中图分类号:U463.63文献标识码:A

A Fault Diagnosis Method for Power Communication Network Using SDH Warning

Hu Xin, Shen Wei, Yu Hao, Chen Yijun, Ju Ling

State Grid Jiangsu Electric Power Co., Ltd. Taizhou Power Supply Branch

Abstract: In order to improve the accuracy of fault diagnosis in power communication networks, SDH alarms are introduced to carry out design research on fault diagnosis methods for power communication networks. Firstly, use SSDH alarms to mine fault correlation data in power communication networks; Afterwards, a CNN network for fault diagnosis in the power communication network was constructed to achieve fault diagnosis. The application of new fault diagnosis methods in practice can prove that the application of SDH alarms can effectively promote the improvement of fault diagnosis accuracy and provide more favorable basis conditions for the operation, maintenance, and management of power communication networks.

Keywords: SDH alarm; Communication; Fault; Network; Electricity; Diagnosis;

0引言

电力行业的快速发展，使得电力通信网络在电力系统中的地位日益重要。然而，在电力通信网络出现故障时，如何快速准确地诊断并解决问题，已经成为保障电力网络安全的关键。该研究不仅能提高电力系统的稳定性，还可促进我国电力行业的技术进步^[1]。近年来，许多专家和学者对电力通信网络故障诊断方法进行了深入研究。典型的故障诊断方法包括基于数学模型的方法、基于人工智能的方法和混合方法。基于数学模型的方法主要是利用统计学、优化理论等数学工具建立网络故障与各因素之间的数学关系，通过模型解算找出故障原因^[2]。此类方法需要对大量数据进行处理，且模型的可解释性有限。基于人工智能的方法利用机器学习、深度学习等技术，通过对历史数据的训练和学习，实现对网络故障的自动诊断。此类方法需要大量的训练数据，且对模型的解释性不强。针对现有方法存在问题，本文将应用SDH告警，探讨电力通信网络故障诊断的方法。

1基于SDH告警的电力通信网络故障关联数据挖掘

为提升电力通信网络故障诊断效果，本次先进行电力通信网络故障关联数据挖掘，其可为后续故障的诊断提供决策依据，通过对SDH告警数据进行深入分析，可以挖掘出告警信息之间的关联和规律，从而快速定位和修复故障，提高电力通信网络的稳定性和可靠性^[3]。基于SDH告警的电力通信网络故障关联数据挖掘的关键步骤为：对原始SDH告警数据进行清洗、标准化等预处理，以去除冗余和错误数据，将告警信息转化为统一的格式和标准；利用数据挖掘算法，对预处理后的告警数据进行关联分析。通过挖掘告警之间的关联关系，可以发现告警之间的联系和影响，从而更好地理解故障的本质。

先对原始SDH告警数据进行预处理。

对其清洗可以按照下述进行操作：可以使用Left、Right、Mid、Find等函数按照指定的要求提取指定的值。例如，在目标单元格中依次输入:=LEFT(C3,6)、=MID(C3,7,8)、=RIGHT(C3,4)来提取固定位置的值，或者使用Find函数提取不固定位置的值，如:=LEFT(B3,FIND("-",B3)-1)、=MID(B3,FIND("-",B3)+1,100)。然后对数据进行最大——最小标准化处理，将数据缩放到0到1的范围内，公式为：

（1）

公式中，表示标准化处理后的数据；表示原始数据；表示原始数据最小限值；表示原始数据最大限值。或采用下述公式对数据进行处理：

（2）

公式中，表示均值；表示标准差。在实际应用中，需要根据具体的数据和任务来选择合适的清洗和标准化方法。

在完成对原始SDH告警数据的处理后，结合关联规则，对数据进行进一步挖掘。先通过计算项集的支持度，找到频繁项集，其支持度不低于给定阈值的项集。支持度可通过下述公式计算得出：

（3）

公式中，表示支持度；表示和同时出现的概率；表示总数^[4]。

然后从频繁项集中生成所有可能的规则，然后计算规则的置信度。根据一定的评价标准，选择置信度和支持度都较高的规则作为有效的关联规则，其置信度计算公式为：

（4）

公式中，表示对的置信度；表示支持的数量。在完成关联规则选择后，将关联规则以可视化形式展示，以帮助用户理解数据之间的关联关系。可视化评估：根据可视化的结果，对关联规则进行评估和优化，提高关联规则的质量和实用性。依据上述，对于原始数据可按照与电力通信网络故障的关联性重要程度完成排序，最后在完成上述操作后，将支持度和置信度最高的数据作为输出，其表达式为：

（5）

公式中，表示数据挖掘结果数据；表示同时满足支持度和置信度最高的数据。综上，完成电力通信网络故障关联数据挖掘。

2电力通信网络故障诊断设计

在完成上述关联数据挖掘后，以挖掘得到的数据结果为基础，构建故障诊断CNN网络，实现电力通信网络故障诊断。首先，利用CNN运算，将故障状态矩阵输入到 CNN网络中，通过卷积运算，抽取出各类型的故障特征图谱^[5]。多卷积核可从多个层次上抽取多个特征，从而更好地挖掘出故障和报警信息之间的特征相关性。在提取出特征图谱之后，将特征图谱输入到池化层中以降低其维数。使用图论的邻接矩阵表达帧点之间的拓扑结构连接关系，假设为一个具有个顶点的特征图谱，表示的边集，则的邻接函数可表示为：

（6）

公式中，表示的邻接函数；表示邻接顶点^[6,7]。的取值可以根据下述公式得出：

（7）

公式中，和均表示特征图谱中的站点^[8]。为了进一步实现对电力通信网站点拓扑连接关系和故障时刻的故障状态的表征，定义故障状态矩阵为，的计算公式为：

（8）

公式中，表示SDH告警事务编码所构成的矩阵。在此基础上，提出了一种基于局部相关特性的最大池化算法，该算法仅对特征图中的一小部分进行采样，从而保持了故障的关键特性。在经过卷积和池化处理后，CNN网络提取到不同类型的特征，对应多个特征图。在此基础上，利用全连通层对各类型的故障类型进行综合，并将其输入到 softmmaz分类器中，实现对各类型故障的分类^[9,10]。利用卷积池化层对故障特征进行抽取，由此生成的特征图是一种具有一定分类判别能力的局部信息。完整连通级等效为对各故障进行权重处理，从而获得更全面的整体特性。对故障站点标记，除 Softrmax层的输出维度不同外，其他参数都与已建立的故障站点标记分类网络相吻合。使用训练数据集对CNN模型进行训练，优化模型的参数和结构，以提高模型的准确性和泛化能力。在训练过程中，可以使用交叉验证等技术来评估模型的性能和防止过拟合。将训练好的CNN模型应用到实际电力通信网络故障诊断中，及时检测和识别故障类型和位置。同时，也需要对CNN模型进行持续地监控和维护，以保持其准确性和有效性。

3实例应用分析

以图1所示的电力通信网络为依托，为验证应用SDH告警后故障诊断方法的应用性能，对该网络进行故障诊断应用研究。

图1电力通信网络拓扑结构图

从图1可以看出，该电力通信网络中包含了两台计算机、四台核心路由器、两台网关服务器以及三台交换机。针对上述电力通信网络，人为设置四种故障，分别为硬件故障、软件故障、配置错误和网络攻击。硬件故障包括网线、光纤、交换机、路由器等硬件设备出现故障。软件故障包括操作系统、网络协议等软件出现故障。配置错误包括配置不正确、参数设置不当等导致的通信异常问题。网络攻击包括黑客攻击、病毒攻击等导致的通信中断或数据修改问题。针对每种故障，设置不同的出现次数，并将对应故障类型实际出现次数作为依据，将其与本文故障诊断方法给出的结果进行对比，得到如表1所示的结果。

表1本文方法故障诊断结果记录表

对表1中记录的结果分析可以得出，本文方法诊断得到的结果与该电力通信网络实际每个类型故障发生次数相差较小，各故障类型诊断结果的准确率均在99.50%以上，具备极高的诊断精度。由此可以证明，应用SDH告警的诊断方法在实际应用中可以实现对电力通信网络故障的高精度诊断，将该方法运用到实际可以有效提高电力通信网络的运行安全性和稳定性，结合得到的诊断结果可以对电力通信网络运维方案的制定提供决策依据。

4结束语

本文以应用SDH告警的电力通信网络故障诊断方法为题，探讨了如何利用SDH告警信息进行电力通信网络的故障诊断。通过分析SDH告警信息的含义和作用，结合现代技术，提出了一种全新的电力通信网络故障诊断方法。这种方法具有高准确性、高效率、低人工干预等优点，对于提高电力通信网络的稳定性和可靠性具有重要意义。

参考文献

[1]齐放,姚渭箐,张成,等. 基于卷积神经网络的电力通信网络故障诊断[J]. 信息技术,2023,(06):119-123+128.

[2] 徐珂航,王民昆,张磊,等. 基于图卷积神经网络的电力通信网故障量化计算研究[J]. 无线电工程,2022,52(11):2062-2071.

[3]彭寒梅,王维首,苏永新,等. 基于负荷恢复价值折算的主动配电网电力-通信故障统一修复策略[J]. 电力自动化设备,2023,43(04):135-142.

[4]王海龙,蔡峡,郭宇飞. 基于改进神经网络的电力通信网络故障诊断策略研究[J]. 电气技术与经济,2023,(01):50-52.

[5]王一,徐欣,张俊,等. 基于EMD的隧道电力通信设备故障预警系统[J]. 电子设计工程,2023,31(14):191-195.

[6]王海龙,蔡峡,郭宇飞. 基于改进神经网络的电力通信网络故障诊断策略研究[J]. 电气技术与经济,2023,(01):50-52.

[7]彭波涛,戈伟. 基于蚁群算法的电力通信网络节点故障检测系统[J]. 机电工程技术,2022,51(09):273-275.

[8]王浩,金广祥,李疆生,等. 面向大规模电力通信网络故障的恢复方法[J]. 信息技术,2020,44(09):110-114+120.

[9]陈楠. 电力数据通信网络故障原因分析及处理[J]. 数字通信世界,2020,(07):106-107.

[10]程松,俞浩,钱建平.基于改进免疫算法的工业通信网络控制器故障位置检测[J].自动化与仪表,2023,38(10):72-76.