張書林，劉 軍，閆龍川，王 穎，張 寧，劉 識，唐 佳，宋桂林

（國家電網公司信息通信分公司，北京 100761）

0 引言

電力通信網依托于電網，服務于電網安全生產及公司企業(yè)經營，是電力系統(tǒng)的重要基礎設施，是電網生產經營業(yè)務的物理承載網絡，是確保電網安全、穩(wěn)定、經濟運行的重要保障。當前，“西電東送，南北互供”的特高壓網架結構日趨完善，全球能源互聯(lián)網建設加快推進，電力骨干通信網絡的規(guī)模隨之不斷擴大，拓撲結構日益復雜，新型電網生產業(yè)務數量快速增長。在海量運行維護數據面前，電力通信運維人員只能將有限的精力集中到關系業(yè)務通斷性的重要告警及相關性能上，而對于大量反映生產運行本質的深層次運行數據，例如設備劣化性能、網管次要告警及事件等數據，卻無暇顧及也無手段顧及，這成為當前電力通信調度生產工作的最大的痛點及難點。

人工智能等新技術的發(fā)展使得解決上述實際生產難題成為可能。2017年3月國務院頒布《新一代人工智能發(fā)展規(guī)劃》，人工智能上升為國家戰(zhàn)略，人工智能發(fā)展進入新階段。深度學習作為人工智能領域的核心技術之一，優(yōu)勢在于可快速準確實現(xiàn)海量數據的有效分析，較好匹配了電力骨干通信網絡運行維護數據快速增長、海量處理、多元異構等特征，成為解決電力骨干通信網絡故障處置及預判的問題的合適方法之一，目前在通信網絡運行維護領域中尚無應用范例。

1 深度學習技術及應用研究

目前，深度學習技術正受到全球關注，被廣泛的應用于各行各業(yè)。深度學習是機器學習領域研究的最新進展，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本，在語音識別、圖像分類等領域取得了比較好的成果[1-3]。

深度學習的概念源于人工神經網絡的研究，通過組合低層特征形成更加抽象的高層表示的屬性類別或特征，以發(fā)現(xiàn)數據的分布式特征來表示。深度學習這一概念最早是由加拿大學者 Hinton等人于2006年提出[4]。Hinton在世界頂級學術期刊《科學》上的一篇論文中提出了兩個觀點[5]：（1）多層人工神經網絡模型有很強的特征學習能力，深度學習模型學習得到的特征數據對原始數據有更本質的代表性，這將大大便于分類和可視化；（2）對于深度神經網絡很難訓練達到最優(yōu)的問題，可以采用逐層訓練方法解決。將上層訓練好的結果作為下層訓練過程中的初始化參數[6-8]。

我國從20世紀70年代末開始啟動人工智能這一主題研究，陸續(xù)取得了不錯的成果。自2010年以來，由于深度學習技術在各行各業(yè)的應用愈來愈廣泛，我國已經將深度學習技術列為國家技術研究計劃當中，成立了專項資金用于深度學習的研究和探索，在計算機視覺、語音識別和文本技術處理等方面已經進入國際先進行列[9-11]?？v觀我國人工智能技術與產業(yè)發(fā)展，中科院、清華大學、百度、科大訊飛等科研機構和公司均已經開展深度學習理論算法、建模等方面的研究，有關人腦網絡結構與認知結構的研究也開始開展。

目前，深度學習技術逐漸被應用到電網運行監(jiān)測、用戶行為分析預測、電力分析負荷預測等方面，為電網運營者提供經營輔助決策、保障電網的健康運行做出可觀的貢獻[12-15]。目前，深度學習技術在電力行業(yè)中的應用主要在以下三方面：（1）電網運行監(jiān)測：利用深度學習技術對電網運行情況進行實時監(jiān)控，對無法正常運行的電力設備進行故障診斷和分析、調度分析等。（2）用戶行為分析預測：收集電力用戶用電信息，對用戶用電行為進行分析，預測用戶用電需求、購電方式等信息，提升服務用戶水平。式等信息，提升服務用戶水平等人基于特征優(yōu)選策略實現(xiàn)了一種特征自適應的用戶用電行為分析方法，完成優(yōu)化的用戶用電行為分析。（3）電力負荷分析與預測：電力負荷預測是制定發(fā)電計劃和電力系統(tǒng)發(fā)展規(guī)劃的基礎，精確的負荷預測對于電力系統(tǒng)經濟、安全、可靠地運行具有重要意義。

2 基于骨干電力通信網的故障診斷及預判

2.1 總體研究思路

研究基于深度學習的電力骨干通信網數據采集及故障診斷技術，具體研究包括：（1）電力骨干通信網的各種數據及故障信息的數據采集及挖掘技術的研究，實現(xiàn)對正常與異常數據的預處理；（2）各種深度網絡模型建模，利用深度網絡學習方法開展針對電力骨干通信網故障特征及分類的研究，完成基于深度學習的電力骨干通信網中的故障診斷模型的建立；（3）基于深度學習的網絡故障及風險資源定位技術的研究，實現(xiàn)對電力骨干通信網中網絡故障的準確定位，降低網絡的運行風險；（4）研究基于電力骨干通信網的網絡運行健康管理技術，快速準確的定位網絡中的薄弱部位，從而減少網絡運行的潛在風險。具體的研究路線如圖1所示。

2.2 故障信息數據采集及預處理技術

電力骨干通信網絡的各種數據及故障信息的數據處理是電力骨干通信網絡故障診斷的第一步，通過對電力骨干通信網絡的各種數據及故障信息的數據采集及挖掘技術的研究，分析電力骨干通信網絡的各種數據及故障信息的數據采集及挖掘技術的需求，利用數據采集及挖掘技術實現(xiàn)對正常數據和異常數據的預處理，包括數據格式變換，數據歸約，數據集成，以滿足故障診斷模型對輸入數據的要求。

數據采集方案分為以下兩步：

（1）通過RESTful接口利用綜合網管和設備網管統(tǒng)一采集數據，包括故障時段的操作、告警、事件及設備配置數據，以滿足我們對數據規(guī)模、數據類型的要求。

（2）將采集到的數據通過數據驅動存儲到數據中心。

圖1 基于深度學習的故障診斷及預判研究思路Fig.1 Failure diagnosis and pre-judgment method based on deep learning in electric backbone communication networks

A. 數據驅動：為數據中心提供數據采集能力。支持并發(fā)采集，提升效率；支持腳本采集，提升精確度；周期采集等；B. 數據中心：系統(tǒng)所需計算的所有數據的存儲和訪問接口。

2.3 基于深度學習模型建立

將深度學習引入電力骨干通信網，利用深度學習方法對電力骨干通信網實現(xiàn)高效準確的故障定位。特征提取影響著故障診斷模型的有效性，是故障診斷模型建立的關鍵步驟。針對電力骨干通信網預處理后的數據，利用深度學習的方法對預處理后的數據進行特征提取及分類，完成故障診斷模型的訓練。圖2是基于深度學習的電力骨干通信網的故障診斷模型的建立。

深度學習的實質是通過構建具有很多隱層的機器學習模型和海量的訓練數據，來學習更有用的特征，從而最終提升分類或預測的準確性。因此，“深度模型”是手段，“特征學習”是目的。區(qū)別于傳統(tǒng)的淺層學習，深度學習的不同在于：（1）強調了模型結構的深度，通常有5層、6層，甚至10多層的隱層節(jié)點；（2）明確突出了特征學習的重要性，也就是說，通過逐層特征變換，將樣本在原空間的特征表示變換到一個新特征空間，從而使分類或預測更加容易。

圖2 基于深度學習的故障診斷模型的建立Fig.2 Deep learning based failure diagnosis model

2.4 基于深度學習的網絡故障及風險資源定位技術

我們基于以上研究的電力骨干通信網的故障診斷模型，能夠實現(xiàn)在線實時監(jiān)測電力骨干通信網絡的運行狀態(tài)，實現(xiàn)對網絡故障及風險資源的定位。同時，我們提出電力骨干通信網故障定位的融合算法作為對比算法，驗證基于深度學習的電力骨干通信網故障及風險資源定位的有效性和準確性。

圖3 基于深度學習的電力骨干通信網風險資源評估Fig.3 Deep learning based evaluation and resource location in electric backbone communication networks

利用電力骨干通信網故障診斷模型對網絡告警信息進行分類處理，為網絡中某個設備故障過濾掉不必要或不相關的告警，從眾多的告警信息中獲取有價值的告警信息，為網絡管理員提供告警信息更精確的視圖，快速準確的實現(xiàn)故障定位。

風險資源的及時準確定位。一方面利用電力骨干通信網的故障診斷模型，對電力骨干通信網的運行數據進行實時監(jiān)測；另一方利用已收集的告警信息，建立故障特征參數和故障原因之間的映射關系，基于深度學習的電力骨干通信網故障診斷模型實現(xiàn)對風險資源的掌控處理，分析實時故障特征參數，找出故障發(fā)生的可能原因。綜合網絡資源管理系統(tǒng)和電子運維系統(tǒng)實現(xiàn)了初步互聯(lián)。電子運維系統(tǒng)的相關方式單會發(fā)送到綜合資管系統(tǒng)備案。方式單編制目前還是采取人工查詢專業(yè)網管的傳統(tǒng)方式。

3 面向電力生產業(yè)務的傳輸網智能重構研究

3.1 研究總體路線：

本課題主要研究面向電力生產業(yè)務的傳輸網智能重構方法研究，結合電力通信網業(yè)務可靠性要求及生產運維實際需要，首先，研究深度學習網絡特征表示與電力生產業(yè)務承載方式關系，將新的深度學習特征表示方法引入業(yè)務路由計算，建立故障信息與業(yè)務路由計算的模型關系；其次，基于網絡拓撲結構、線路資源狀態(tài)、業(yè)務信息以及故障信息，使用人工智能算法，獲得通道重構的最佳決策；最后，針對具有重構能力的電力通信網，采用機器學習方法，挖掘網絡運行內在規(guī)律，實現(xiàn)電力通信網通道重構后可靠性的評估。

3.2 電力通信網智能路由重構算法：

圖4 傳輸網智能重構研究總體路線圖Fig.4 Intelligent reconstruction in transmission networks

針對電力骨干通信網發(fā)生故障后的路由重構問題，課題二采用一種智能的重構算法解決該問題，將深度學習的思想引入已有的啟發(fā)式算法中，具體為深度學習耦合啟發(fā)式算法的混合算法模型。在智能重構的過程中，考慮業(yè)務傳輸的可靠性需求，并引入電力骨干通信網的實際需求，如時延、傳輸距離等約束條件。基于課題一從海量電力通信網的運維數據中挖掘到的故障診斷結果，采用深度學習耦合啟發(fā)式算法的混合算法模型，從隨機解出發(fā)，在滿足業(yè)務可靠性需求和實際物理約束下，通過迭代尋找最優(yōu)解，并一步步向最優(yōu)重構結果移動，旨在建立電力通信網中故障觸發(fā)下的業(yè)務可靠傳輸的最優(yōu)重構路由。

3.3 電力通信網重構下的可靠性評估：

圖5 基于深度學習耦合啟發(fā)式算法的流程圖Fig.5 Heuristic algorithm flowchart based on deep learning method

電力通信網絡在受到風險威脅時，直觀反映在電力生產業(yè)務傳輸性能的抖動。本課題通過深度學習算法，挖掘在電力通信網絡受到威脅時，電力業(yè)務實時傳輸特征與電力通信網可靠性的關系，以此建立風險評估模型。本項技術在進行業(yè)務特征值提取時，創(chuàng)新性的引入了彈性物理理論，將電力業(yè)務試做可以彈性擠壓的彈性體，用以刻畫電力業(yè)務在受到威脅時關聯(lián)關系（即擠壓關系）的變化。因此，本項目在使用深度學習訓練參數時，并不直接簡單運用業(yè)務傳輸參數，而是利用彈性模型進行處理，將處理后的數據特征值作為深度學習神經網絡的輸入。這樣可以將不同電力業(yè)務之間本身存在的耦合關聯(lián)關系引入到深度學習中，使得模型更為真實、高效。

4 總結

本項目基于深度學習技術，將新一代人工智能技術與電力骨干通信網調度監(jiān)控和運行維護實際工作需求緊密結合，重點解決電力通信調度運行中故障快速處置、業(yè)務智能重構、方式優(yōu)化安排、風險評估預測與設備運行狀態(tài)健康管理等實際生產問題，對提升國網公司電力通信主動性運行水平，將運行風險管控從事中向事前傾斜，更好地支撐電網生產業(yè)務、特高壓發(fā)展和全球能源互聯(lián)網建設都具有重要的現(xiàn)實意義。

[1] Cardoso G, Rolim J G, Zurn H H．Identifying the primary fault section after contingencies in bulk power systems[J] .IEEE Transactions on Power Delivery, 2008, 23(3): 1335-1342.

[2] D.Stamatelakis, W.D.Grover. Theoretical Underpinnings for the Efficiency of Restorable Networks Using Preconfigured Cycles (“p-cycles”). IEEE TRANSACTIONS ON COMMUNICATIONS, VOL. 48, NO. 8, AUGUST 2000.

[3] Wayne D. Grover,Aden Grue. Self-Fault Isolation in Transparent p-Cycle Networks: p-Cycles as Their Own m-Cycles. IEEE COMMUNICATIONS LETTERS, VOL. 11,NO. 12, DECEMBER 2007.

[4] Talebi H A, Khorasani K, Tafazoli S, et al. A recurrent neural-network-based sensor and actuator fault detection and isolation for nonlinear systems with application to the satellite’s attitude control subsystem[J]. IEEE Trans.

[5] Park Y M, Kim G W, Sohn J M．A logic based expert system(LBES) for fault diagnosis of power system[J]. IEEE Transaction on Power Systems, 1997, 12(1): 363-369.

[6] BOULOUTAS A T, CALO S, FINKEL A. Alarm correlation and fault identification in communication networks[J]. IEEE Transactions on Communications, 1994,42(2/3/4): 523-533.

[7] Diane Prisca Onguetou, Wayne D. Grover. Solution of a 200-node p-Cycle Network Design Problem with GA-based Pre-Selection of Candidate Structures. IEEE International Conference on Communications, 2009. 俞弦, 施健, 唐云善,等. 智能電網通信管理系統(tǒng)建設研究[J]. 電力系統(tǒng)通信,2011, 32(5): 101-105.

[8] 王向. 復雜非線性系統(tǒng)智能故障診斷及容錯控制方法研究[D]. 燕山大學, 2012.

[9] 陳琳. 網絡故障診斷關鍵技術的研究[D]. 國防科學技術大學, 2005.

[10] 胡厚偉. 雙調度通信系統(tǒng)在嘉興電廠的應用[J]. 電力系統(tǒng)通信, 2009. 30(8): 51-54.

[11] 鮑厚濟. ATM交換系統(tǒng)與湖北電力交換網聯(lián)網的探討[J].湖北電力, 2004. 28(2): 57-59.

[12] 畢研秋, 趙建國. 基于 OPNET的電力系統(tǒng)廣域信息網絡研究[J]. 電力自動化設備, 2008, 28(6): 103-107.

[13] 李彤巖. 基于數據挖掘的通信網告警相關性分析研究[D].電子科技大學, 2010.

[14] 熊小萍, 譚建成, 林湘寧. 基于 MPLS 的廣域保護通信系統(tǒng)路由算法[J]. 電工技術學報, 2013, 28(6): 257-263.

[15] 王陽光. 應對災變的廣域保護信息處理及通信技術研究[D]. 武漢: 華中科技大學, 2010.