一种基于卷积神经网络的电力通信劣质环网拓扑识别方法

技术领域

本发明涉及电力通信技术领域，具体为一种基于卷积神经网络的电力通信劣质环网拓扑识别方法。

背景技术

为了保障电力通信业务的可靠性和连续性，电力通信传输网通常采用自愈环结构支撑节点间业务的开通。自愈环以逻辑拓扑的方式在电力光缆物理网架结构之上进行规划，而电力通信传输网业务则沿规划好的环网拓扑进行部署。当网络出现多点失效时，环网保护方式将不能保障全部业务正常工作。网络多点失效主要有两个原因导致，分别为部件自身的老化和运行环境的破坏。部件老化可以通过冗余设计提高可靠性，降低失效概率；而运行环境的破坏多以自然灾害的形式出现，通过加强网络设备的安全防护来降低灾害影响程度。虽然网络设备安全防护措施在一定程度上提高了网络设备的可靠性，但是，电力光缆的可靠性与光缆敷设方式密切相关，自然灾害对光缆运行状态的影响更为显著。因此，在给定光缆网架结构和自然地理环境条件下，电力通信环网拓扑的规划需要重点考虑自然灾害多发区对环网业务可靠性的影响。

在实际工程中，电力通信传输网的环网规划主要借助网管系统由人工来完成，重点考虑网络资源的逻辑关系，没有充分利用网络运行的地理信息，更没有关注自然灾害多发区域对环网抗毁性的影响。因此，实际部署的部分电力通信环网拓扑存在结构不尽合理，可靠性和安全性偏低的问题。当灾害发生时，电力通信网络存在业务中断的风险。为了提高电力通信业务的可靠性和安全性，降低网络运行风险，有必要对所规划的劣质环网拓扑进行快速、高效、准确的识别，以便充分考虑自然灾害多发区域的影响，调整业务路径，优化环网结构，提高电力通信业务连续性。

在理论研究方面，电力通信环网拓扑优化方法主要建立在理想的自然灾害风险模型基础之上。理论模型的不足之处在于对实际网络高度抽象，对网络运行的复杂地理环境过于简化，而使研究结果不能准确反映工程实际情况。另一方面，如果理论研究充分考虑网络实际和地理环境的多样性，那么，基于模型的优化算法也会变得过于复杂，算法求解需要占用过多运算资源，花费更多的运算时间。

卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，卷积神经网络(CNN)是典型的基于数据驱动的机器学习算法，可有效实现图像的分类和预测。目前在电力通信网环网规划与设计方面，还没有与本申请技术方案相关联的技术被公开。

发明内容

本发明的目的在于提供一种基于卷积神经网络的电力通信劣质环网拓扑识别方法，利用CNN强大的图像处理能力，可高效准确识别劣质环网拓扑，避免网络存在高风险的劣质环，有助于环网拓扑结构的优化设计，提高环网对自然灾害的抗毁性，降低电力通信业务的运行风险，解决电力通信网规划与设计中的相关问题。

为实现上述目的，本发明提供如下技术方案：

一种基于卷积神经网络的电力通信劣质环网拓扑识别方法，包括以下步骤：

S1：将电力通信光缆网架与地理信息和自然灾害多发区域信息结合，形成背景地图；

S2：在背景地图上随机生成环网拓扑，构成环网图像；

S3：根据网络抗毁性原理，人工标记环网图像的质量；

S4：重复上述过程，生成满足需求的CNN训练数据集；

S5：以环网图像数据为输入，环网拓扑质量指标为输出，构建CNN模型，对CNN模型进行训练，并达到精度要求；

S6：给定任意环网图像，利用训练好的CNN模型，实现电力通信劣质环网拓扑的识别。

更进一步地，S1中背景地图生成具体过程如下：

S101：根据电力通信光缆的网架结构，初步确定电力通信网络的覆盖区域，明确光缆的物理拓扑；

S102：利用地理信息确定电力通信网在覆盖区域内的节点坐标和光缆走向；

S103：对覆盖区域内自然灾害发生情况进行统计分析，确定自然灾害中心、影响范围和发生频次的数据，并用不同颜色等级绘制在网络覆盖区域中，形成背景地图；在背景地图中，自然灾害多发区域为红色，其颜色深浅由灾害强度和发生频次的乘积决定；自然灾害多发区以外的其他区域为淡黄色。

更进一步地，S2中环网图像生成过程包括：在电力通信光缆网架结构基础上，随机选择两个节点，采用不交化双路由算法，生成环网拓扑结构，将环网拓扑用深蓝色粗实线，叠加绘制在背景地图上，该图像作为CNN模型学习、训练和推理的数据对象。

更进一步地，S3中环网图像人工标记过程包括：领域专家利用网络抗毁性原理，结合自身的可靠性环网规划经验，对环网图像中的环网拓扑质量，从抗毁性的角度进行评估，并将评估结果作为监督学习的估计值，人工标记到数据对象中。

更进一步地，S4中为了满足CNN模型的训练需求，需要生成足够数量且人工标记过的环网图像，算法需要重复改变自然灾害多发区域信息，随机产生不同的环网拓扑结构，以便生成足够数量的环网图像样本数据。

更进一步地，S5中构建CNN模型是指设计CNN模型结构，其包括：输入层、卷积层、池化层、全连接层和输出层；输入层和输出层各有一个，卷积层和池化层可以灵活组合，且可以出现多次，全连接层可以有多个；根据问题复杂度，CNN中各隐含层的数量可优化设计，其输入层的输入数据是环网图像，输出层的输出变量是环网拓扑质量指标；质量指标用向量表示为

I＝[a

其中，a

a

更进一步地，S5中对CNN模型进行训练，具体方法如下：

S501：将S1中生成的环网图像样本数据集按照8:2的原则分为训练集和测试集；

S502：对所设计的CNN模型进行训练，如果训练过程在给定的最大循环次数以内达到所要求的模型精度，则CNN模型训练成功；否则，注明精度没有达到要求，并给出实际精度。

更进一步地，S6中给定任意环网图像是指按照S1中的方法生成的环网图像，将给定环网图像作为CNN模型的数据输入，经过CNN运算，得到环网拓扑质量指标向量的输出，质量指标向量中数值最大元素所对应的环网拓扑质量等级对应电力通信劣质环网拓扑的识别结果。

与现有技术相比，本发明的有益效果是：

1、本发明提供的基于卷积神经网络的电力通信劣质环网拓扑识别方法，利用训练的CNN模型，识别电力通信环网相对于自然灾害多发区域的拓扑性能，增强了环网规划设计的智能化水平。

2、本发明提供的基于卷积神经网络的电力通信劣质环网拓扑识别方法，在给定电力光缆敷设的地理信息和自然灾害多发区域信息前提下，可以迅速准确识别出环网拓扑在抗毁性方面表现出的性能优劣。

3、本发明提供的基于卷积神经网络的电力通信劣质环网拓扑识别方法，可以作为电力通信光传输网拓扑优化的重要环节，提高环网优化的效率，为通信业务的可靠部署提供条件。

附图说明

图1为本发明方法的整体流程图；

图2为本发明方法中环网图像示例；

图3为本发明方法中劣质环网拓扑识别算法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例中提供基于卷积神经网络(CNN)的电力通信劣质环网拓扑识别方法，包括以下步骤：

S1：将电力通信光缆网架与地理信息和自然灾害多发区域信息结合，形成背景地图；背景地图生成具体过程如下：

S101：根据电力通信光缆的网架结构，初步确定电力通信网络的覆盖区域，明确光缆的物理拓扑；

S102：利用地理信息确定电力通信网在覆盖区域内的节点坐标和光缆走向；

S103：对覆盖区域内自然灾害发生情况进行统计分析，确定自然灾害中心、影响范围和发生频次的数据，并用不同颜色等级绘制在网络覆盖区域中，形成背景地图；在背景地图中，自然灾害多发区域为红色，其颜色深浅由灾害强度和发生频次的乘积决定；自然灾害多发区以外的其他区域为淡黄色；

S2：在背景地图上随机生成环网拓扑，构成环网图像；环网图像生成过程包括：在电力通信光缆网架结构基础上，随机选择两个节点，采用不交化双路由算法，生成环网拓扑结构。将环网拓扑用深蓝色粗实线，叠加绘制在背景地图上。该图像作为CNN模型学习、训练和推理的数据对象；

S3：根据网络抗毁性原理，人工标记环网图像的质量；环网图像人工标记过程包括：领域专家利用网络抗毁性原理，结合自身的可靠性环网规划经验，对环网图像中的环网拓扑质量，从抗毁性的角度进行评估，并将评估结果作为监督学习的估计值，人工标记到数据对象中；

S4：重复上述过程，生成满足需求的CNN训练数据集，是指为了满足CNN模型的训练需求，需要生成足够数量且人工标记过的环网图像。因此，算法需要重复改变自然灾害多发区域信息，随机产生不同的环网拓扑结构，以便生成做够数量的环网图像样本数据；

S5：以环网图像数据为输入，环网拓扑质量指标为输出，构建CNN模型，对CNN模型进行训练，并达到精度要求；其中，构建CNN模型是指设计CNN模型结构，CNN包括：输入层、卷积层、池化层、全连接层和输出层。输入层和输出层各有一个，卷积层和池化层可以灵活组合，且可以出现多次，全连接层可以有多个。根据问题复杂度，CNN中各隐含层的数量可优化设计。在本方法中，输入层的输入数据是环网图像，输出层的输出变量是环网拓扑质量指标。质量指标用向量表示为

I＝[a

其中，a

a

本实施例中对CNN模型进行训练，并达到精度要求，具体内容包括：首先，将S1中生成的环网图像样本数据集按照8:2的原则分为训练集和测试集；然后，对所设计的CNN模型进行训练。如果训练过程在给定的最大循环次数以内达到所要求的模型精度，则CNN模型训练成功；否则，注明精度没有达到要求，并给出实际精度。本方法可以根据实际问题和训练情况，对CNN模型做结构优化，并对最大循环次数进行调整适当；

S6：给定任意环网图像，利用训练好的CNN模型，实现电力通信劣质环网拓扑的识别，其中，给定任意环网图像是指按照S1中所述方法生成的环网图像。将给定环网图像作为CNN模型的数据输入，经过CNN运算，得到环网拓扑质量指标向量的输出。质量指标向量中数值最大元素所对应的环网拓扑质量等级对应电力通信劣质环网拓扑的识别结果。

为了进一步更好的解释本发明实施例，本发明方法中环网图像示例如图2所示，其具体如下：

图2给出了一个9节点的电力通信光缆网架结构图，该图可以构成一个电力通信光网络物理拓扑，在光缆网架范围内有两个自然灾害多发区域，分别为A区和B区，在给定光缆网架基础上，可以规划3个环网，分别为：C1、C2和C3。

本发明实施例中的C1包含节点2、3、6、7和8；C2包含节点2、3、6、8和9；C3包含节点3、4、6、8和9。由于C1节点间的所有光缆都与自然灾害多发区域A区和B区没有交汇点，所以该环网具有较强的抗毁性；而C2的节点6、9间光缆经过自然灾害高发区B，所以其抗毁性偏弱；C3的节点3、4间光缆和节点6、9间光缆，分别经过了自然灾害高发区A和B，因此，其抗毁性最差。通过直接观察环网图像，结合专家的领域知识，环网拓扑的性能优劣可以人工做出劣质环标记，C1质量最好，C3质量最差，C2质量居中。

为了提高劣质环拓扑识别的准确性，一幅环网图像通常仅包含一个环网。一方面，人工标记的准确性和效率会得到提高；另一方面，CNN模型的训练精度和识别准确率也会提高。

如图3所示，为了进一步更好地解释说明本发明实施例，本发明方法中劣质环网拓扑识别算法流程图包括以下内容：

首先，输入电力通信光缆网架结构的邻接矩阵，结合地理信息，确定节点的位置坐标，光缆的走向形状以及端点的位置坐标，确定CNN模型需要的训练样本数，等价于样本数据集的大小。在此基础上，参考防灾减灾管理部门的相关数据，设置自然灾害多发地区的区域信息，以及灾害强度、波及范围和发生频次等参数，由此形成背景地图。

接下来，根据电力通信光缆网架结构的邻接矩阵，利用不交化双路径算法，随机生成环网拓扑，并叠加绘制在背景地图上，从而形成环网图像。相关人员结合领域知识和抗毁性分析结果，对环网图像数据进行环网质量优劣的人工标记，为监督学习做准备。灾害区域参数的调整和随机环网拓扑生成算法需要循环执行多次，产生满足CNN模型训练和测试要求训练数据集。

然后，将训练数据集分为两部分，占数据集80％的样本用于CNN模型训练，20％的样本用于训练结果的测试和检验。设计CNN架构，并设定最大训练次数和训练精度。对CNN模型进行训练并测试。如果训练次数没有达到最大值，且没有达到所要求的运算精度，则继续训练；如果训练次数没有达到最大值，但精度达到要求，则训练结束，进行下一步劣质环识别；如果训练次数达到最大值，但训练精度仍然没有达到要求，则设定标记，说明CNN模型存在误差。

最后，利用训练好的CNN模型对任意给定的环网图像，进行环网图像识别，模型输出结果为环网拓扑质量指标向量，从而得到劣质环识别结果。

综上所述：本发明提供的一种基于卷积神经网络的电力通信劣质环网拓扑识别方法，首先，以电力通信光缆网架结构为基础，结合地理信息和自然灾害多发区域信息，形成能够明确表达自然灾害发生频度、灾害强度和影响区域等参数的背景地图。根据电力光缆网架，随机生成环网拓扑，并将环网的物理结构以醒目的方式叠加在背景地图上，构成环网图像。通过人工的方式，根据网络抗毁性原理和环网规划经验，对环网图像中的环网拓扑质量进行评价并做出标记，由此形成一个监督学习的样本数据。重复上述过程，算法可以生成样本规模满足要求的CNN训练数据集。然后，以环网图像数据为输入，环网拓扑质量指标为输出，设计并构建CNN模型。将CNN训练数据集的80％数据用于CNN模型训练，20％数据用于测试训练效果，知道满足精度要求或达到最大循环次数；最后，利用训练好的CNN模型，对给定任意环网图像实现电力通信劣质环网拓扑的识别。本发明方法通过CNN识别电力通信环网相对于自然灾害多发区域的拓扑性能，增强了环网规划设计的智能化水平，可迅速准确识别环网拓扑的优劣，提高环网优化的效率。本发明有助于电力通信运行管理部门，优化设计环网拓扑结构，降低网络运行风险，提高电力通信业务的抗灾能力。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。