基于深度强化学习的通信网故障智能感知与预警模型研究

缪巍巍¹，吴海洋¹，陈 鹏¹，李 伟¹，蒋春霞¹，朱鹏宇²

(1. 国网江苏省电力有限公司信息通信分公司，江苏 南京 210008）

(2. 南京南瑞信息通信科技有限公司，江苏 南京 210008)

基金项目：国网江苏省电力有限公司科技项目（J2019120）

作者简介：缪巍巍（1968—），男，高级工程师，硕士，主要研究方向为电力通信、人工智能，ajjhdu89@163.com.

摘要：随着电网规模的不断扩大，电力通信网络的作用越发显得重要。介绍了深度学习算法的种类，基于神经网络对现有深度学习算法进行改进，构建了深度学习算法模型。建立了基于深度学习算法的电力通信网络，当电力通信网络出现故障或元件发生变化时，智能终端采集故障数据并上报，实现对电力通信网故障的智能定位。采用某市电力公司通信网络的故障数据进行仿真验证，结果显示，改进的深度学习算法与已有的算法相比，对电力通信网络故障的感知具有更高的准确率。

关键词：故障感知；预警模型；深度学习；电力通信网

中图分类号：TP212.9     文献标识码：A     文章编号：2095-509X(2021)06-0102-03

电力系统安全稳定地运行依赖于电力设备通信网的感知和预警。电力设备包括变压器、断路器、母线、隔离开关等^［1］，随着发电容量的增加，电力设备结构日趋复杂，元件数量不断增多。电力通信网的研究始于20世纪70年代，以断路器3状态模型为主^［2］。20世纪90年代，罗伊·比林顿引入了广域（n+2）状态的马尔科夫模型，将其应用在发电厂可靠性算法中。电力通信网的功能主要体现在保证电网运行的高效率和高供电质量。目前，电力通信网的智能算法处于起步阶段，建立一套完善的电力通信网故障感知预警模型已成为当下迫切需要解决的问题。

1 深度学习算法

1.1 深度学习算法分类及网络结构

深度学习算法种类繁多，多层感知机模型、深度神经网络模型和递归神经网络模型是最为常见的三类算法模型，依据这三类模型可以衍生出更多的算法^［3］。三类模型所对应的神经网络分别为深度信念网络（deep belief network，DBN）、卷积神经网络（convolution neural networks，CNN）和递归神经网络（recurrent neural network，RNN）。一般地，DBN模型由若干层受限玻尔兹曼机器（restricted Boltzman machine，RBM）堆叠而成^［4］，受限玻尔兹曼机器的网络结构相对简单，通常由两层网络组成。卷积神经网络的功能以语音分析和图像识别为主，其结构相对简单，以权值共享的方式实现。卷积网络表达输入输出的关系，在本质上是一种输入到输出的映射^［5］，其网络结构图如图1所示。递归神经网络是一种具有反馈结构的神经网络^［6］，其主要功能是用于处理时序数据，结构如图2所示，包含输入层、输出层以及隐藏层。