面向電力運(yùn)維的SDH通信網(wǎng)故障定位

李建路，朱 珠，王振乾，昌 艷，李 柯

(南方電網(wǎng)調(diào)峰調(diào)頻發(fā)電有限公司，廣東 廣州 510630)

隨著電力通信網(wǎng)規(guī)模的擴(kuò)大，對(duì)網(wǎng)絡(luò)中SDH(synchronous digital hierarchy)設(shè)備的運(yùn)維難度也越來越大。傳統(tǒng)的SDH通信網(wǎng)主要依賴于人工檢測(cè)和專家經(jīng)驗(yàn)，無法高效率實(shí)現(xiàn)故障定位，因此不適用于廣泛的故障定位，如王沛晶等[1]提出基于混合粒度的奇偶校驗(yàn)故障注入檢測(cè)法推斷SDH設(shè)備運(yùn)維狀況，但該方法僅適用于單跳測(cè)試，無法對(duì)電力通信網(wǎng)中的單個(gè)節(jié)點(diǎn)進(jìn)行檢測(cè)，故不適用于電力通信的SDH設(shè)備故障定位；高松川等[2]提出將故障定位限制在某個(gè)區(qū)域內(nèi)，以減少故障定位時(shí)間，但該方法不能用于SDH光網(wǎng)絡(luò)故障定位。為實(shí)現(xiàn)電力通信網(wǎng)故障快速定位，本文提出一種基于DNN(deep neural networks)的SDH通信網(wǎng)絡(luò)設(shè)備故障定位方法，并通過仿真對(duì)該方法的可行性進(jìn)行驗(yàn)證。

1 DNN簡(jiǎn)介

DNN由多個(gè)受限玻爾茲曼機(jī)(restricted boltzmann machine，RBM)組成，每個(gè)RBM可學(xué)習(xí)不同的特征，結(jié)構(gòu)如圖1所示。在DNN網(wǎng)絡(luò)中，RBM節(jié)點(diǎn)間相互獨(dú)立，且每個(gè)RBM包含一個(gè)可見層和一個(gè)隱藏層。RBM中，層與層之間通過權(quán)重連接，越高層的特征表示越具有不變性和抽象性。而多個(gè)RBM疊加即形成DNN網(wǎng)絡(luò)，具體結(jié)構(gòu)如圖1所示[3-4]。

圖1 DNN網(wǎng)絡(luò)結(jié)構(gòu)

由于RBM是一種能量模型，因此它可對(duì)輸入模型中的數(shù)據(jù)概率分布進(jìn)行無監(jiān)督學(xué)習(xí)，并最大程度擬合輸入模型中的數(shù)據(jù)。DNN正是借助RBM的無監(jiān)督學(xué)習(xí)方式，從下到上逐層提取深層特征。特征提取步驟為：首先訓(xùn)練輸出一層的特征序列，并將其作為下一層的RBM輸入；然后采用反向傳播算法，從上到下對(duì)模型參數(shù)進(jìn)行調(diào)整優(yōu)化；最后得到最優(yōu)模型參數(shù)，并將參數(shù)設(shè)置為模型的訓(xùn)練參數(shù)。

2 SDH光通信網(wǎng)絡(luò)數(shù)據(jù)采集及預(yù)處理

2.1 數(shù)據(jù)采集

要實(shí)現(xiàn)SDH通信網(wǎng)絡(luò)故障定位，首先要對(duì)SDH光通信數(shù)據(jù)進(jìn)行采集，包括SDH設(shè)備性能指示數(shù)據(jù)、設(shè)備相關(guān)數(shù)據(jù)、告警信息、事件數(shù)據(jù)等。由于現(xiàn)有的電力SDH光通信網(wǎng)絡(luò)數(shù)據(jù)本身可通過網(wǎng)管采集平臺(tái)獲取數(shù)據(jù)，因此只需利用網(wǎng)管數(shù)據(jù)采集平臺(tái)即可完成。另外，考慮到不同的SDH設(shè)備規(guī)格和型號(hào)，所以應(yīng)開放采集接口，以確保采集數(shù)據(jù)的全面性。采集完成后，將不同類型的數(shù)據(jù)存儲(chǔ)于對(duì)應(yīng)的告警記錄數(shù)據(jù)庫(kù)中。

2.2 數(shù)據(jù)預(yù)處理

2.2.1數(shù)據(jù)清理

原始告警數(shù)據(jù)中含有大量非告警數(shù)據(jù)，且原始告警數(shù)據(jù)分布不均，因此為確保告警數(shù)據(jù)質(zhì)量，需要對(duì)原始告警數(shù)據(jù)進(jìn)行數(shù)據(jù)清理。具體清理過程分為3個(gè)階段：一是對(duì)數(shù)據(jù)中的缺失數(shù)據(jù)進(jìn)行去除或補(bǔ)全；二是對(duì)邏輯錯(cuò)誤的數(shù)據(jù)進(jìn)行去除或修改；三是對(duì)不需要的數(shù)據(jù)進(jìn)行去除。

2.2.2數(shù)據(jù)標(biāo)注

完成原始告警數(shù)據(jù)清理后，還需對(duì)得到的告警數(shù)據(jù)之間的關(guān)系進(jìn)行分析并用標(biāo)簽標(biāo)注，從而獲得可用于監(jiān)督訓(xùn)練的告警數(shù)據(jù)集。在本文中，對(duì)告警數(shù)據(jù)進(jìn)行標(biāo)簽標(biāo)注的步驟為：首先通過滑動(dòng)時(shí)間窗口對(duì)告警數(shù)據(jù)實(shí)物進(jìn)行切分；然后通過FP-Growth得到數(shù)據(jù)間的關(guān)聯(lián)規(guī)則；最后根據(jù)電力SDH光網(wǎng)絡(luò)的故障類型與頻繁項(xiàng)集間的關(guān)系進(jìn)行標(biāo)簽標(biāo)注。其中，利用分布式FP-Growth算法找出數(shù)據(jù)間的關(guān)聯(lián)規(guī)則是對(duì)告警數(shù)據(jù)進(jìn)行標(biāo)簽標(biāo)注的關(guān)鍵[5-6]，具體尋找數(shù)據(jù)間關(guān)聯(lián)規(guī)則的步驟分為以下幾步：

1)設(shè)置數(shù)據(jù)項(xiàng)的最小支持度閾值。通過分析告警數(shù)據(jù)將閾值設(shè)置為40%。

2)計(jì)算數(shù)據(jù)項(xiàng)支持度。將閾值≥40%的告警數(shù)據(jù)按降序存儲(chǔ)于M列表中。同時(shí)對(duì)M列表中的每個(gè)數(shù)據(jù)項(xiàng)創(chuàng)建對(duì)應(yīng)的鏈表，以便后續(xù)數(shù)據(jù)搜索。

3)創(chuàng)建FP-Tree根節(jié)點(diǎn)和FP-Tree樹，標(biāo)記根節(jié)點(diǎn)為空。FP-Tree樹每個(gè)節(jié)點(diǎn)按M列表順序進(jìn)行創(chuàng)建。若創(chuàng)建的FP-Tree樹沒有相同的前綴路徑，則創(chuàng)建一個(gè)新的節(jié)點(diǎn)，并將其支持度值設(shè)置為1；反之，則將相同節(jié)點(diǎn)的支持度值增加1。

4)按M列表的反向順序遍歷列表，創(chuàng)建條件模式基，并設(shè)置支持度最小的值為支持度。

3 基于DNN的SDH光網(wǎng)絡(luò)運(yùn)維定位

本文采用上述的DNN算法構(gòu)建SDH故障定位模型，具體定位模型如圖2所示。在該定位模型中，以預(yù)處理后的樣本作為輸入，然后經(jīng)過隱藏層對(duì)特征的提取和融合，得出故障定位結(jié)果。

圖2 基于DNN的光網(wǎng)絡(luò)故障定位

由圖2可知，SDH故障定位的結(jié)果與輸入層神經(jīng)元個(gè)數(shù)、隱藏層層數(shù)等有很大關(guān)系。當(dāng)隱藏層層數(shù)過多時(shí)，模型結(jié)構(gòu)相對(duì)復(fù)雜，且模型參數(shù)也會(huì)增多，容易導(dǎo)致模型過擬合，進(jìn)而降低網(wǎng)絡(luò)的泛化能力；當(dāng)隱藏層層數(shù)較少時(shí)，模型結(jié)構(gòu)較為簡(jiǎn)單，無法有效處理輸入數(shù)據(jù)，且學(xué)習(xí)能力較差，進(jìn)而導(dǎo)致無法深度挖掘數(shù)據(jù)的隱藏特征。因此，選擇合適的隱藏層層數(shù)有利于提高模型的學(xué)習(xí)能力、泛化能力、處理數(shù)據(jù)能力，進(jìn)而提高模型故障定位的精確性。為確定模型隱藏層層數(shù)以及最佳故障判別模型，本文采用控制變量法建立不同的故障判別類型[7]，具體步驟為：

1)結(jié)合告警數(shù)據(jù)樣本集規(guī)模，通過對(duì)模型進(jìn)行簡(jiǎn)單訓(xùn)練，初步確定模型隱藏層層數(shù)最少為4層。因此，在本訓(xùn)練中設(shè)置隱藏層層數(shù)分別為4、5、7，然后進(jìn)行故障定位的仿真，進(jìn)而確定DNN模型的最佳隱藏層層數(shù)。

2)利用固定學(xué)習(xí)率和自適應(yīng)學(xué)習(xí)率對(duì)DNN故障定位模型進(jìn)行訓(xùn)練，對(duì)比訓(xùn)練后模型效果，確定模型的最佳學(xué)習(xí)率。

3)采用3種激活函數(shù)——Sigmod函數(shù)、Tanh函數(shù)和ReLU函數(shù)對(duì)DNN模型進(jìn)行訓(xùn)練，然后對(duì)比不同激活函數(shù)訓(xùn)練模型的效果，確定最佳激活函數(shù)。

4 仿真實(shí)驗(yàn)與結(jié)果分析

4.1 仿真環(huán)境搭建

本文基于Python和TensorFlow進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)來自某電力城域網(wǎng)中的SDH光網(wǎng)絡(luò)告警數(shù)據(jù)。應(yīng)用上述不同故障定位模型對(duì)預(yù)處理后的告警數(shù)據(jù)集進(jìn)行訓(xùn)練，最小均方誤差函數(shù)選擇Loss函數(shù)[8]，利用告警數(shù)據(jù)驗(yàn)證集對(duì)模型訓(xùn)練結(jié)果進(jìn)行驗(yàn)證，包括模型的故障定位準(zhǔn)確率、模型故障查全率、模型故障查準(zhǔn)率等[9]。最后，確定最佳模型參數(shù)。

4.2 仿真結(jié)果分析

在不同隱藏層層數(shù)、不同學(xué)習(xí)率和不同激活函數(shù)下，得到以下的仿真結(jié)果。

4.2.1隱藏層層數(shù)與學(xué)習(xí)率對(duì)模型性能的影響

圖3所示為在不同隱藏層層數(shù)和不同學(xué)習(xí)率的條件下，DNN模型多次訓(xùn)練后的Loss函數(shù)值。由圖可知，當(dāng)模型采用自適應(yīng)學(xué)習(xí)率時(shí)，其Loss函數(shù)值比采用固定學(xué)習(xí)率的Loss函數(shù)值小，說明選用自適應(yīng)學(xué)習(xí)率可提升模型訓(xùn)練速度和效果，使模型性能更好；當(dāng)模型隱藏層層數(shù)為5時(shí)，模型的Loss函數(shù)值小于隱藏層層數(shù)為4層和7層的Loss函數(shù)值，說明選用隱藏層層數(shù)為5可提升模型訓(xùn)練速度和效果，使模型性能更好。

圖3 不同學(xué)習(xí)率和隱藏層層數(shù)對(duì)Loss值的影響

圖4所示為在不同隱藏層層數(shù)和不同學(xué)習(xí)率條件下，DNN模型多次訓(xùn)練后的準(zhǔn)確率、查全率和查準(zhǔn)率。由圖可知，當(dāng)模型采用自適應(yīng)學(xué)習(xí)率時(shí)，其故障定位的準(zhǔn)確率、查全率和查準(zhǔn)率比固定學(xué)習(xí)率更高，說明選用自適應(yīng)學(xué)習(xí)率可提升模型性能；當(dāng)模型隱藏層層數(shù)為5時(shí)，其故障定位的準(zhǔn)確率、查全率和查準(zhǔn)率比隱藏層層數(shù)為4層和7層更高，說明選用隱藏層層數(shù)為5可提升模型性能。由于隱藏層層數(shù)對(duì)模型的訓(xùn)練效果具有巨大的影響，因此在條件允許的情況下，為避免因隱藏層過多帶來的模型容易出現(xiàn)過擬合問題，應(yīng)對(duì)模型進(jìn)行多次反復(fù)實(shí)驗(yàn)，以選擇合適的隱藏層層數(shù)，從而提高基于DNN的面向電力通信的SDH設(shè)備故障定位模型性能。

圖4 不同隱藏層層數(shù)和不同學(xué)習(xí)率對(duì)模型指標(biāo)的影響

4.2.2激活函數(shù)對(duì)模型性能的影響

圖5所示為不同激活函數(shù)對(duì)模型Loss值的影響，圖6所示為不同激活函數(shù)對(duì)模型指標(biāo)的影響。由圖可知，DNN故障定位模型選用Tanh函數(shù)作為激活函數(shù)時(shí)，其Loss值小于Sigmod函數(shù)和ReLU函數(shù)的Loss值，且其故障定位的準(zhǔn)確率、查全率、查準(zhǔn)率更高，達(dá)到95.43%以上，說明選用Tanh函數(shù)作為激活函數(shù)可提高基于DNN的面向電力通信網(wǎng)的SDH設(shè)備故障定位模型性能。

圖5 不同激活函數(shù)對(duì)Loss值的影響

圖6 不同激活函數(shù)對(duì)模型指標(biāo)的影響

4.2.3不同算法模型性能對(duì)比

在上述最優(yōu)參數(shù)下，建立SDH故障定位的DNN模型。同時(shí)以CNN、GA、AA、FA的故障定位作為對(duì)比[10]，分別對(duì)采集到的告警數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)，仿真結(jié)果如圖7所示。由圖7可知，基于DNN模型的故障定位準(zhǔn)確度高于CNN、GA、AA、FA的故障定位模型的準(zhǔn)確度，說明基于DNN模型的故障定位效果更好。

圖7 不同故障定位算法的準(zhǔn)確度

5 結(jié)束語

通過文中仿真結(jié)果可知，不同模型參數(shù)對(duì)模型性能具有巨大的影響，當(dāng)模型采用自適應(yīng)學(xué)習(xí)率、Tanh函數(shù)、隱藏層層數(shù)為5時(shí)，模型性能更優(yōu)秀。與CNN、GA、AA、FA的故障定位模型相比，本文提出的基于DNN模型的SDH設(shè)備運(yùn)維故障定位的準(zhǔn)確率更高，更能準(zhǔn)確定位故障。