电力骨干通信网故障诊断主要依靠公司各级通信调度定期巡视设备网管及综合网管的重要告警、重要性能数据来完成。故障诊断过于依赖运维人员经验，故障诊断效率不高。开展基于深度学习的电力骨干通信网数据采集、故障诊断、风险预判和网络健康管理技术研究，将推动故障处置从依靠经验转变为智能诊断、日常运维从事中被动处置转变为事前主动防御，对提高电网通信调度故障处置效率、提升电力骨干通信网及电网安全运行水平具有重要的意义。电力通信网络故障传统的诊断方法主要是由网络管理员主动轮询网络的运行状态。并根据现有的网络数据进行判断，但其使用的阈值和准确性依赖于网络管理员积累的经验。但是随着电力通信网的发展，大量的电力系统业务需要通过电力通信网传输信息，电力系统生产部门对电力通信网的可靠性要求也越来越高，传统的网络故障诊断方法受人为主观因素影响较大，智能化的故障检测、故障定位与故障识别技术成为研究的主流方向。本文提出了一种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。
1总体设计
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，先对其现有的数据进行采集并且对已有的故障诊断技术调研，从网络中的故障信息中研究分析故障信息的特征与类别；然后对基于深度学习方法的故障诊断网络模型进行分析研究，重点研究其应用与合适的故障诊断模型的建立，其中主要分为三个部分：（1）针对电力骨干通信网的故障信息和各种数据进行采集及挖掘，并对数据进行预处理；（2）研究已有的深度网络模型，利用深度网络对电力骨干通信网故障特征的提取以实现分类的目标，并最终基于深度学习建立电力骨干通信网故障诊断模型；（3）基于深度学习的网络故障及风险资源定位技术的研究，最终实现网络故障的高效排除，有效的使网络运行降低风险。
2电力骨干网络的各种数据及故障信息的数据采集及预处理技术
数据采集是对一个或多个信号获取对象信息。异构数据采集主要是从不同数据源采集不同周期、格式、结构的数据。持续的数据采集方法在通信网各个领域都有较为成熟的应用。采集到的数据作为智能电网通信管理系统的动态数据源，完成所采集数据的集中、自动收集、预处理和模型适配。我们利用现有的数据采集平台，综合网管和设备网管采集电力骨干通信网中的数据，因考虑到多个厂商的不同设备，所以利用综合网管和设备网管采集电力骨干通信网的各种数据，在设备上开放接口，采集网管收集不到电力骨干通信网的数据，保证数据的完善性。通过对电力骨干通信网络的各种数据及故障信息采集及挖掘，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，对其进行数据归约，数据集成，数据格式变换，实现对数据的预处理，做好前期准备工作，使故障诊断模型有合适的输入数据。
3深度学习
将深度学习引入电力骨干通信网，使用其方法达到高效准确的故障定位。故障诊断模型建立的首要步骤是特征提取，特征的好坏最终影响着故障诊断模型的有效性。利用深度学习的方法对电力骨干通信网预处理后的数据进行特征提取及分类，在网络中训练，最终使模型训练有效。与传统模式识别方法的不同之处在于深度学习是从数据中自动学习特征，并分析，而非手工设计特征。好的特征可以极大提高模式识别系统的性能，提供数据的语义和结构信息，使简单的任务模型能取得良好的学习效果，其所学习到的特征往往具有较高的抽象性和语义性。通过逐层变换，深度模型可以在不同层抽象出数据的不同表示，从而很好的适应于机器学习的各种任务中。现有的深度学习方法大多采用特征变换、非线性操作和特征选择（约简）的多层迭代模型，所解决的问题多集中在具有二维空间结构意义的领域。
4故障诊断
电力骨干通信网是支撑自动化电网调度和公司管理信息化的重要基础设施，电力骨干通信网一旦发生故障，如果不能及时处理，不仅中断本站点业务，还会造成其他站点的业务传输中断，甚至造成大面积影响。因此，为了避免发生上述情形，根据电力骨干通信网风险规避的原则，网管系统应当对网络中发生故障的通信网络设备光缆风险资源进行快速准确无误的定位，并给出合理的影响评价和度量，保证大量的、密集互联的网络设备良好运行，降低网络运行风险。基于深度学习的模型我们提出了以下三种方法用于电力骨干通信网的故障诊断模型的建立。（1）基于卷积神经网络（CNN）的电力骨干通信网故障诊断模型的建立卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈神经网络，通过卷积核，神经元可以与周围单元覆盖连接。基于CNN的电力骨干通信网故障诊断模型。（2）基于循环神经网络（RNN）的电力骨干通信网模型的建立环神经网络（RNN）与CNN不同之处在于一个序列当前的输出与前面的输出也有关。RNN网络会对之前网络输出的信息进行记忆并在当前网络的输出参与计算，即隐藏层之间的节点是有连接的，而不像cnn一样无连接，并且输入层的输出与上一时刻隐藏层的输出一起作为隐藏层的输入。（3）基于长短期记忆网络（LSTM）的电力骨干通信网模型的建立长短期记忆网络（LSTM）是一种特殊的RNN，关键点是单元状态，保证信息以不变的方式向下流动，LSTM有能力向单元状态中移除或添加信息，通过结构来仔细管理称为门限。一般来说，模型最优解的搜索空间，随着迭代次数、学习步长等等超参数的维度和取值范围极速增长。所以，一次模型训练结果通常不是最优，甚至不是相对较好的结果。因此，对模型进行后续的调优是非常有必要的。我们基于训练出来的模型的参数变化轨迹，初始参数设置，超参数设置及利用凸优化方法调优等方面的认知，有针对地进行模型的优化处理。以上三种方法都是基于深度学习完成的电力骨干通信网故障诊断模型的建立，基于深度学习的故障诊断模型能够从大数据中不断的学习到数据本身的特征，从输入数据中学习到更具有表示能力的特征，从而高效便捷的提高故障诊断的准确性。
5总结
本文采用深度学习方法实现电力网络故障的预判及诊断。通过系统导出及各种数据挖掘方法获取大量省级以上电力公司骨干网络的各层拓扑、业务数据及故障信息，建立深度学习的数据样本。通过深度学习的特征学习方法自动挖掘网络故障及风险点特征并进行分类，预测网络风险资源，实现对故障点、故障链路的预测与快速定位、网络运行健康状况管理，进一步精准把控网络状态。
作者:吴利杰 安致嫄 张勇 王春迎 单位:国网河南省电力公司信息通信公司
