本文针对电力骨干通信网中基于人工智能的告警预测问题,提出了一种基于脏数据预处理的告警预测(Dirty-Data-Based Alarm Prediction,DAP)算法。通过仿真对比分析可知,DAP算法能够在较大程度上提高告警预测的精确度。
关键词：电力骨干；通信网；预警方法
引言
电力骨干通信网的组成越来越复杂，使得原本少量的一般报警信号，也大量重复出现。大量的报警信号将耗费大量的人力物力去排除，影响电力骨干通信网络的正常运行，所以设计一种在电力骨干通信网中能够通过对报警信号的分析，预测故障的预测系统显得极其的重要。
1电力骨干通信网
电力骨干通信网作为电力通信网的骨干网络，主要是由四级区域网络构成，一般来说在主要包括配电变电站、变电站、枢纽变电站和更高电压等级的变电站的通信网络。而电力通信网的另一个组成部分就是终端通信网络，一般来说终端通信网络一般覆盖在配电网络和380V民用电网络中。电力通信网络中目前采用光纤通信的方法进行网络数据的传输，将数据通信、电视电话会议、调度通信和信号等多种数据进行传输，采用通信网络管理系统并且有同步网络做后备，实现电网的网络化，实时运行调度监控管理。本文主要讨论的是电力骨干通信网络，所有针对骨干网络一般在各级变电站、配电站都有固定的通信屏柜，设备相对固定且集中。
1.1硬件组成
电力通信网的中心数据服务器、分散在各个变电站的工作站服务器、协议网关、网络交换机、各级路由器、各级服务器、通道设备、通信联网前置机、数据收发设备、数据采集设备、电源等。
1.2软件组成
基础操作系统、数据库系统、实时数据系统、交换协议、管理协议、相应功能的技术服务、图形化平台等。而电力骨干通信网络中可能出现的各种报警信号就是源于以上的各个组成部分，以上各个组成部分可能出现报警信号。
1.3运行模式
电力骨干通信网络的运行模式是按照国家和省级电力部门的安排，进行按等级、层级联网的形式运行的。在国家和省级的电力骨干通信网络中，主要实现跨区域的数据交互功能，例如实现华东、华北地区之间的电力信息交互，给国家和省级电力部门提供数据支撑，实现电力系统整体的运行监控和实时的跨区域电力调度。在省内区域的电力骨干通信网络中，一般直接针对到具体的站和设备，分为信息管理部门和生产管控部门，两个部门之间采用防火墙进行数据安全隔离。电力骨干通信网一般需要实现实时的站内数据监控、网络资源管理、实时通信和其他的一些专业性管理。同时通信网络是可以上下层级数据交互，不同站点之间的数据可以交互，同时拥有数据采集功能。而对于电力骨干通信网络预警的数据采集和报警显示就需要对以上多个功能的优化提升。
期刊文章分类查询,尽在期刊图书馆
2基于骨干电力通信网的故障诊断及预判
2.1总体研究思路
研究基于深度学习的电力骨干通信网数据采集及故障诊断技术，具体研究包括：（1）电力骨干通信网的各种数据及故障信息的数据采集及挖掘技术的研究，实现对正常与异常数据的预处理；（2）各种深度网络模型建模，利用深度网络学习方法开展针对电力骨干通信网故障特征及分类的研究，完成基于深度学习的电力骨干通信网中的故障诊断模型的建立；（3）基于深度学习的网络故障及风险资源定位技术的研究，实现对电力骨干通信网中网络故障的准确定位，降低网络的运行风险；（4）研究基于电力骨干通信网的网络运行健康管理技术，快速准确的定位网络中的薄弱部位，从而减少网络运行的潜在风险。
2.2故障信息数据采集及预处理技术
电力骨干通信网络的各种数据及故障信息的数据处理是电力骨干通信网络故障诊断的第一步，通过对电力骨干通信网络的各种数据及故障信息的数据采集及挖掘技术的研究，分析电力骨干通信网络的各种数据及故障信息的数据采集及挖掘技术的需求，利用数据采集及挖掘技术实现对正常数据和异常数据的预处理，包括数据格式变换，数据归约，数据集成，以满足故障诊断模型对输入数据的要求。数据采集方案分为以下两步：（1）通过RESTful接口利用综合网管和设备网管统一采集数据，包括故障时段的操作、告警、事件及设备配置数据，以满足我们对数据规模、数据类型的要求。（2）将采集到的数据通过数据驱动存储到数据中心。A.数据驱动：为数据中心提供数据采集能力。支持并发采集，提升效率；支持脚本采集，提升精确度；周期采集等；B.数据中心：系统所需计算的所有数据的存储和访问接口。
2.3基于深度学习模型建立
将深度学习引入电力骨干通信网，利用深度学习方法对电力骨干通信网实现高效准确的故障定位。特征提取影响着故障诊断模型的有效性，是故障诊断模型建立的关键步骤。针对电力骨干通信网预处理后的数据，利用深度学习的方法对预处理后的数据进行特征提取及分类，完成故障诊断模型的训练。
深度学习的实质是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。区别于传统的浅层学习，深度学习的不同在于：（1）强调了模型结构的深度，通常有5层、6层，甚至10多层的隐层节点；（2）明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。
2.4基于深度学习的网络故障及风险资源定位技术
我们基于以上研究的电力骨干通信网的故障诊断模型，能够实现在线实时监测电力骨干通信网络的运行状态，实现对网络故障及风险资源的定位。同时，我们提出电力骨干通信网故障定位的融合算法作为对比算法，验证基于深度学习的电力骨干通信网故障及风险资源定位的有效性和准确性。利用电力骨干通信网故障诊断模型对网络告警信息进行分类处理，为网络中某个设备故障过滤掉不必要或不相关的告警，从众多的告警信息中获取有价值的告警信息，为网络管理员提供告警信息更精确的视图，快速准确的实现故障定位。风险资源的及时准确定位。一方面利用电力骨干通信网的故障诊断模型，对电力骨干通信网的运行数据进行实时监测；另一方利用已收集的告警信息，建立故障特征参数和故障原因之间的映射关系，基于深度学习的电力骨干通信网故障诊断模型实现对风险资源的掌控处理，分析实时故障特征参数，找出故障发生的可能原因。综合网络资源管理系统和电子运维系统实现了初步互联。电子运维系统的相关方式单会发送到综合资管系统备案。方式单编制目前还是采取人工查询专业网管的传统方式。
结语
电力骨干通信网络的责任也越来越大，在这种情况下针对目前电力骨干网络现状、特性的进行分析，能够理清思路，促进电网骨干通信网络预警的发展。通过对电力骨干通信网络预警研究的深入，将更好的有助于电力通信网络工作的开展，实现电力通信网络的安全平稳运行。
参考文献
[1]朱兴地.光网络波分设备光功率异常和误码故障处理探讨[J].电脑知识与技术,2011,7(35):9256-9257,9261.
[2]胡泽文,肖明清.基于时间序列模型的故障预测研究[J].计算机测量与控制,2013,21(6):1421-1423,1427.
[3]崔丽华,闫伯元,赵永利.边缘计算与云计算协同的SOON实现机制[J].光通信研究,2018(6):38-41,65.
论文作者:田丽霞
论文发表刊物:《当代电力文化》2019年 17期
论文发表时间:2020/1/9
标签：骨干论文; 电力论文; 通信网论文; 数据论文; 通信网络论文; 故障论文; 网络论文; 《当代电力文化》2019年 17期论文;