基于深度學(xué)習(xí)的電力骨干通信網(wǎng)故障診斷研究

張書林，劉 軍，閆龍川，王 穎，張 寧，劉 識，唐 佳，宋桂林

（國家電網(wǎng)公司信息通信分公司，北京 100761）

0 引言

電力通信網(wǎng)依托于電網(wǎng)，服務(wù)于電網(wǎng)安全生產(chǎn)及公司企業(yè)經(jīng)營，是電力系統(tǒng)的重要基礎(chǔ)設(shè)施，是電網(wǎng)生產(chǎn)經(jīng)營業(yè)務(wù)的物理承載網(wǎng)絡(luò)，是確保電網(wǎng)安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行的重要保障。當(dāng)前，“西電東送，南北互供”的特高壓網(wǎng)架結(jié)構(gòu)日趨完善，全球能源互聯(lián)網(wǎng)建設(shè)加快推進(jìn)，電力骨干通信網(wǎng)絡(luò)的規(guī)模隨之不斷擴(kuò)大，拓?fù)浣Y(jié)構(gòu)日益復(fù)雜，新型電網(wǎng)生產(chǎn)業(yè)務(wù)數(shù)量快速增長。在海量運(yùn)行維護(hù)數(shù)據(jù)面前，電力通信運(yùn)維人員只能將有限的精力集中到關(guān)系業(yè)務(wù)通斷性的重要告警及相關(guān)性能上，而對于大量反映生產(chǎn)運(yùn)行本質(zhì)的深層次運(yùn)行數(shù)據(jù)，例如設(shè)備劣化性能、網(wǎng)管次要告警及事件等數(shù)據(jù)，卻無暇顧及也無手段顧及，這成為當(dāng)前電力通信調(diào)度生產(chǎn)工作的最大的痛點及難點。

人工智能等新技術(shù)的發(fā)展使得解決上述實際生產(chǎn)難題成為可能。2017年3月國務(wù)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(jìn)入新階段。深度學(xué)習(xí)作為人工智能領(lǐng)域的核心技術(shù)之一，優(yōu)勢在于可快速準(zhǔn)確實現(xiàn)海量數(shù)據(jù)的有效分析，較好匹配了電力骨干通信網(wǎng)絡(luò)運(yùn)行維護(hù)數(shù)據(jù)快速增長、海量處理、多元異構(gòu)等特征，成為解決電力骨干通信網(wǎng)絡(luò)故障處置及預(yù)判的問題的合適方法之一，目前在通信網(wǎng)絡(luò)運(yùn)行維護(hù)領(lǐng)域中尚無應(yīng)用范例。

1 深度學(xué)習(xí)技術(shù)及應(yīng)用研究

目前，深度學(xué)習(xí)技術(shù)正受到全球關(guān)注，被廣泛的應(yīng)用于各行各業(yè)。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域研究的最新進(jìn)展，其動機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，例如圖像，聲音和文本，在語音識別、圖像分類等領(lǐng)域取得了比較好的成果[1-3]。

深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)的分布式特征來表示。深度學(xué)習(xí)這一概念最早是由加拿大學(xué)者 Hinton等人于2006年提出[4]。Hinton在世界頂級學(xué)術(shù)期刊《科學(xué)》上的一篇論文中提出了兩個觀點[5]：（1）多層人工神經(jīng)網(wǎng)絡(luò)模型有很強(qiáng)的特征學(xué)習(xí)能力，深度學(xué)習(xí)模型學(xué)習(xí)得到的特征數(shù)據(jù)對原始數(shù)據(jù)有更本質(zhì)的代表性，這將大大便于分類和可視化；（2）對于深度神經(jīng)網(wǎng)絡(luò)很難訓(xùn)練達(dá)到最優(yōu)的問題，可以采用逐層訓(xùn)練方法解決。將上層訓(xùn)練好的結(jié)果作為下層訓(xùn)練過程中的初始化參數(shù)[6-8]。

我國從20世紀(jì)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(xué)習(xí)技術(shù)在各行各業(yè)的應(yīng)用愈來愈廣泛，我國已經(jīng)將深度學(xué)習(xí)技術(shù)列為國家技術(shù)研究計劃當(dāng)中，成立了專項資金用于深度學(xué)習(xí)的研究和探索，在計算機(jī)視覺、語音識別和文本技術(shù)處理等方面已經(jīng)進(jìn)入國際先進(jìn)行列[9-11]。縱觀我國人工智能技術(shù)與產(chǎn)業(yè)發(fā)展，中科院、清華大學(xué)、百度、科大訊飛等科研機(jī)構(gòu)和公司均已經(jīng)開展深度學(xué)習(xí)理論算法、建模等方面的研究，有關(guān)人腦網(wǎng)絡(luò)結(jié)構(gòu)與認(rèn)知結(jié)構(gòu)的研究也開始開展。

目前，深度學(xué)習(xí)技術(shù)逐漸被應(yīng)用到電網(wǎng)運(yùn)行監(jiān)測、用戶行為分析預(yù)測、電力分析負(fù)荷預(yù)測等方面，為電網(wǎng)運(yùn)營者提供經(jīng)營輔助決策、保障電網(wǎng)的健康運(yùn)行做出可觀的貢獻(xiàn)[12-15]。目前，深度學(xué)習(xí)技術(shù)在電力行業(yè)中的應(yīng)用主要在以下三方面：（1）電網(wǎng)運(yùn)行監(jiān)測：利用深度學(xué)習(xí)技術(shù)對電網(wǎng)運(yùn)行情況進(jìn)行實時監(jiān)控，對無法正常運(yùn)行的電力設(shè)備進(jìn)行故障診斷和分析、調(diào)度分析等。（2）用戶行為分析預(yù)測：收集電力用戶用電信息，對用戶用電行為進(jìn)行分析，預(yù)測用戶用電需求、購電方式等信息，提升服務(wù)用戶水平。式等信息，提升服務(wù)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(yīng)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(fù)荷分析與預(yù)測：電力負(fù)荷預(yù)測是制定發(fā)電計劃和電力系統(tǒng)發(fā)展規(guī)劃的基礎(chǔ)，精確的負(fù)荷預(yù)測對于電力系統(tǒng)經(jīng)濟(jì)、安全、可靠地運(yùn)行具有重要意義。

2 基于骨干電力通信網(wǎng)的故障診斷及預(yù)判

2.1 總體研究思路

研究基于深度學(xué)習(xí)的電力骨干通信網(wǎng)數(shù)據(jù)采集及故障診斷技術(shù)，具體研究包括：（1）電力骨干通信網(wǎng)的各種數(shù)據(jù)及故障信息的數(shù)據(jù)采集及挖掘技術(shù)的研究，實現(xiàn)對正常與異常數(shù)據(jù)的預(yù)處理；（2）各種深度網(wǎng)絡(luò)模型建模，利用深度網(wǎng)絡(luò)學(xué)習(xí)方法開展針對電力骨干通信網(wǎng)故障特征及分類的研究，完成基于深度學(xué)習(xí)的電力骨干通信網(wǎng)中的故障診斷模型的建立；（3）基于深度學(xué)習(xí)的網(wǎng)絡(luò)故障及風(fēng)險資源定位技術(shù)的研究，實現(xiàn)對電力骨干通信網(wǎng)中網(wǎng)絡(luò)故障的準(zhǔn)確定位，降低網(wǎng)絡(luò)的運(yùn)行風(fēng)險；（4）研究基于電力骨干通信網(wǎng)的網(wǎng)絡(luò)運(yùn)行健康管理技術(shù)，快速準(zhǔn)確的定位網(wǎng)絡(luò)中的薄弱部位，從而減少網(wǎng)絡(luò)運(yùn)行的潛在風(fēng)險。具體的研究路線如圖1所示。

2.2 故障信息數(shù)據(jù)采集及預(yù)處理技術(shù)

電力骨干通信網(wǎng)絡(luò)的各種數(shù)據(jù)及故障信息的數(shù)據(jù)處理是電力骨干通信網(wǎng)絡(luò)故障診斷的第一步，通過對電力骨干通信網(wǎng)絡(luò)的各種數(shù)據(jù)及故障信息的數(shù)據(jù)采集及挖掘技術(shù)的研究，分析電力骨干通信網(wǎng)絡(luò)的各種數(shù)據(jù)及故障信息的數(shù)據(jù)采集及挖掘技術(shù)的需求，利用數(shù)據(jù)采集及挖掘技術(shù)實現(xiàn)對正常數(shù)據(jù)和異常數(shù)據(jù)的預(yù)處理，包括數(shù)據(jù)格式變換，數(shù)據(jù)歸約，數(shù)據(jù)集成，以滿足故障診斷模型對輸入數(shù)據(jù)的要求。

數(shù)據(jù)采集方案分為以下兩步：

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

（2）將采集到的數(shù)據(jù)通過數(shù)據(jù)驅(qū)動存儲到數(shù)據(jù)中心。

圖1 基于深度學(xué)習(xí)的故障診斷及預(yù)判研究思路Fig.1 Failure diagnosis and pre-judgment method based on deep learning in electric backbone communication networks

A. 數(shù)據(jù)驅(qū)動：為數(shù)據(jù)中心提供數(shù)據(jù)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(shù)據(jù)中心：系統(tǒng)所需計算的所有數(shù)據(jù)的存儲和訪問接口。

2.3 基于深度學(xué)習(xí)模型建立

將深度學(xué)習(xí)引入電力骨干通信網(wǎng)，利用深度學(xué)習(xí)方法對電力骨干通信網(wǎng)實現(xiàn)高效準(zhǔn)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(guān)鍵步驟。針對電力骨干通信網(wǎng)預(yù)處理后的數(shù)據(jù)，利用深度學(xué)習(xí)的方法對預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取及分類，完成故障診斷模型的訓(xùn)練。圖2是基于深度學(xué)習(xí)的電力骨干通信網(wǎng)的故障診斷模型的建立。

深度學(xué)習(xí)的實質(zhì)是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和海量的訓(xùn)練數(shù)據(jù)，來學(xué)習(xí)更有用的特征，從而最終提升分類或預(yù)測的準(zhǔn)確性。因此，“深度模型”是手段，“特征學(xué)習(xí)”是目的。區(qū)別于傳統(tǒng)的淺層學(xué)習(xí)，深度學(xué)習(xí)的不同在于：（1）強(qiáng)調(diào)了模型結(jié)構(gòu)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(xué)習(xí)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(yù)測更加容易。

圖2 基于深度學(xué)習(xí)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(xué)習(xí)的網(wǎng)絡(luò)故障及風(fēng)險資源定位技術(shù)

我們基于以上研究的電力骨干通信網(wǎng)的故障診斷模型，能夠?qū)崿F(xiàn)在線實時監(jiān)測電力骨干通信網(wǎng)絡(luò)的運(yùn)行狀態(tài)，實現(xiàn)對網(wǎng)絡(luò)故障及風(fēng)險資源的定位。同時，我們提出電力骨干通信網(wǎng)故障定位的融合算法作為對比算法，驗證基于深度學(xué)習(xí)的電力骨干通信網(wǎng)故障及風(fēng)險資源定位的有效性和準(zhǔn)確性。

圖3 基于深度學(xué)習(xí)的電力骨干通信網(wǎng)風(fēng)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(wǎng)故障診斷模型對網(wǎng)絡(luò)告警信息進(jìn)行分類處理，為網(wǎng)絡(luò)中某個設(shè)備故障過濾掉不必要或不相關(guān)的告警，從眾多的告警信息中獲取有價值的告警信息，為網(wǎng)絡(luò)管理員提供告警信息更精確的視圖，快速準(zhǔn)確的實現(xiàn)故障定位。

風(fēng)險資源的及時準(zhǔn)確定位。一方面利用電力骨干通信網(wǎng)的故障診斷模型，對電力骨干通信網(wǎng)的運(yùn)行數(shù)據(jù)進(jìn)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(shù)和故障原因之間的映射關(guān)系，基于深度學(xué)習(xí)的電力骨干通信網(wǎng)故障診斷模型實現(xiàn)對風(fēng)險資源的掌控處理，分析實時故障特征參數(shù)，找出故障發(fā)生的可能原因。綜合網(wǎng)絡(luò)資源管理系統(tǒng)和電子運(yùn)維系統(tǒng)實現(xiàn)了初步互聯(lián)。電子運(yùn)維系統(tǒng)的相關(guān)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(wǎng)管的傳統(tǒng)方式。

3 面向電力生產(chǎn)業(yè)務(wù)的傳輸網(wǎng)智能重構(gòu)研究

3.1 研究總體路線：

本課題主要研究面向電力生產(chǎn)業(yè)務(wù)的傳輸網(wǎng)智能重構(gòu)方法研究，結(jié)合電力通信網(wǎng)業(yè)務(wù)可靠性要求及生產(chǎn)運(yùn)維實際需要，首先，研究深度學(xué)習(xí)網(wǎng)絡(luò)特征表示與電力生產(chǎn)業(yè)務(wù)承載方式關(guān)系，將新的深度學(xué)習(xí)特征表示方法引入業(yè)務(wù)路由計算，建立故障信息與業(yè)務(wù)路由計算的模型關(guān)系；其次，基于網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、線路資源狀態(tài)、業(yè)務(wù)信息以及故障信息，使用人工智能算法，獲得通道重構(gòu)的最佳決策；最后，針對具有重構(gòu)能力的電力通信網(wǎng)，采用機(jī)器學(xué)習(xí)方法，挖掘網(wǎng)絡(luò)運(yùn)行內(nèi)在規(guī)律，實現(xiàn)電力通信網(wǎng)通道重構(gòu)后可靠性的評估。

3.2 電力通信網(wǎng)智能路由重構(gòu)算法：

圖4 傳輸網(wǎng)智能重構(gòu)研究總體路線圖Fig.4 Intelligent reconstruction in transmission networks

針對電力骨干通信網(wǎng)發(fā)生故障后的路由重構(gòu)問題，課題二采用一種智能的重構(gòu)算法解決該問題，將深度學(xué)習(xí)的思想引入已有的啟發(fā)式算法中，具體為深度學(xué)習(xí)耦合啟發(fā)式算法的混合算法模型。在智能重構(gòu)的過程中，考慮業(yè)務(wù)傳輸?shù)目煽啃孕枨?，并引入電力骨干通信網(wǎng)的實際需求，如時延、傳輸距離等約束條件?；谡n題一從海量電力通信網(wǎng)的運(yùn)維數(shù)據(jù)中挖掘到的故障診斷結(jié)果，采用深度學(xué)習(xí)耦合啟發(fā)式算法的混合算法模型，從隨機(jī)解出發(fā)，在滿足業(yè)務(wù)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(gòu)結(jié)果移動，旨在建立電力通信網(wǎng)中故障觸發(fā)下的業(yè)務(wù)可靠傳輸?shù)淖顑?yōu)重構(gòu)路由。

3.3 電力通信網(wǎng)重構(gòu)下的可靠性評估：

圖5 基于深度學(xué)習(xí)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(wǎng)絡(luò)在受到風(fēng)險威脅時，直觀反映在電力生產(chǎn)業(yè)務(wù)傳輸性能的抖動。本課題通過深度學(xué)習(xí)算法，挖掘在電力通信網(wǎng)絡(luò)受到威脅時，電力業(yè)務(wù)實時傳輸特征與電力通信網(wǎng)可靠性的關(guān)系，以此建立風(fēng)險評估模型。本項技術(shù)在進(jìn)行業(yè)務(wù)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(wù)試做可以彈性擠壓的彈性體，用以刻畫電力業(yè)務(wù)在受到威脅時關(guān)聯(lián)關(guān)系（即擠壓關(guān)系）的變化。因此，本項目在使用深度學(xué)習(xí)訓(xùn)練參數(shù)時，并不直接簡單運(yùn)用業(yè)務(wù)傳輸參數(shù)，而是利用彈性模型進(jìn)行處理，將處理后的數(shù)據(jù)特征值作為深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的輸入。這樣可以將不同電力業(yè)務(wù)之間本身存在的耦合關(guān)聯(lián)關(guān)系引入到深度學(xué)習(xí)中，使得模型更為真實、高效。

4 總結(jié)

本項目基于深度學(xué)習(xí)技術(shù)，將新一代人工智能技術(shù)與電力骨干通信網(wǎng)調(diào)度監(jiān)控和運(yùn)行維護(hù)實際工作需求緊密結(jié)合，重點解決電力通信調(diào)度運(yùn)行中故障快速處置、業(yè)務(wù)智能重構(gòu)、方式優(yōu)化安排、風(fēng)險評估預(yù)測與設(shè)備運(yùn)行狀態(tài)健康管理等實際生產(chǎn)問題，對提升國網(wǎng)公司電力通信主動性運(yùn)行水平，將運(yùn)行風(fēng)險管控從事中向事前傾斜，更好地支撐電網(wǎng)生產(chǎn)業(yè)務(wù)、特高壓發(fā)展和全球能源互聯(lián)網(wǎng)建設(shè)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(wǎng)通信管理系統(tǒng)建設(shè)研究[J]. 電力系統(tǒng)通信,2011, 32(5): 101-105.

[8] 王向. 復(fù)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(xué), 2012.

[9] 陳琳. 網(wǎng)絡(luò)故障診斷關(guān)鍵技術(shù)的研究[D]. 國防科學(xué)技術(shù)大學(xué), 2005.

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

[11] 鮑厚濟(jì). ATM交換系統(tǒng)與湖北電力交換網(wǎng)聯(lián)網(wǎng)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(wǎng)絡(luò)研究[J]. 電力自動化設(shè)備, 2008, 28(6): 103-107.

[13] 李彤巖. 基于數(shù)據(jù)挖掘的通信網(wǎng)告警相關(guān)性分析研究[D].電子科技大學(xué), 2010.

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

[15] 王陽光. 應(yīng)對災(zāi)變的廣域保護(hù)信息處理及通信技術(shù)研究[D]. 武漢: 華中科技大學(xué), 2010.