[发明专利]基于可靠性预测和粒子群优化的电力通信网路由规划方法

说明书

本发明公开了一种基于可靠性预测和粒子群优化的电力通信网路由规划方法，通过训练好的电力通信网络的可靠性预测模型预测当前时刻网络节点和链路的可靠性，通过节点、链路的可靠性和基于粒子群优化算法得到最优的电力通信网络服务路由方案；所述电力通信网络的可靠性预测模型基于递归神经网络构建。所述电力通信网络的可靠性预测模型的输入包括：节点缓冲的占用程度、光纤通信错误率以及光功率；输出为：通信网络上节点可靠性预测结果，链路可靠性预测结果为与之相连的两个节点可靠性平均值。本发明能够自动感知网络状态，规划准确。

技术领域

本发明涉及机器学习以及路径优化技术领域，具体涉及一种可靠性预测和粒子群优化的电力通信网路由规划方法。

背景技术

智能电网以及集成的电力通信网一方面承载了电力基础设施的运行，一方面承载了相应的信息交换，状态监控以及管理等通信服务。在配套通信网络上运行的服务对于相关电力设备的可靠性而言至关重要。同时，就通信网络自身的鲁棒性而言，也有众多的服务从拥塞以及链路故障诊断和恢复的角度进行保护。

目前的电力通信网络通常和对应的电力系统共享同样的拓扑结构。作为一种典型的通信骨干网，网络节点之间通过光纤相连，承载路由以及QoS服务等基本功能。构建电力通信网络的硬件设备和一般网络设备类似，不可避免的会受到各种外界因素的影响，导致信息延迟以及拥塞等情况的发生。此类影响有可能是急性的外部突发事件，比如灾害性天气导致的大范围通信中断。也有可能是慢性的长期因素比如设备老化等导致的特定链路以及服务的可靠性下降。

现有的电力通信网络故障恢复技术主要针对突发的故障实现诊断和恢复。此类技术通过对反映网络拥塞状态的一些状态进行直接检测，判断节点以及相邻链路当前是否受到干扰，并使用一些分布式部署的算法在判断受到干扰的情况下使用一些路由调整算法尽快的从故障中恢复。其中异常的路由队列长度等直接特征是最主要的参考因素。正因为此，此类算法通常到网络面临直接风险时才会起作用，仍然将系统暴露在一些潜藏的外部攻击中。

另一方面，从网络服务路由优化的角度而言，一些传统的方法如Dijkstra(狄克斯特拉)算法等在寻路问题中显示出了较高的性能。然而现有方法通常都缺乏自动感知网络状态的功能，需要基于人工干预且基于经验常数才能较好的工作。对于实际的电力系统以及配套的通信网络而言，潜在的风险往往是长期存在且不可预测的。同时，通信服务所基于的网络硬件参数也是时变的，使用基于经验参数的固定算法进行路由优化在很多场合下不能满足需求。

发明内容

为解决现有技术中的不足，本发明提供一种可靠性预测和粒子群优化的电力通信网路由规划方法，解决了现有电力通信网络动态路由规划缺乏自动感知网络状态导致规划不准确的问题。

为了实现上述目标，本发明采用如下技术方案：一种基于可靠性预测和粒子群优化的电力通信网路由规划方法，

通过训练好的电力通信网络的可靠性预测模型预测当前时刻网络节点和链路的可靠性，通过节点、链路的可靠性和基于粒子群优化算法得到最优的电力通信网络服务路由方案；

所述电力通信网络的可靠性预测模型基于递归神经网络构建。

进一步的，所述电力通信网络的可靠性预测模型的输入包括：节点缓冲的占用程度、光纤通信错误率以及光功率；输出为：通信网络上节点可靠性预测结果，链路可靠性预测结果为与之相连的两个节点可靠性平均值。

进一步的，所述节点缓冲的占用程度定义为：

其中，o_v(t)表示时刻t的节点v上的缓冲占用程度，N_ve(△t)为节点v在时隙△t期间内从与其相邻链路e接收到的包数量；为和当前节点v邻接的所有链路集合，e∈△E，E表示节点之间的链路集合，m_v为节点v可以处理的最大包数。