的量子通信网络可靠度全面评估方法
CN116796617A (zh) 基于数据标识的滚动轴承设备剩余寿命预测方法及系统
Benaddy et al. Evolutionary prediction for cumulative failure modeling: A comparative study
Yijun et al. GA-BP neural networks for environmental quality assessment
CN118469252B (zh) 基于区块链的电力系统多能源协同优化调度系统及方法
CN118037048B (zh) 一种基于贝叶斯网络的城市暴雨内涝灾害链风险评估系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant