CN111160603A - 一种端到端电力通信业务可靠性保障方法及系统 - Google Patents
一种端到端电力通信业务可靠性保障方法及系统 Download PDFInfo
- Publication number
- CN111160603A CN111160603A CN201911148426.0A CN201911148426A CN111160603A CN 111160603 A CN111160603 A CN 111160603A CN 201911148426 A CN201911148426 A CN 201911148426A CN 111160603 A CN111160603 A CN 111160603A
- Authority
- CN
- China
- Prior art keywords
- power data
- preset
- data
- electric power
- service
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 52
- 230000003287 optical effect Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 34
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种端到端电力通信业务可靠性保障方法及系统,所述方法包括:采集业务接收端的电力数据;将所述电力数据输入至预先训练的Attention LSTM预测模型,获得预设的未来时刻的电力数据预测值;将所述电力数据预测值与预设阈值进行对比;若所述电力数据预测值低于预设阈值,则对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施;若所述可靠性保障措施有效,维持该保障措施,并持续进行电力数据监控;所述方法及系统通过建立基于融合注意力机制的LSTM神经网络的电力数据预警模型,对电力数据进行预警,并设置应对的保障方案,以保障端到端电力通信业务的可靠性。
Description
技术领域
本发明涉及电力技术领域,更具体地,涉及一种端到端电力通信业务可靠性保障方法及系统。
背景技术
电力通信网是电力系统的重要基础设施。电力通信网承担着电力生产、管理和企业信息化等众多业务,是电网实现调度自动化和管理现代化的基础,是确保电网安全、经济调度的重要技术手段,在整个电力系统中起着非常重要的作用。在智能电网及能源互联网的大背景下,电力通信网的规模越来越大,所承担的业务越来越多,网络中光路径不断延长,这可能导致网络中光信号传输受到各种物理层损伤的影响,使得光信号的传输质量将劣化,造成端到端的误码率较高,也许无法满足接收端对传输信号质量的要求,进而不能在光信号中解析出正确的相关信息,通信网的业务质量对整个电力系统的影响程度也随之增加。因此优化光传输网络资源的配置,提升光传输网络的稳定性,从而保障业务可靠性就非常重要。
在电力通信光传输网络中,物理层最重要的参数就是光信噪比(OSNR),其值的大小直接决定了业务能否正常运行,一旦不能满足要求,将会造成传输错误或失败、服务质量降低、传送消耗增加等问题。
发明内容
为了解决背景技术存在的现有的电力通信网端到端的光信号传输质量较差,通信业务不可靠的问题,本发明提供了一种端到端电力通信业务可靠性保障方法及系统,所述方法及系统通过建立基于融合注意力机制的LSTM神经网络的电力数据预警模型,对电力数据进行预警,并设置应对的保障方案,以保障端到端电力通信业务的可靠性,所述一种端到端电力通信业务可靠性保障方法包括:
步骤1,采集业务接收端的电力数据;
步骤2,将所述电力数据输入至预先训练的Attention LSTM预测模型,获得预设的未来时刻的电力数据预测值;
步骤3,将所述电力数据预测值与预设阈值进行对比;
步骤4,若所述电力数据预测值低于预设阈值,则对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施;
步骤5,重复步骤1至步骤3,若所述电力数据预测值高于预设阈值,则所述可靠性保障措施有效,维持该保障措施,并返回步骤1持续进行电力数据监控。
进一步的,所述Attention LSTM预测模型的训练方法包括:
采集业务接收端历史的以及当前的电力数据;
将所述历史的以及当前的电力数据按时间序列输入至LSTM层进行特征量提取,获得输出向量;
将所述输出向量输入至注意力机制模型中,获得每个特征量的注意力权重参数;
将所述输出向量汇总每个特征量与对应的注意力权重参数相乘,获得新的特征向量;
将所述特征向量进行展开融合处理,获得一维特征向量;
将所述一维特征向量输入至全连接层,获得预设的未来时刻的预测结果。
进一步的,所述注意力机制模型中每个特征量的注意力权重参数的计算公式为:
ei=tanh(Whhi+bh),ei∈[-1,1]
其中,hi为输出向量H中的第i个特征量;ei为中间变量;Wh为上一次计算获得的注意力权重参数构成的权值矩阵;bh为偏置项;ai为特征量hi的注意力权重参数。
进一步的,在获得预设的未来时刻的预测结果后,所述方法还包括:
将训练获得的预测结果与实际值输入至预设的损失函数,并通过计算结果优化注意力权重参数。
进一步的,在将所述电力数据输入至预先训练的Attention LSTM预测模型前,对所述电路数据进行预处理;
在将所述电力数据按时间序列输入至LSTM层进行特征量提取前,对所述历史的以及当前的电力数据进行预处理;
所述预处理包括:对所述电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的电力数据;并将所述预设类型的电力数据存储在数据库中。
进一步的,在将所述预设数据类型的电力数据输入至预先训练的Attention LSTM预测模型后,所述方法还包括:
对所述Attention LSTM预测模型输出的预设的未来时刻的预测结果进行反归一化处理,获得原始数据类型的电力数据预测值。
进一步的,所述对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施,包括:
设定多个保障措施,并对所述保障措施对保障优先级进行排序;
确认保障优先级最高的保障措施在所述端到端电力通信业务系统是否可应用;
若能够应用当前保障措施,判断当前的保障措施是否有效;
若有效,则维持该保障措施,并持续进行电力数据监控;
若无效,则维持该保障措施,并对优先级下一顺序的保障措施是否可应用进行确认,并在可应用当前保障措施的情况下,判断当前的保障措施是否有效;
若所述端到端电力通信业务系统无法应用该措施,则对优先级下一顺序的保障措施是否可应用进行确认。
进一步的,所述保障措施按优先级顺序依次为:
是否能优化光转换单元以及光放大器参数;
是否能减少传输链路中光放大器数量;
是否有备用路由,切换备用路由;
是否能增加备用路由。
进一步的,若所述可靠性保障措施无效,则根据电力数据生成业务受损报告,并按预设途径发送所述业务受损报告。
所述一种端到端电力通信业务可靠性保障系统,所述系统包括:
数据采集处理单元,所述数据采集处理单元用于实时采集业务接收端的电力数据;
预测单元,所述预测单元用于将所述电力数据输入至预先训练的Attention LSTM预测模型,获得预设的未来时刻的电力数据预测值;
业务预警单元,所述业务预警单元用于将所述电力数据预测值与预设阈值进行对比;若所述电力数据预测值低于预设阈值,判断电力数据预测值存在风险;
可靠性保障单元,所述可靠性保障单元用于在业务预警单元判断电力数据预测值存在风险时,对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施;
所述数据采集处理单元用于在可靠性保障单元实施业务可靠性保障措施后,再次对电力数据进行采集处理,并通过业务预警单元对预测单元预测的电力数据预测值进行再次对比,若电力数据预测值不再存在风险,则维持该保障措施。
进一步的,所述系统还包括预测模型训练单元;
所述数据采集处理单元用于采集业务接收端历史的以及当前的电力数据;
所述预测模型训练单元用于对所述业务接收端历史的以及当前的电力数据按时间序列输入至LSTM层进行特征量提取,获得输出向量;
所述预测模型训练单元用于将所述输出向量输入至注意力机制模型中,获得每个特征量的注意力权重参数;
所述预测模型训练单元用于将所述输出向量汇总每个特征量与对应的注意力权重参数相乘,获得新的特征向量;
所述预测模型训练单元用于将所述特征向量进行展开融合处理,获得一维特征向量;
所述预测模型训练单元用于将所述一维特征向量输入至全连接层,获得预设的未来时刻的预测结果。
进一步的,所述注意力机制模型中每个特征量的注意力权重参数的计算公式为:
ei=tanh(Whhi+bh),ei∈[-1,1]
其中,hi为输出向量H中的第i个特征量;ei为中间变量;Wh为上一次计算获得的注意力权重参数构成的权值矩阵;bh为偏置项;ai为特征量hi的注意力权重参数。
进一步的,所述预测模型训练单元用于将训练获得的预测结果与实际值输入至预设的损失函数,并通过计算结果优化注意力权重参数。
进一步的,所述数据采集处理单元用于对所述电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的电力数据;并将所述预设类型的电力数据发送至所述预测单元;
所述数据采集处理单元用于对所述业务接收端历史的以及当前的电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的业务接收端历史的以及当前的电力数据,并将所述预设类型的业务接收端历史的以及当前的电力数据发送至所述预测模型训练单元。
所述数据采集处理单元用于将所述预设类型的电力数据存储在数据库中。
进一步的,所述数据采集处理单元用于对所述预测单元预测获得的预设的未来时刻的预测结果进行反归一化处理,获得原始数据类型的电力数据预测值。
进一步的,所述可靠性保障单元用于设定多个保障措施,并对所述保障措施对保障优先级进行排序;
所述可靠性保障单元用于确认保障优先级最高的保障措施在所述端到端电力通信业务系统是否可应用;
若能够应用当前保障措施,判断当前的保障措施是否有效;
若有效,则维持该保障措施,并返回步骤1持续进行电力数据监控;
若无效,则维持该保障措施,并对优先级下一顺序的保障措施是否可应用进行确认,并在可应用当前保障措施的情况下,判断当前的保障措施是否有效;
若所述端到端电力通信业务系统无法应用该措施,则对优先级下一顺序的保障措施是否可应用进行确认。
进一步的,所述保障措施按优先级顺序依次为:
是否能优化光转换单元以及光放大器参数;
是否能减少传输链路中光放大器数量;
是否有备用路由,切换备用路由;
是否能增加备用路由器。
进一步的,所述系统还包括业务受损报告生成单元;
若所述可靠性保障措施无效,所述业务受损报告生成单元根据电力数据生成业务受损报告,并按预设途径发送所述业务受损报告。
本发明的有益效果为:本发明的技术方案,给出了一种端到端电力通信业务可靠性保障方法及系统,所述方法及系统通过基于融合注意力机制的LSTM神经网络的电力数据预警模型,对电力数据尤其是通信业务物理层最重要的损伤指标OSNR值进行预警;所述方法及系统无需对接收到的原始数据进行额外的特征提取,数据传输压力小;通过注意力机制可对LSTM隐层输出向量进行自动化关注,获得更高的准确率;所述方法及系统对于预警异常的情况设置应对的保障方案,以保障端到端电力通信业务的可靠性。
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为本发明具体实施方式的一种端到端电力通信业务可靠性保障方法的流程图;
图2为本发明具体实施方式的多个保障措施的执行流程图;
图3为本发明具体实施方式的一种端到端电力通信业务可靠性保障系统的结构图。
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为本发明具体实施方式的一种端到端电力通信业务可靠性保障方法的流程图;如图1所示,所述方法包括:
步骤110,采集业务接收端的电力数据;所述电力数据包括OSNR值;
本实施例建立在SDON网络三层架构基础上,在传送屏幕,抓取网络数据信息(电力数据),在控制平面,通过引入Attention机制和LSTM深度学习算法,对数据平面上传的数据进行深度学习和训练;并在应用平面上应用训练好的预测模型进行预测。
在电力通信光传输网络中,物理层最重要的参数是光信噪比,即OSNR,其值的大小直接决定了业务能否正常运行,OSNR值越高,误码率越低,传输错误也就越少,故对于端到端通信业务可靠性保障中所需的电力数据,以OSNR值最为需要重点关注。
本实施例中,以用于进行预测的所述电力数据为OSNR值为主举例,所述电力数据还包括业务配置相关的信息等;
步骤120,将所述电力数据输入至预先训练的Attention LSTM预测模型,获得预设的未来时刻的电力数据预测值;
在应用Attention LSTM预测模型进行预测前,所述方法还需预先对所述预测模型进行训练;具体包括:
步骤121,采集业务接收端历史的以及当前的电力数据;
所述步骤121的采集,与所示步骤110中的采集方式相同,只不过所述步骤121更多的还采集了自当前时刻往前一段时间内的历史数据,特别的,为了保证准确性,可以是以当前时间向前时间序列连续的一端历史数据,用于训练;
步骤122,将所述历史的以及当前的电力数据按时间序列输入至LSTM层进行特征量提取,获得输出向量;
对于预处理后的电力数据,及OSNR值,LSTM对SONR值通过时间序列进行特征提取,实现时间序列到高层特征的信息抽象,获得LSTM隐层的输出向量H={h1,h2…ht};
步骤123,将所述输出向量输入至注意力机制模型中,获得每个特征量的注意力权重参数;
将注意力机制应用到深度神经网络中,让神经网络自适应的筛选出输入向量中与当前输出显著相关的特征,减轻其他特征的干扰,从而显著提高模型泛化性能。以LSTM的隐层输出向量H={h1,h2…ht}作为注意力机制的输入,注意力机制会寻找特征量hi的注意力权重参数ai;所述注意力权重参数ai的计算公式为:
ei=tanh(Whhi+bh),ei∈[-1,1]
其中,hi为输出向量H中的第i个特征量;ei为中间变量;Wh为上一次计算获得的注意力权重参数构成的权值矩阵;bh为偏置项;ai为特征量hi的注意力权重参数。
步骤124,将所述输出向量汇总每个特征量与对应的注意力权重参数相乘,获得新的特征向量;
步骤125,将所述特征向量进行展开融合处理,获得一维特征向量;
步骤126,将所述一维特征向量输入至全连接层,获得预设的未来时刻的预测结果。
进一步的,为了提高预测模型的准确性,在获得预设的未来时刻的预测结果后,所述方法还包括:
将训练获得的预测结果与实际值输入至预设的损失函数,并通过计算结果优化注意力权重参数。
所述损失函数可以为均方差函数,判断准确性;所述优化可通过梯度下降等优化器优化整个神经网络的权值。
进一步的,使用训练完成的预测模型,将采集的例如OSNR值的电力数据输入至预测模型后,即可进行未来数据的预测。具体的,在将所述预设数据类型的电力数据输入至预先训练的Attention LSTM预测模型后,所述预测模型输出的是与输入的相同数据格式的预测结果,为了更加方便用户,对所述Attention LSTM预测模型输出的预设的未来时刻的预测结果进行反归一化处理,获得原始数据类型的电力数据预测值。
进一步的,为了保证预测模型预测的准确性,提高预测精度,在步骤110以及步骤122中,即在将所述电力数据输入至预先训练的Attention LSTM预测模型前以及在将所述电力数据按时间序列输入至LSTM层进行特征量提取前,还需对采集到的原始的电力数据进行预处理,获得预设类型的电力数据;
所述预处理包括:对所述电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的电力数据;并将所述预设类型的电力数据存储在数据库中。
步骤130,将所述电力数据预测值与预设阈值进行对比;
在获得预测的电路数据预测值后,即本实施例中,获得未来某一时刻OSNR值后(本实施例中为按时间序列排序的未来的下一时刻),将该预测值与预先预设的预警阈值进行对比,判断是否满足预设阈值的要求;若满足要求,则在未来某一时刻时所述OSNR值是符合要求的,即误码率和传输错误是可以接受的,无需进行可靠性保障;此时,需要返回到步骤110的重新开始对电力数据的采集监控;
步骤140,若所述电力数据预测值低于预设阈值,则对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施;
对于电力数据预测值低于预设阈值的,相当于OSNR为满足预设阈值的要求,误码率或传输错误不能被接收,则此时应当实施可靠性保障措施。为保证以最小的投入或改变获得可靠性的保障,所述保障性措施分层次进行投入,具体如下:
设定多个保障措施,并对所述保障措施对保障优先级进行排序;
确认保障优先级最高的保障措施在所述端到端电力通信业务系统是否可应用;
若能够应用当前保障措施,判断当前的保障措施是否有效;
若有效,则维持该保障措施,并返回步骤110持续进行电力数据的新一轮采集监控;
若无效,则维持该保障措施,并对优先级下一顺序的保障措施是否可应用进行确认,并在可应用当前保障措施的情况下,判断当前的保障措施是否有效;
若所述端到端电力通信业务系统无法应用该措施,则对优先级下一顺序的保障措施是否可应用进行确认。
进一步的,本申请设置的多个保障措施的执行流程图如图2所示,针对OSNR值调整的所述保障措施按优先级顺序依次为:
是否能优化光转换单元以及光放大器参数;
是否能减少传输链路中光放大器数量;
是否有备用路由,切换备用路由;
是否能增加备用路由。步骤150,重复步骤110至步骤130,若所述电力数据预测值高于预设阈值,则所述可靠性保障措施有效,维持该保障措施,并返回步骤1持续进行电力数据监控。
本步骤是在步骤140实施了新的保障性措施后进行的新一轮验证,也可以认为是多个保障措施的执行流程中的一部分;
具体的,如图2所示:
先确认是否能优化光转换单元以及光放大器参数;
若可以优化,则优化光转换单元、光放大器的输入输出频率;进一步重新采集电力数据并预测,确认所述电力数据预测值是否高于预设阈值;
若判断高于预设阈值,则业务可靠性保障成功;
若判断低于预设阈值或先前确认不能优化光转换单元以及光放大器参数,则继续确认是否能减少传输链路中光放大器的数量;
若可以减少,则减少传输链路中光放大器的数量;进一步重新采集电力数据并预测,确认所述电力数据预测值是否高于预设阈值;
若判断高于预设阈值,则业务可靠性保障成功;
若判断低于预设阈值或不可以减少传输链路中光放大器的数量;则继续确认是否有备用路由;
若判断有备用路由,则业务切换备用路由传输;进一步重新采集电力数据并预测,确认所述电力数据预测值是否高于预设阈值;
若判断高于预设阈值,则业务可靠性保障成功;
若判断低于预设阈值或没有备用路由,则继续确认是否能增加备用路由;
若判断能增加备用路由,则业务增加备用路由并切换路由;进一步重新采集电力数据并预测,确认所述电力数据预测值是否高于预设阈值;
若判断高于预设阈值,则业务可靠性保障成功;
若判断低于预设阈值或不能增加备用路由,则业务可靠性保障措施全无效,业务可靠性保障失败。
若所述多个保障措施的执行流程中,所有的保障措施都不能应用或应用后都不能使电力数据(OSNR值)满足预设阈值的要求,则现有的保障措施无法满足自动化的可靠性保障需求,即所述可靠性保障措施无效,则根据电力数据生成业务受损报告,并按预设途径发送所述业务受损报告。
图3为本发明具体实施方式的一种端到端电力通信业务可靠性保障系统的结构图。如图3所示,所述系统包括:
数据采集处理单元310,所述数据采集处理单元310用于实时采集业务接收端的电力数据;所述电力数据包括OSNR值;
预测单元320,所述预测单元320用于将所述电力数据输入至预先训练的Attention LSTM预测模型,获得预设的未来时刻的电力数据预测值;
业务预警单元330,所述业务预警单元330用于将所述电力数据预测值与预设阈值进行对比;若所述电力数据预测值低于预设阈值,判断电力数据预测值存在风险;
可靠性保障单元340,所述可靠性保障单元340用于在业务预警单元330判断电力数据预测值存在风险时,对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施;
所述数据采集处理单元310用于在可靠性保障单元340实施业务可靠性保障措施后,再次对电力数据进行采集处理,并通过业务预警单元330对预测单元320预测的电力数据预测值进行再次对比,若电力数据预测值不再存在风险,则维持该保障措施。
进一步的,所述可靠性保障单元340用于设定多个保障措施,并对所述保障措施对保障优先级进行排序;
所述可靠性保障单元340用于确认保障优先级最高的保障措施在所述端到端电力通信业务系统是否可应用;
若能够应用当前保障措施,判断当前的保障措施是否有效;
若有效,则维持该保障措施,并返回步骤1持续进行电力数据监控;
若无效,则维持该保障措施,并对优先级下一顺序的保障措施是否可应用进行确认,并在可应用当前保障措施的情况下,判断当前的保障措施是否有效;
若所述端到端电力通信业务系统无法应用该措施,则对优先级下一顺序的保障措施是否可应用进行确认。
进一步的,所述保障措施按优先级顺序依次为:
是否能优化光转换单元以及光放大器参数;
是否能减少传输链路中光放大器数量;
是否有备用路由器,切换备用路由;
是否能增加备用路由。
进一步的,所述系统还包括预测模型训练单元;
所述数据采集处理单元310用于采集业务接收端历史的以及当前的电力数据;
所述预测模型训练单元用于对所述业务接收端历史的以及当前的电力数据按时间序列输入至LSTM层进行特征量提取,获得输出向量;
所述预测模型训练单元用于将所述输出向量输入至注意力机制模型中,获得每个特征量的注意力权重参数;
所述预测模型训练单元用于将所述输出向量汇总每个特征量与对应的注意力权重参数相乘,获得新的特征向量;
所述预测模型训练单元用于将所述特征向量进行展开融合处理,获得一维特征向量;
所述预测模型训练单元用于将所述一维特征向量输入至全连接层,获得预设的未来时刻的预测结果。
进一步的,所述注意力机制模型中每个特征量的注意力权重参数的计算公式为:
ei=tanh(Whhi+bh),ei∈[-1,1]
其中,hi为输出向量H中的第i个特征量;ei为中间变量;Wh为上一次计算获得的注意力权重参数构成的权值矩阵;bh为偏置项;ai为特征量hi的注意力权重参数。
进一步的,所述预测模型训练单元用于将训练获得的预测结果与实际值输入至预设的损失函数,并通过计算结果优化注意力权重参数。
进一步的,所述数据采集处理单元310用于对所述电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的电力数据;并将所述预设类型的电力数据发送至所述预测单元320;
所述数据采集处理单元310用于对所述业务接收端历史的以及当前的电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的业务接收端历史的以及当前的电力数据,并将所述预设类型的业务接收端历史的以及当前的电力数据发送至所述预测模型训练单元。
所述数据采集处理单元310用于将所述预设类型的电力数据存储在数据库中。
进一步的,所述数据采集处理单元310用于对所述预测单元320预测获得的预设的未来时刻的预测结果进行反归一化处理,获得原始数据类型的电力数据预测值。
进一步的,所述系统还包括业务受损报告生成单元;
若所述可靠性保障措施无效,所述业务受损报告生成单元根据电力数据生成业务受损报告,并按预设途径发送所述业务受损报告。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。本说明书中涉及到的步骤编号仅用于区别各步骤,而并不用于限制各步骤之间的时间或逻辑的关系,除非文中有明确的限定,否则各个步骤之间的关系包括各种可能的情况。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。例如,在权利要求书中所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本公开的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本公开还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本公开的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本公开进行说明而不是对本公开进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。
以上所述仅是本公开的具体实施方式,应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开精神的前提下,可以作出若干改进、修改、和变形,这些改进、修改、和变形都应视为落在本申请的保护范围内。
Claims (18)
1.一种端到端电力通信业务可靠性保障方法,所述方法包括:
步骤1,采集业务接收端的电力数据;
步骤2,将所述电力数据输入至预先训练的Attention LSTM预测模型,获得预设的未来时刻的电力数据预测值;
步骤3,将所述电力数据预测值与预设阈值进行对比;
步骤4,若所述电力数据预测值低于预设阈值,则对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施;
步骤5,重复步骤1至步骤3,若所述电力数据预测值高于预设阈值,则所述可靠性保障措施有效,维持该保障措施,并返回步骤1持续进行电力数据监控。
2.根据权利要求1所述的方法,其特征在于,所述Attention LSTM预测模型的训练方法包括:
采集业务接收端历史的以及当前的电力数据;
将所述历史的以及当前的电力数据按时间序列输入至LSTM层进行特征量提取,获得输出向量;
将所述输出向量输入至注意力机制模型中,获得每个特征量的注意力权重参数;
将所述输出向量汇总每个特征量与对应的注意力权重参数相乘,获得新的特征向量;
将所述特征向量进行展开融合处理,获得一维特征向量;
将所述一维特征向量输入至全连接层,获得预设的未来时刻的预测结果。
4.根据权利要求2所述的方法,其特征在于,在获得预设的未来时刻的预测结果后,所述方法还包括:
将训练获得的预测结果与实际值输入至预设的损失函数,并通过计算结果优化注意力权重参数。
5.根据权利要求2所述的方法,其特征在于:在将所述电力数据输入至预先训练的Attention LSTM预测模型前,对所述电路数据进行预处理;
在将所述电力数据按时间序列输入至LSTM层进行特征量提取前,对所述历史的以及当前的电力数据进行预处理;
所述预处理包括:对所述电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的电力数据;并将所述预设类型的电力数据存储在数据库中。
6.根据权利要求5所述的方法,其特征在于:在将所述预设数据类型的电力数据输入至预先训练的Attention LSTM预测模型后,所述方法还包括:
对所述Attention LSTM预测模型输出的预设的未来时刻的预测结果进行反归一化处理,获得原始数据类型的电力数据预测值。
7.根据权利要求1所述的方法,其特征在于,所述对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施,包括:
设定多个保障措施,并对所述保障措施对保障优先级进行排序;
确认保障优先级最高的保障措施在所述端到端电力通信业务系统是否可应用;
若能够应用当前保障措施,判断当前的保障措施是否有效;
若有效,则维持该保障措施,并持续进行电力数据监控;
若无效,则维持该保障措施,并对优先级下一顺序的保障措施是否可应用进行确认,并在可应用当前保障措施的情况下,判断当前的保障措施是否有效;
若所述端到端电力通信业务系统无法应用该措施,则对优先级下一顺序的保障措施是否可应用进行确认。
8.根据权利要求7所述的方法,其特征在于:所述保障措施按优先级顺序依次为:
是否能优化光转换单元以及光放大器参数;
是否能减少传输链路中光放大器数量;
是否有备用路由,切换备用路由;
是否能增加备用路由。
9.根据权利要求1所述的方法,其特征在于:若所述可靠性保障措施无效,则根据电力数据生成业务受损报告,并按预设途径发送所述业务受损报告。
10.一种端到端电力通信业务可靠性保障系统,所述系统包括:
数据采集处理单元,所述数据采集处理单元用于实时采集业务接收端的电力数据;
预测单元,所述预测单元用于将所述电力数据输入至预先训练的Attention LSTM预测模型,获得预设的未来时刻的电力数据预测值;
业务预警单元,所述业务预警单元用于将所述电力数据预测值与预设阈值进行对比;若所述电力数据预测值低于预设阈值,判断电力数据预测值存在风险;
可靠性保障单元,所述可靠性保障单元用于在业务预警单元判断电力数据预测值存在风险时,对所述端到端电力通信业务系统进行分析,并按预设规则实施业务可靠性保障措施;
所述数据采集处理单元用于在可靠性保障单元实施业务可靠性保障措施后,再次对电力数据进行采集处理,并通过业务预警单元对预测单元预测的电力数据预测值进行再次对比,若电力数据预测值不再存在风险,则维持该保障措施。
11.根据权利要求10所述的系统,其特征在于:所述系统还包括预测模型训练单元;
所述数据采集处理单元用于采集业务接收端历史的以及当前的电力数据;
所述预测模型训练单元用于对所述业务接收端历史的以及当前的电力数据按时间序列输入至LSTM层进行特征量提取,获得输出向量;
所述预测模型训练单元用于将所述输出向量输入至注意力机制模型中,获得每个特征量的注意力权重参数;
所述预测模型训练单元用于将所述输出向量汇总每个特征量与对应的注意力权重参数相乘,获得新的特征向量;
所述预测模型训练单元用于将所述特征向量进行展开融合处理,获得一维特征向量;
所述预测模型训练单元用于将所述一维特征向量输入至全连接层,获得预设的未来时刻的预测结果。
13.根据权利要求11所述的系统,其特征在于:所述预测模型训练单元用于将训练获得的预测结果与实际值输入至预设的损失函数,并通过计算结果优化注意力权重参数。
14.根据权利要求11所述的系统,其特征在于:所述数据采集处理单元用于对所述电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的电力数据;并将所述预设类型的电力数据发送至所述预测单元;
所述数据采集处理单元用于对所述业务接收端历史的以及当前的电力数据进行清洗,去除冗余数据,并按照预设数据类型进行格式转换的归一化处理,获得预设类型的业务接收端历史的以及当前的电力数据,并将所述预设类型的业务接收端历史的以及当前的电力数据发送至所述预测模型训练单元。
所述数据采集处理单元用于将所述预设类型的电力数据存储在数据库中。
15.根据权利要求14所述的系统,其特征在于:所述数据采集处理单元用于对所述预测单元预测获得的预设的未来时刻的预测结果进行反归一化处理,获得原始数据类型的电力数据预测值。
16.根据权利要求10所述的系统,其特征在于:所述可靠性保障单元用于设定多个保障措施,并对所述保障措施对保障优先级进行排序;
所述可靠性保障单元用于确认保障优先级最高的保障措施在所述端到端电力通信业务系统是否可应用;
若能够应用当前保障措施,判断当前的保障措施是否有效;
若有效,则维持该保障措施,并返回步骤1持续进行电力数据监控;
若无效,则维持该保障措施,并对优先级下一顺序的保障措施是否可应用进行确认,并在可应用当前保障措施的情况下,判断当前的保障措施是否有效;
若所述端到端电力通信业务系统无法应用该措施,则对优先级下一顺序的保障措施是否可应用进行确认。
17.根据权利要求16所述的系统,其特征在于:所述保障措施按优先级顺序依次为:
是否能优化光转换单元以及光放大器参数;
是否能减少传输链路中光放大器数量;
是否有备用路由,切换备用路由;
是否能增加备用路由。
18.根据权利要求10所述的系统,其特征在于:所述系统还包括业务受损报告生成单元;
若所述可靠性保障措施无效,所述业务受损报告生成单元根据电力数据生成业务受损报告,并按预设途径发送所述业务受损报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148426.0A CN111160603B (zh) | 2019-11-21 | 2019-11-21 | 一种端到端电力通信业务可靠性保障方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148426.0A CN111160603B (zh) | 2019-11-21 | 2019-11-21 | 一种端到端电力通信业务可靠性保障方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160603A true CN111160603A (zh) | 2020-05-15 |
CN111160603B CN111160603B (zh) | 2022-11-25 |
Family
ID=70556069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148426.0A Active CN111160603B (zh) | 2019-11-21 | 2019-11-21 | 一种端到端电力通信业务可靠性保障方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160603B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117728585A (zh) * | 2024-02-07 | 2024-03-19 | 华能江苏综合能源服务有限公司 | 一种分布式光伏电站状态预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
CN110333987A (zh) * | 2019-07-04 | 2019-10-15 | 湖南大学 | 设备体检报告生成方法、装置、计算机设备和存储介质 |
-
2019
- 2019-11-21 CN CN201911148426.0A patent/CN111160603B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
CN110008079A (zh) * | 2018-12-25 | 2019-07-12 | 阿里巴巴集团控股有限公司 | 监控指标异常检测方法、模型训练方法、装置及设备 |
CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
CN110333987A (zh) * | 2019-07-04 | 2019-10-15 | 湖南大学 | 设备体检报告生成方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
姜媛媛等: "基于LS-SVM的电力电子电路故障预测方法", 《电机与控制学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117728585A (zh) * | 2024-02-07 | 2024-03-19 | 华能江苏综合能源服务有限公司 | 一种分布式光伏电站状态预测方法及系统 |
CN117728585B (zh) * | 2024-02-07 | 2024-05-10 | 华能江苏综合能源服务有限公司 | 一种分布式光伏电站状态预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111160603B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
CN111652496B (zh) | 基于网络安全态势感知系统的运行风险评估方法及装置 | |
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
KR101758870B1 (ko) | 마이닝 관리 시스템 및 이를 이용한 마이닝 관리 방법 | |
US10880181B2 (en) | Methods and apparatus for analysing performance of a telecommunications network | |
US20180330250A1 (en) | Energy management system with intelligent anomaly detection and prediction | |
CN110912737A (zh) | 一种基于混合模型的动态感知性能预告警方法 | |
EP3923517A1 (en) | System and method for predicting and handling short-term overflow | |
CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
CN111506635A (zh) | 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法 | |
CN114841705B (zh) | 一种基于场景识别的反欺诈监测方法 | |
CN115865483A (zh) | 一种基于机器学习的异常行为分析方法和装置 | |
US10545465B2 (en) | System and method for selecting controllable parameters for equipment operation safety | |
CN111160603B (zh) | 一种端到端电力通信业务可靠性保障方法及系统 | |
CN117580046A (zh) | 一种基于深度学习的5g网络动态安全能力调度方法 | |
CN115878171A (zh) | 中间件配置的优化方法、装置、设备及计算机存储介质 | |
CN113807452B (zh) | 一种基于注意力机制的业务过程异常检测方法 | |
CN105634781B (zh) | 一种多故障数据解耦方法和装置 | |
CN117674128A (zh) | 基于电力调度系统自动化故障排除方法 | |
CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
CN115833927A (zh) | 一种纤芯的切换方法、装置、电子设备和存储介质 | |
CN112381182A (zh) | 基于交互式多任务模型进行日常活动预测方法 | |
CN117667495B (zh) | 一种关联规则与深度学习集成的应用系统故障预测方法 | |
CN115146261B (zh) | 应对数字云服务的数据威胁处理方法及服务器 | |
CN117993894B (zh) | 基于人工智能的轨道交通运维状态数据处理方法及系统 |
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 |