[发明专利]基于深度学习的电力通信网运行趋势与业务风险分析方法

说明书

技术领域

本发明属于电力通信网安全领域，尤其涉及一种基于深度学习的电力通信网运行趋势与业务风险分析方法。

背景技术

电力系统通信网是国家专用通信网之一，是电力系统重要组成部分，是电网调度自动化、电网运营市场化和电网管理信息化的基础，是确保电网安全、稳定、经济运行的重要手段。当前，电力系统通信网以光纤、数字微波传输为主，卫星、电力线载波、电缆、无线电等多种通信方式并存，已实现了对除台湾外所有省、自治区、直辖市的覆盖，承载的业务涉及语音、数据、远动、继电保护、电力监控、移动通信等领域。

当前，电力通信网络的运行维护目前基本上是基于设备告警的运行状态管理模式和基于周期计划的检修管理模式。为了改变一直以来单纯依赖设备告警的被动处理模式，亟需一套电力通信网运行趋势分析模型和算法，来预测通信网发展趋势，并为进一步研究故障预警提供数据基础。然而，电力系统的特殊性决定了电力通信传输网络上不同业务的网络资源占用的时空复杂性，因而在众多变换复杂的因素共同影响下，对电力通信网运行的趋势进行精细预测变得异常困难，常规的回归分析方法与统计建模方法的预测精度急剧下降，进而在网络运行趋势预测基础上对电力通信网进行安全风险评估，其可信度将呈现几何级数下降。

此外，电力通信网作为电力系统的通信专网，承载着电力生产和管理的全部业务，其系统庞大、结构复杂，发生任何故障都可能对电网的安全稳定运行构成严重威胁。有效地评估电力通信网上运行的系统业务风险，对于网络设计、维护与管理以及提高整个网络运行的可靠性等诸多方面都有着实际意义。当前常用的评估方法有：层次分析法、模糊综合评判法、主成分分析和神经网络等方法，但是由于电力通信网的复杂性和某些风险因素的不确定性，使得目前的评估方法都很难做出准确的评估，且指标体系不科学，指标数量繁多，不能很好地反映评价各对象之间的相关性，评估过程的主观性较大。

因此，在电力通信网运行业务数据与监测数据构成的大数据背景下，结合当前新一代人工智能技术，运用深度学习设计一套统一的集成学习框架，对电力通信网运行趋势预测与业务风险评估进行集成分析，二者集成一起分析既可以提高精度又可以提高效率。而深度学习其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，在大数据背景下对电力通讯网这种复杂的非完全结构化数据，使用深度学习的方法对其进行分析是必然而有效的。

发明内容

本发明是为避免上述现有技术所存在的不足之处，提出一种基于深度学习的电力通信网运行趋势与业务风险分析方法，更准确地评估电力通信网运行状况，并为电力通信网业务风险控制提供准确依据。

该方法依据深度学习理论，构建了一个多层的深度置信网络架构，将区县所辖的电力通信网历史运行与监测数据及相关业务系统数据作为学习模型的训练数据，并充分利用该深度网络强大的多输出能力，把运行趋势预测与业务风险评估的各类可能组合作为不同输出模式，最终训练出能够综合判别本区县电力通信网运行模式的深度模型。再将电力通信网的历史运行数据与实时业务系统数据作为该模型的测试数据，利用训练的深度网络模型参数即可最终得到电力通信网运行趋势预测与业务风险评估结果，从而更准确地评估电力通信网运行状况，并为电力通信网业务风险控制提供准确依据。

本发明为解决技术问题采用如下技术方案：

一种基于深度学习的电力通信网运行趋势与业务风险分析方法，包括下述步骤：

步骤1、从电力通信传输网管的接口采集电力通信网的历史性能数据，所述电力通信网的历史性能数据为当前监测时间段之前一段时间的电力通信网误码率与光功率；

步骤2、查阅电力通信网管理文档，获取电力通信网主要业务及各业务重要度评级；查阅电力通信网建设相关资料，建立电力通信网的邻接图，并在邻接图中计算出电力通信网中任意两节点之间的最短路径，再利用最短路径获得电力通讯网络的邻接图中任意一条边的介数；

步骤3、查阅电力通信网相关历史记录获取电力通信网在当前监测时间段之前任一时间段的历史总业务风险度，以及同一时间段中电力通信网的邻接图中任意一条边所承载的业务种类与数量，并用同一条边的介数对其进行加权，获得任意一条边在当前监测时间段之前的任一时间段的历史业务风险度；从电力通信网所覆盖的各级电力公司、变电站获取在当前监测时间段时，电力通信网的邻接图中任意一条边所承载的业务种类与数量，并用同一条边的介数对其进行加权，获得任意一条边在当前监测时间段的实时业务风险度；