電力通信網絡智能運維故障診斷系統研究

張夢凡,史普鑫,孟繁林,張 賁,耿 琳

(國家電網華北電力調控分中心,北京 100053)

0 引言

近年來,電力網絡的規模逐漸增加,為我國各地區經濟發展提供了優質的電力保障。信息通信的發展與電網的智能化程度密切相關[1]。電力通信網絡是電力系統智能化的重要組成部分。通信網絡的環境復雜、業務眾多、服務質量需求多樣化,對電力通信網絡的可靠性和安全性提出了挑戰[2]。

在國內外電力通信網絡研究中,基于快速傅里葉變換 (fast Fourier transform,FFT)的概率神經網絡故障診斷模型[3]方法建立了電力信息網絡模型,研究了通信網絡與電網各自運行的進程和業務數據的交互,分析了網絡拓撲模型的相似性。但該方法沒有考慮到電網不同的運行方式,以及二次設備動作對網絡故障的影響?；谏疃葘W習的網絡故障診斷系統[4]采用蒙特卡洛模擬方法,對通信網絡鏈路的有效性和耦合網絡的可靠性進行分析,提高了通信誤碼鏈路的有效性。但該方法忽略了通信網絡與電力網之間的耦合程度,只考慮了單側網絡節點的重要程度。輸氣網絡故障對供氣安全的影響[5]方法通過構建級聯故障的網絡物理系統模型,分析了輸電網絡和信息物理耦合網絡在不同拓撲組合下的可靠性,完成了通信網絡的故障定位。但該方法未考慮多屬性決策對節點重要度的影響,對復雜網絡拓撲特征的識別不全面。

本文針對電力通信網絡設計了智能運維故障診斷系統,以保證電力通信網絡的高靈活性和可靠性,并確保電力系統中生產控制業務、信息管理業務、電力調度和控制等業務的正常運行。

1 智能運維故障診斷系統設計

智能運維故障診斷系統對網絡中的網絡節點進行故障診斷,使網絡節點不會受到攻擊或感染惡意程序,以保障通信網絡中關鍵的業務類信息流正常傳輸,從而提升網絡資源利用率。這將為重點業務提供保障,以確保電力通信網絡的高效運行[6]。

系統整體架構設計如圖1所示。

圖1 系統整體架構設計

系統通過對電力通信網絡節點進行監測和預警,確保通信網絡正常運行。在分析網絡節點故障的過程中,系統需對故障點進行定位,以提出合理的智能運維方案,從而完成網絡節點故障的排除。系統的故障診斷模型中融合了智能化算法,借助計算機高效的計算能力提高了網絡故障檢測與診斷的效率。系統通過數據挖掘技術獲取數據之間的內在聯系,并在復雜的網絡結構中進行精確的自動化檢測和診斷[7]。

系統基于Apache Hadoop開源框架進行設計、開發,通過整合大量的服務器資源完成海量網絡數據的存儲和處理。多個服務器之間相互保存多個備份。在對通信網絡節點監測數據的統計和分析中,系統使用Hadoop生態交互卷(Hadoop interactive volumes in ecology,HIVE)數據分析和處理工具,并提供相應語言進行數據查詢。HIVE的計算引擎將結構化查詢語言(structured query language,SQL)語句轉化為可執行的并行計算框架的計算任務[8]。

系統進行故障診斷前,使用卷積自編碼器提取通信網絡節點狀態特征,對原始特征進行變換,并提取出非冗余的特征向量,從而為處理高維特征空間提供強大支持[9]。通過模型的運算變換得到節點監測數據映射的新特征集合,可以提高特征數據獲取的準確性,從而在為通信網絡故障診斷提供支持的同時緩解了系統數據的存儲壓力。系統前端界面使用了螞蟻數據可視化工具。該工具可將數據統計分析結果、數據計算結果、節點狀態和故障診斷結果通過圖形和圖表的形式表現出來。數據庫中單個數據項以圖元素的形式進行表達。結構化的通信網絡參數數據模型指導大量圖元素匯集成數據圖像,使系統用戶能夠理解不同維度的數據表達,從而完成更加復雜和高級的運維方案分析。

2 關鍵技術分析

2.1 擴頻調制技術的網絡感知模塊設計

為實時感知當前電力通信網絡中網絡節點的狀態、協助系統完成網絡監測和故障診斷,本文設計了網絡感知模塊,以采集網絡節點的網絡參數。網絡感知模塊采用了擴頻調制技術,可以根據發送節點和接收節點間的距離和功率限制條件選擇合適的數據速率,從而完成網絡性能的優化。

感知網絡結構如圖2所示。

圖2 感知網絡結構

感知網絡結構包括了網絡感知模塊、感知網關、網絡服務器和應用服務器等。網絡感知模塊與感知網關通過網狀拓撲結構連接。網絡感知模塊以STM32F103ZET6作為微控制單元。網絡感知模塊內部的射頻收發器使用SX1278芯片[10],支持遠距離無線電(long range radio,LoRa)、高斯頻移鍵控(Gauss frequency shift keying,GFSK)、頻移鍵控(frequency-shift keying,FSK)、最小頻移鍵控(minimum-frequency shift keying,MSK)等多種調制方式。電壓在100 mW內波動輸出功率為20 dBm。網絡感知模塊的硬件結構如圖3所示。

圖3 網絡感知模塊的硬件結構示意圖

圖3中,射頻通信模塊由射頻收發器和其他外圍電路組成。射頻通信電路中使用了Hi2115芯片,支持約束型應用協議(contrained application protocol,CoAP)和用戶數據板協議(user datagram protocol,UDP)/傳輸控制協議(transmission control protocol,TCP),通過Modbus協議實現串口到網絡的雙向數據傳輸[11]。模塊硬件板卡預留的8路數據采集接口和RS-485總線接口能夠兼容多種網絡傳感器,極大地提高了模塊的傳感器驅動能力[12]。為降低電力通信網絡中噪聲信號對模塊感知精度的影響,在硬件設計中考慮到抗干擾的設計,加入隔離電路以實現雙向隔離和光電隔離。隔離電路如圖4所示。

圖4 隔離電路

圖4中:雙向隔離芯片選擇ADUM1250;光電隔離器使用LTV816STAI芯片。在網絡感知模塊的兩端使用光耦和隔離電源進行電氣隔離,可以消除某些采集通道噪聲對模塊的影響[13]。通過雙向隔離芯片隔離模塊中外部信號和內部信號,可以確保外部信號不和主控單元直接相連,使處理器更穩定。這將保證感知模塊的采集網絡參數的精度不受影響,使模塊具有較強的抗干擾能力,并且模塊內部之間不會受到彼此的干擾。

2.2 生成對抗網絡的網絡故障診斷方法

當前,電力通信網絡的應用場景較為復雜,通信網絡向異構化和密集化方向發展,對網絡故障檢測和診斷提出更高的要求。本文將生成對抗網絡(generative adversarial networks,GAN)的思想引入網絡故障檢測與診斷領域。本文基于GAN構建故障診斷模型,通過少量帶有標簽的數據集獲取大量數據集用于故障診斷模型的訓練[14-15],并利用生成器和判別器分別對網絡參數樣本進行生成和分類?；贕AN的網絡故障診斷過程如圖5所示。

圖5 基于GAN的網絡故障診斷過程

圖5中的GAN包括了2個模型,分別是生成模型和判別模型。生成模型接收1個服從某分布的隨機變量。判別模型用于區別生成的樣本和真實的樣本[16]。GAN中使用了多層感知器。網絡的優化目標函數為:

(1)

通過式(1)可完成GAN的博弈。生成模型從真實數據中取樣。判別模型根據真實數據的分布規律進行學習。

網絡故障診斷模型先確定不同通信網絡狀態的對應特征,再對故障進行識別。不同網絡狀態的輸入向量為S=[P1,P2,…,PN],對應的網絡狀態可表示為C={fc1,fc2,…,fcn}。當電力通信網絡出現某個類型的故障時,故障期間的網絡狀態向量為:

(2)

(3)

式中:max(Pi)為收集的網絡參數中出現的最大值。

通過式(3)可確保輸入的網絡參數值的動態范圍相似。本文在故障診斷模型的GAN的判別模塊中引入1個基本約束,并在超參數控制范圍內對權重進行裁剪。得到的優化目標函數為:

(4)

通過式(4)可得到優化后的目標函數。預測的網絡狀態與真實的網絡狀態之間的差異可表示為:

(5)

通過式(5)可以計算實際值與預測值之間的差異。本文將預測值代入損失函數,可得:

(6)

通過式(6)可計算最終損失值。

綜上所述,經過預處理的網絡參數輸入GAN中進行數據擬合,可得網絡狀態的性能指標;對模型復雜度進行權衡,可以進一步提高故障診斷模型效率。

3 試驗測試

為驗證本文研究的網絡故障診斷方法的有效性,本文模擬真實網絡進行環境的搭建。仿真的試驗環境中設置了不同的網絡狀態類別。試驗環境如圖6所示。

圖6 試驗環境

試驗環境條件如下:中央處理器(central processing unit,CPU)采用AMD2600;主頻為3.40 GHz;運行內存為16 GB;顯卡為GTX1070TI;顯存為8 GB;操作系統為Windows 10;軟件版本為Tensorflow1.14。其中:系統類型為3個小區的試驗環境;小區半徑為500 m;系統帶寬為5 MHz;頻率復用為軟頻率復用;基站發射功率為43 dBm;用戶數量為50～100個;仿真時間為60 000 s。

試驗中使用的數據為電力通信網業務數據流的統計特征數據,包含了所有可用統計特征的特征集合。試驗數據集中的230個特征表示1個業務數據流。數據集的數據類型包括了Web瀏覽、郵件、文件傳輸、網絡狀態、數據庫、多媒體等多種業務類型。

試驗數據集如表1所示。

表1 試驗數據集

本文在進行故障檢測試驗前,利用故障診斷算法模型對各網絡狀態下的小樣本數據進行學習,并使用文獻[3]系統和文獻[4]系統的故障診斷模型進行對比測試。文獻[3]系統模型使用了隨機森林算法(以下稱為“方法1”)。文獻[4]系統模型使用了貝葉斯分類器(以下稱為“方法2”)。本文設定各系統的故障診斷模型的訓練次數為50～200次。各方法在不同特征數下的網絡故障診斷準確率如表2所示。

表2 故障診斷準確率

故障診斷準確率變化曲線如圖7所示。

圖7 故障診斷準確率變化曲線

對比3種方法故障診斷模型在不同訓練次數和特征數下的診斷準確率可知,本文方法的故障診斷模型的訓練時間更短,在較少訓練次數的情況下具有更好的故障診斷效果。當訓練次數為50次時,本文方法的故障診斷準確率為95.2%。當訓練次數增加到140次時,本文方法的故障診斷準確率增加到99.4%。當訓練次數達到200次時,本文方法的故障診斷準確率最高為99.8%。

方法1和方法2在訓練次數較少的情況下,模型的故障診斷效果不好,故障診斷準確率在94%以下。方法1的準確率最低為92.1%,在訓練次數達98次以上時的準確率才超過95%,并且準確率最大不超過98%。方法2的準確率最低為91.3%,在訓練次數達到125次時準確率超過方法1,訓練次數最大時的故障診斷準確率為98.4%。

為驗證本文方法在訓練過程中的性能,本文將迭代次數設定為2 000次、訓練時間設定為300 s,并以卷積神經網絡作為對比進行測試。在訓練過程中的模型損失值對比如圖8所示。

圖8 模型損失值對比

由圖8可知,本文方法的損失函數收斂更加穩定,模型的損失值在較短時間內快速下降,模型的診斷效果逐漸穩定。當迭代次數為1 000次時,本文方法的模型損失值下降到0.1以下,表明本文方法能夠較好地區分出真實樣本和生成樣本。當迭代次數在1 500次后,本文方法的模型損失值最低為0.03。卷積神經網絡的收斂速度較慢。當迭代次數在500次時,卷積神經網絡的模型損失值為0.43。當迭代次數在1 000～1 500次時,卷積神經網絡的模型損失值出現明顯波動,最高超過0.15。在訓練過程中,卷積神經網絡會產生與原始數據集不一致的數據,導致故障診斷效果不穩定。

4 結論

本文為電力通信網絡設計了智能運維故障診斷系統,通過系統的故障診斷和運維有效緩解故障傳播所造成的危害,從而為電力通信網絡提供了更加靈活、滿足多樣化功能和需求的診斷策略。系統故障診斷模型中加入了GAN,先根據網絡故障的小數據量信息、通過網絡訓練后生成大量可靠數據集,再進行模型的訓練和測試,以完成故障診斷與預測。

本文提出了一些有效的解決方法,但同時也有需要改進和解決的問題。如當故障診斷模型的結構發生改變時,模型的診斷準確率可能會受到影響。后續研究還需進一步加強模型的泛化能力和穩定性。