一种基于深度学习的电力通信网可靠性预测和保障方法和系统

1.一种基于深度学习的电力通信网可靠性预测和保障方法，其特征在于，所述方法包括：采集电力通信网一段运行时间内的基本网络信息的运行数据，生成d 1 维基本网络信息向量 并将 作为预先设置的最优第一深度置信网络模型的输入特征向量，将最优第一深度置信网络模型的输出结果作为预先设置的最优第一双向LSTM神经网络模型的输入特征向量，将所述最优第一双向LSTM神经网络模型的输出结果经过解码器解码后得到电力通信网下一运行时间段基本网络信息向量中K个参数的预测值，其中， 表示基本网络信息向量中的第k个参数向量，k∈K，K表示向量 的基本网络信息中的参数向量的总个数， 为前缀向量，用于区分不同的基本网络信息参数向量 编码位数 根据电力通信网一段运行时间内的基本网络信息的运行数据，计算确定衡量电力通信网可靠性的指标的运行数据，生成d 2 维可靠性指标向量 并将 作为预先设置的最优第二深度置信网络模型的输入特征向量，将最优第二深度置信网络模型的输出结果作为预先设置的最优第二双向LSTM神经网络模型的输入特征向量，将所述最优第二双向LSTM神经网络模型的输出结果经过解码器解码后得到电力通信网下一运行时间段衡量电力通信网可靠性的指标向量中L个指标的预测值，其中， 表示可靠性指标向量中的第l个指标向量，l∈L，L表示向量 中衡量电力通信网可靠性的指标向量的总个数， 为前缀向量，用于区分不同的指标向量 编码位数 所述根据电力通信网一段运行时间内的基本网络信息的运行数据，计算确定衡量电力通信网可靠性的指标的运行数据包括：计算确定衡量电力通信网网络结构可靠性的指标nr，其计算公式为：式中，nr为网络拓扑成环比例，其中，NRN为网络中拓扑成环数量，TRN表示网络的环总数；计算确定衡量电力通信网网络节点可靠性的指标cr i 和fp i ，其计算公式为：式中，cr i 为i节点的吞吐容量利用率，c i 为i节点当前的已用容量，CM i 为i节点的总吞吐容量；fp i 表示i节点的故障概率，NSF i 为周期内i节点故障信息的采样数量，NF i 为采样周期内i节点发生故障的次数；计算确定衡量电力通信网网络业务能力可靠性的指标r ij ，其计算公式为：式中，r ij 表示i节点和j节点间链路的资源利用率，W ij 为i节点和j节点间链路已用波长数，NW ij 为总波长数；当所述电力通信网下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时，结合所述电力通信网下一运行时间段基本网络信息向量中K个参数的预测值进行电力通信网的网络优化。 2.根据权利要求1所述的方法，其特征在于，所述方法在采集电力通信网一段运行时间内的基本网络信息的运行数据之前还包括：采集电力通信网的基本网络信息的历史数据，所述基本网络信息包括网络的拓扑结构信息，业务信息，节点信息；根据所述电力通信网的基本网络信息的历史数据计算确定衡量电力通信网可靠性的指标的历史数据，所述衡量电力通信网可靠性的指标包括衡量网络结构可靠性、网络节点可靠性和网络业务能力可靠性的指标；基于所述电力通信网的基本网络信息的历史数据，生成d 1 维基本网络信息向量 基于所述衡量电力通信网可靠性的指标的历史数据，生成d 2 维可靠性指标向量 基于d 1 维基本网络信息向量 建立第一深度置信神经网络模型进行基本网络信息特征向量提取的训练，生成最优第一深度置信神经网络模型，其中，所述第一深度置信网络的输入层神经元数量为d 1 ，初始权重随机设置，神经元中的激活函数采用RELU函数，并在输出层的上一层通过BP反向传播算法优化更新所述网络的隐藏层中权重值和偏置值，根据模型训练效果不断调整神经网络隐藏层神经元数量和学习率，所述最优第一深度置信网络模型的输出层神经元数量为d 1 /2；基于d 2 维可靠性指标向量 建立第二深度置信神经网络模型进行可靠性指标特征向量提取的训练，生成最优第二深度置信神经网络模型，其中，所述第二深度置信网络模型的输入层神经元数量为d 2 ，初始权重随机设置，神经元中的激活函数采用RELU函数，并在输出层的上一层通过BP反向传播算法优化更新所述网络的隐藏层中权重值和偏置值，根据模型训练效果不断调整神经网络隐藏层神经元数量和学习率，所述最优第二深度置信网络模型的输出层神经元数量为d 2 /2；以所述最优第一深度置信网络的输出结果作为输入特征向量，建立第一双向LSTM神经网络模型进行预测训练，生成最优第一双向LSTM神经网络模型，其中，对所述第一双向LSTM神经网络设置的参数包括初始输入时间、隐含层层数、特征数、初始权重，所述最优第一双向LSTM神经网络模型的输出层神经元个数为K；以所述最优第二深度置信网络的输出结果作为输入特征向量，建立第二双向LSTM神经网络模型进行预测训练，生成最优第二双向LSTM神经网络模型，其中，对所述第二双向LSTM神经网络设置的参数包括初始输入时间、隐含层层数、特征数、初始权重，所述最优第二双向LSTM神经网络模型的输出层神经元个数为L。 3.根据权利要求2所述的方法，其特征在于，所述前缀向量 和 采用二进制编码。 4.根据权利要求1所述的方法，其特征在于，当所述电力通信网下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时，结合所述电力通信网下一运行时间段基本网络信息向量中K个参数的预测值进行电力通信网的网络优化包括：当下一运行时间段中衡量业务能力可靠性指标的预测值不符合设定的标准阈值时，进行业务优化，根据下一运行时间段基本网络信息向量中K个参数的预测值对业务进行重路由以提升网络可靠性；当下一运行时间段中衡量网络节点可靠性指标的预测值不符合设定的标准阈值时，进行节点优化，对故障节点进行紧急维修并实施业务保护措施以提升网络可靠性；当下一运行时间段中衡量网络结构可靠性指标的预测值不符合设定的标准阈值时，进行网络整体优化，根据下一运行时间段基本网络信息向量中K个参数的预测值，通过修改网络拓扑结构来提高网络整体可靠性；业务优化和节点优化的优先级高于网络整体优化。 5.一种基于深度学习的电力通信网可靠性预测和保障系统，其特征在于，所述系统包括：信息向量单元，其用于采集电力通信网一段运行时间内的基本网络信息的运行数据，生成d 1 维基本网络信息向量 以及根据电力通信网一段运行时间内的基本网络信息的运行数据，计算确定衡量电力通信网可靠性的指标的运行数据，生成d 2 维可靠性指标向量 其中， 表示基本网络信息向量中的第k个参数向量，k∈K，K表示向量 的基本网络信息中的参数向量的总个数， 为前缀向量，用于区分不同的基本网络信息参数向量 编码位数 表示可靠性指标向量中的第l个指标向量，l∈L，L表示向量 中衡量电力通信网可靠性的指标向量 的总个数， 为前缀向量，用于区分不同的指标向量 编码位数 所述根据电力通信网一段运行时间内的基本网络信息的运行数据，计算确定衡量电力通信网可靠性的指标的运行数据包括：计算确定衡量电力通信网网络结构可靠性的指标nr，其计算公式为：式中，nr为网络拓扑成环比例，其中，NRN为网络中拓扑成环数量，TRN表示网络的环总数；计算确定衡量电力通信网网络节点可靠性的指标cr i 和fp i ，其计算公式为：式中，cr i 为i节点的吞吐容量利用率，c i 为i节点当前的已用容量，CM i 为i节点的总吞吐容量；fp i 表示i节点的故障概率，NSF i 为周期内i节点故障信息的采样数量，NF i 为采样周期内i节点发生故障的次数；计算确定衡量电力通信网网络业务能力可靠性的指标r ij ，其计算公式为：式中，r ij 表示i节点和j节点间链路的资源利用率，W ij 为i节点和j节点间链路已用波长数，NW ij 为总波长数；第一预测单元，其用于将所述d 1 维基本网络信息向量 作为预先设置的最优第一深度置信网络模型的输入特征向量，将最优第一深度置信网络模型的输出结果作为预先设置的最优第一双向LSTM神经网络模型的输入特征向量，将所述最优第一双向LSTM神经网络模型的输出结果经过解码器解码后得到电力通信网下一运行时间段基本网络信息向量中K个参数的预测值；第二预测单元，其用于将所述d 2 维可靠性指标向量 作为预先设置的最优第二深度置信网络模型的输入特征向量，将最优第二深度置信网络模型的输出结果作为预先设置的最优第二双向LSTM神经网络模型的输入特征向量，将所述最优第二双向LSTM神经网络模型的输出结果经过解码器解码后得到电力通信网下一运行时间段衡量电力通信网可靠性的指标向量中L个指标的预测值；网络优化单元，其用于当所述电力通信网下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时，结合所述电力通信网下一运行时间段基本网络信息向量中K个参数的预测值进行电力通信网的网络优化。 6.根据权利要求5所述的系统，其特征在于，所述系统还包括模型建立单元，其用于建立预测电力通信网可靠性的深度置信神经网络模型和双向LSTM神经网络模型，所述模型建立单元包括：数据预处理单元，其用于采集电力通信网的基本网络信息的历史数据，根据所述电力通信网的基本网络信息的历史数据计算确定衡量电力通信网可靠性的指标的历史数据；第一向量单元，其用于基于所述电力通信网的基本网络信息的历史数据，生成d 1 维基本网络信息向量 第二向量单元，基于所述衡量电力通信网可靠性的指标的历史数据，生成d 2 维可靠性指标向量 第一模型单元，其用于基于 建立第一深度置信神经网络模型进行基本网络信息特征向量提取的训练，生成最优第一深度置信神经网络模型，其中，所述第一深度置信网络的输入层神经元数量为d 1 ，初始权重随机设置，神经元中的激活函数采用RELU函数，并在输出层的上一层通过BP反向传播算法优化更新所述网络的隐藏层权重值和偏置值，根据模型训练效果不断调整神经网络隐藏层神经元数量和学习率，所述最优第一深度置信网络模型的输出层神经元数量为d 1 /2；第二模型单元，其用于基于 建立第二深度置信神经网络模型进行可靠性指标特征向量提取的训练，生成最优第二深度置信神经网络模型，其中，所述第二深度置信网络模型的输入层神经元数量为d 2 ，初始权重随机设置，神经元中的激活函数采用RELU函数，并在输出层的上一层通过BP反向传播算法优化更新所述网络的隐藏层权重值和偏置值，根据模型训练效果不断调整神经网络隐藏层神经元数量和学习率，所述最优第二深度置信网络模型的输出层神经元数量为d 2 /2；第三模型单元，其用于以所述最优第一深度置信网络的输出结果作为输入特征向量，建立第一双向LSTM神经网络模型进行预测训练，生成最优第一双向LSTM神经网络模型，其中，对所述第一双向LSTM神经网络设置的参数包括初始输入时间、隐含层层数、特征数、初始权重，所述最优第一双向LSTM神经网络模型的输出层神经元个数为K；第四模型单元，其用于以所述最优第二深度置信网络的输出结果作为输入特征向量，建立第二双向LSTM神经网络模型进行预测训练，生成最优第二双向LSTM神经网络模型，其中，对所述第二双向LSTM神经网络设置的参数包括初始输入时间、隐含层层数、特征数、初始权重，所述最优第二双向LSTM神经网络模型的输出层神经元个数为L。 7.根据权利要求6所述的系统，其特征在于，所述模型建立单元和信息向量单元对前缀向量 和 采用二进制编码。 8.根据权利要求5所述的系统，其特征在于，所述网络优化单元当所述电力通信网下一运行时间段L个指标的预测值中的至少一个不满足预先设定的对应指标的指标阈值时，结合所述电力通信网下一运行时间段基本网络信息向量中K个参数的预测值进行电力通信网的网络优化包括：当下一运行时间段中衡量业务能力可靠性指标的预测值不符合设定的标准阈值时，进行业务优化，根据下一运行时间段基本网络信息向量中K个参数的预测值对业务进行重路由以提升网络可靠性；当下一运行时间段中衡量网络节点可靠性指标的预测值不符合设定的标准阈值时，进行节点优化，对故障节点进行紧急维修并实施业务保护措施以提升网络可靠性；当下一运行时间段中衡量网络结构可靠性指标的预测值不符合设定的标准阈值时，进行网络整体优化，根据下一运行时间段基本网络信息向量中K个参数的预测值，通过修改网络拓扑结构来提高网络整体可靠性；业务优化和节点优化的优先级高于网络整体优化。