李偉，戴勇，汪大洋，酈競(jìng)偉，王文帝

(1.國(guó)網(wǎng)江蘇省電力有限公司信息通信分公司，南京 210024；2.國(guó)網(wǎng)江蘇省電力有限公司南京供電分公司，南京 210019)

0 引 言

電力系統(tǒng)穩(wěn)定可靠運(yùn)行離不開(kāi)通信網(wǎng)絡(luò)的支撐。目前國(guó)內(nèi)電網(wǎng)已經(jīng)建成覆蓋電廠、變電站、調(diào)度大樓的廣域?qū)Ｓ霉饫w網(wǎng)絡(luò)[1]，實(shí)現(xiàn)對(duì)電力系統(tǒng)廠站自動(dòng)化終端的廣泛互聯(lián)與遠(yuǎn)程操作。隨著電網(wǎng)智能互動(dòng)需求向中低壓電網(wǎng)延伸，沿用光纖通信網(wǎng)絡(luò)將面臨業(yè)務(wù)點(diǎn)多面廣、光纜敷設(shè)周期長(zhǎng)、成本高等困難。中壓電力線載波網(wǎng)絡(luò)拓?fù)涫芟抻陔娋W(wǎng)拓?fù)?，組網(wǎng)靈活性差[2]。無(wú)線公網(wǎng)承載控制業(yè)務(wù)安全防護(hù)強(qiáng)度低，且與互聯(lián)網(wǎng)業(yè)務(wù)共網(wǎng)承載，電力業(yè)務(wù)通信資源保障能力弱。綜上，利用電力行業(yè)自有頻率資源建設(shè)專(zhuān)用無(wú)線通信網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)配用電側(cè)海量終端的靈活接入與實(shí)施控制具有良好的應(yīng)用前景，適用于配用電網(wǎng)海量終端的靈活接入與實(shí)時(shí)控制[3]。

然而，電網(wǎng)安全穩(wěn)定控制需要通信網(wǎng)絡(luò)具備極高的可靠可用性。電力系統(tǒng)通信網(wǎng)絡(luò)承載了大量電網(wǎng)感知與控制信號(hào)，網(wǎng)絡(luò)故障易引發(fā)電力信息物理系統(tǒng)連鎖反應(yīng)，嚴(yán)重時(shí)可能會(huì)導(dǎo)致電力系統(tǒng)發(fā)生不可預(yù)估事故。因此，建設(shè)并應(yīng)用電力無(wú)線專(zhuān)網(wǎng)時(shí)，有必要針對(duì)網(wǎng)絡(luò)運(yùn)行狀態(tài)實(shí)時(shí)監(jiān)測(cè)與故障分析診斷手段開(kāi)展相關(guān)技術(shù)研究。近年來(lái)，針對(duì)電力系統(tǒng)運(yùn)行故障診斷領(lǐng)域，有學(xué)者應(yīng)用機(jī)器學(xué)習(xí)、人工智能技術(shù)取得了智能診斷方面的研究成果[4-5]。電力光纖通信系統(tǒng)借助網(wǎng)絡(luò)管理系統(tǒng)也實(shí)現(xiàn)了網(wǎng)絡(luò)狀態(tài)的實(shí)時(shí)采集、在線監(jiān)測(cè)[6]。文獻(xiàn)[7]提出利用時(shí)間序列分析技術(shù)實(shí)現(xiàn)網(wǎng)絡(luò)態(tài)勢(shì)發(fā)展預(yù)測(cè)；文獻(xiàn)[8]提出采用數(shù)據(jù)挖掘技術(shù)實(shí)現(xiàn)電力通信網(wǎng)管告警信號(hào)的關(guān)聯(lián)分析；文獻(xiàn)[9]針對(duì)路由器連接故障提出一種基于深度學(xué)習(xí)模型的故障診斷算法，診斷正確率高；文獻(xiàn)[10]提出一種加權(quán)概率二分圖模型開(kāi)展網(wǎng)絡(luò)故障對(duì)癥狀的貢獻(xiàn)分析。文獻(xiàn)[11]全面闡述了人工智能在5G通信系統(tǒng)的研究現(xiàn)狀、未來(lái)研究方向等；文獻(xiàn)[12]提出基于大數(shù)據(jù)分析的網(wǎng)絡(luò)故障預(yù)警方法；文獻(xiàn)[13]基于專(zhuān)家知識(shí)庫(kù)，提出了一種基于模糊邏輯推斷的無(wú)線網(wǎng)絡(luò)故障智能診斷算法；文獻(xiàn)[14]利用少數(shù)類(lèi)合成過(guò)采樣方法解決了樣本數(shù)據(jù)量少的問(wèn)題，并提出一種基于集成學(xué)習(xí)的無(wú)線網(wǎng)絡(luò)故障診斷算法。

目前,針對(duì)無(wú)線通信網(wǎng)絡(luò)的日常運(yùn)維主要依賴于人工路測(cè)、專(zhuān)家診斷與網(wǎng)絡(luò)工程師現(xiàn)場(chǎng)實(shí)施的方式，可以較好地模擬用戶行為特征(如步行、駕駛汽車(chē)等移動(dòng)狀態(tài))測(cè)試網(wǎng)絡(luò)性能，但也面臨路測(cè)成本高、故障診斷依賴人工判斷耗時(shí)耗力等缺點(diǎn)。第三代合作伙伴計(jì)劃(3rd Generation Partnership Project, 3GPP)啟動(dòng)了一項(xiàng)被稱(chēng)作“最小化路測(cè)”(Minimization of DTs, MDT)的研究任務(wù)[15]，利用終端上報(bào)網(wǎng)絡(luò)狀態(tài)周期性測(cè)量值、用戶地理坐標(biāo)等信息，輔助運(yùn)營(yíng)商開(kāi)展網(wǎng)絡(luò)狀態(tài)分析、故障診斷。電力無(wú)線專(zhuān)網(wǎng)網(wǎng)絡(luò)覆蓋的主要目標(biāo)是電網(wǎng)末端感知采集節(jié)點(diǎn)、控制終端等，具有位置固定、實(shí)時(shí)在線運(yùn)行等特征[16]，利用MDT技術(shù)開(kāi)展電力無(wú)線專(zhuān)網(wǎng)運(yùn)營(yíng)維護(hù),具有實(shí)施成本低、網(wǎng)絡(luò)分析針對(duì)性強(qiáng)等優(yōu)勢(shì)，MDT技術(shù)為電力無(wú)線專(zhuān)網(wǎng)運(yùn)維平臺(tái)的智能診斷分析提供了海量數(shù)據(jù)支撐，具有廣闊應(yīng)用前景[17]。

文章擬結(jié)合專(zhuān)網(wǎng)自身特點(diǎn)詳細(xì)分析其典型故障類(lèi)型，并采用MDT方法構(gòu)建網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)異常分析框架，基于指標(biāo)異常程度度量值設(shè)計(jì)一種故障智能診斷模型。

1 電力無(wú)線專(zhuān)網(wǎng)典型網(wǎng)絡(luò)故障模型

電力無(wú)線專(zhuān)網(wǎng)平均每平方公里業(yè)務(wù)接入密度約為公網(wǎng)的幾十分之一，因此電力無(wú)線專(zhuān)網(wǎng)單基站覆蓋范圍較大，城區(qū)覆蓋半徑約1 km左右，城市郊區(qū)覆蓋半徑達(dá)到3 km以上[18-19]。因此，電力無(wú)線專(zhuān)網(wǎng)運(yùn)行具有廣覆蓋、功率受限等特點(diǎn)，需要密切關(guān)注過(guò)覆蓋、弱覆蓋(含覆蓋空洞)、邊緣接入能力惡化、系統(tǒng)內(nèi)外干擾等典型問(wèn)題。

無(wú)線網(wǎng)絡(luò)過(guò)覆蓋是指較遠(yuǎn)處的小區(qū)由于天線下傾角較低、天線掛高過(guò)高導(dǎo)致信號(hào)輻射范圍過(guò)大，由于LTE系統(tǒng)采用全網(wǎng)頻率復(fù)用，過(guò)覆蓋導(dǎo)致的越區(qū)干擾是常見(jiàn)的故障之一。弱覆蓋(含覆蓋空洞)是指在某些區(qū)域無(wú)線專(zhuān)網(wǎng)信號(hào)強(qiáng)度低至規(guī)劃值，無(wú)法滿足業(yè)務(wù)接入條件，導(dǎo)致業(yè)務(wù)離線。導(dǎo)致弱覆蓋或覆蓋空洞的主要原因包括無(wú)線傳播環(huán)境中障礙物背對(duì)基站天線一側(cè)信號(hào)衰減大、新建障礙物等。接入能力惡化是指業(yè)務(wù)點(diǎn)信號(hào)強(qiáng)度較弱導(dǎo)致解碼失敗率增加，業(yè)務(wù)通信帶寬逐漸降低，并影響業(yè)務(wù)隨機(jī)接入網(wǎng)絡(luò)成功率，導(dǎo)致業(yè)務(wù)頻繁離線。系統(tǒng)內(nèi)外干擾(以下簡(jiǎn)稱(chēng)“干擾”)是指在無(wú)線專(zhuān)網(wǎng)工作頻段內(nèi)出現(xiàn)非期望接收信號(hào)，影響了接收機(jī)解碼正確率，嚴(yán)重時(shí)會(huì)導(dǎo)致業(yè)務(wù)離線，干擾源可能來(lái)自工作頻段內(nèi)部或者外部。典型的系統(tǒng)內(nèi)干擾包括模三干擾、大氣波導(dǎo)等，系統(tǒng)外干擾包括與運(yùn)營(yíng)商基站共塔時(shí)的雜散干擾、阻塞干擾等。

如圖1所示，電力無(wú)線專(zhuān)網(wǎng)利用MDT技術(shù)架構(gòu)實(shí)現(xiàn)KPI采集功能，采集小區(qū)覆蓋下業(yè)務(wù)點(diǎn)關(guān)鍵性能指標(biāo)(Key Performance Indicator, KPI)；通過(guò)KPI統(tǒng)計(jì)，計(jì)算模塊的滑動(dòng)時(shí)間窗求解KPI統(tǒng)計(jì)量(概率分布密度估計(jì)、均值與方差計(jì)算等)；利用KPI異常檢測(cè)模塊,針對(duì)KPI統(tǒng)計(jì)量與歷史正常KPI特征開(kāi)展比對(duì)分析，若未出現(xiàn)異常，則將當(dāng)前統(tǒng)計(jì)量推送至KPI特征庫(kù)動(dòng)態(tài)更新正常KPI密度估計(jì)值，反之，將異常KPI統(tǒng)計(jì)量推送故障分析模塊，進(jìn)行診斷，并將診斷結(jié)果推送至專(zhuān)家知識(shí)庫(kù)。運(yùn)維人員根據(jù)診斷結(jié)果并依據(jù)網(wǎng)絡(luò)優(yōu)化策略解決網(wǎng)絡(luò)故障[20]。

圖1 基于MDT統(tǒng)計(jì)數(shù)據(jù)的故障診斷系統(tǒng)結(jié)構(gòu)框圖

電力無(wú)線專(zhuān)網(wǎng)MDT主要采集的業(yè)務(wù)KPI種類(lèi)主要包括：(1)參考信號(hào)接收功率(Reference Signal Receiving Power，RSRP)，定義為下行導(dǎo)頻信號(hào)平均接收功率，單位為dBm；(2)信號(hào)與干擾加噪聲比(Signal to Interference plus Noise Ratio, SINR)定義為導(dǎo)頻信號(hào)功率與干擾和噪聲功率比值，單位為dB；(3)隨機(jī)接入成功率定義為業(yè)務(wù)點(diǎn)隨機(jī)接入成功次數(shù)與隨機(jī)接入總數(shù)的比值，記為RASR，隨機(jī)接入主要發(fā)生于終端從空閑態(tài)向連接態(tài)轉(zhuǎn)移，觸發(fā)轉(zhuǎn)移的條件包括核心網(wǎng)尋呼、業(yè)務(wù)本側(cè)發(fā)起數(shù)據(jù)傳輸請(qǐng)求、系統(tǒng)參數(shù)更新等；(4)業(yè)務(wù)平均傳輸速率，單位為bps，記為CAP。

小區(qū)級(jí)KPI被定義為業(yè)務(wù)級(jí)KPI的統(tǒng)計(jì)意義上的閾值，例如小區(qū)RSRP 95%閾值是指該小區(qū)覆蓋范圍內(nèi)95%的業(yè)務(wù)點(diǎn)的RSRP下限值，小區(qū)SINR 95%、RASR 95%、CAP 95%定義與之類(lèi)似。因此，下文主要針對(duì)業(yè)務(wù)級(jí)KPI開(kāi)展故障診斷分析研究，相關(guān)算法可簡(jiǎn)單推廣至小區(qū)級(jí)KPI場(chǎng)景中。

2 電力無(wú)線專(zhuān)網(wǎng)故障診斷方法設(shè)計(jì)

本節(jié)將針對(duì)圖1所示的電力無(wú)線專(zhuān)網(wǎng)故障診斷系統(tǒng)，詳細(xì)闡述KPI統(tǒng)計(jì)計(jì)算、異常檢測(cè)與故障診斷的算法原理及處理流程等。

2.1 KPI統(tǒng)計(jì)計(jì)算模塊設(shè)計(jì)

記無(wú)故障、過(guò)覆蓋、弱覆蓋、接入能力惡化、干擾依次為Fk,k=0,1,2,3,4。網(wǎng)絡(luò)KPI包括RSRP、SINR、RASR、CAP等。針對(duì)KPIn(n=1,2,…,N)的樣本序列采用窗長(zhǎng)為W，滑動(dòng)步長(zhǎng)(采樣計(jì)算周期)為(W-V)的滑動(dòng)窗采集樣本序列，采集到的隨機(jī)變量序列如下：

(1)

首先，RSRP受無(wú)線傳播信道衰落影響，其典型概率分布符合瑞利分布，概率密度函數(shù)為：

(2)

(3)

根據(jù)式(4)，文中按照滑動(dòng)窗W-V周期性計(jì)算采樣的RSRP,計(jì)算可以獲得瑞利分布參數(shù)的極大似然估計(jì)，即可獲得不同故障類(lèi)型關(guān)于RSRP的條件概率分布。SINR正比于RSRP與PN+PinCell+PoutCell的比值，因此其概率密度函數(shù)可參照RSRP。

(4)

式中PN、PinCell、PoutCell分別為熱噪聲功率、小區(qū)內(nèi)干擾功率和小區(qū)外干擾功率。

接著，文中針對(duì)RASR概率分布進(jìn)行建模。通信終端每次隨機(jī)接入基站成功率為RASR，失敗率為1-RASR，即可以將隨機(jī)接入看作為二項(xiàng)分布，根據(jù)統(tǒng)計(jì)學(xué)理論可知，Beta分布是二項(xiàng)分布的共軛先驗(yàn)，RASR的條件后驗(yàn)概率密度服從Beta分布，Beta分布的概率密度函數(shù)由下式給出[21]：

(5)

式中B(α,β)=Γ(α)Γ(β)/Γ(α+β)，Γ(·)為伽馬函數(shù)。α,β的最大似然估計(jì)值分別為隨機(jī)接入成功次數(shù)與失敗次數(shù)。文中按照滑動(dòng)窗W-V周期性記錄終端隨機(jī)接入成功與失敗次數(shù)，即可獲得不同故障類(lèi)型關(guān)于RASR的條件概率分布。

最后，文中針對(duì)CAP開(kāi)展條件概率密度估計(jì)。根據(jù)中心極限定理，業(yè)務(wù)平均傳輸速率服從N(μ,σ2)的高斯分布，其中:

(6)

式中均值μ和方差σ2的極大似然估計(jì)為：

(7)

(8)

2.2 KPI異常檢測(cè)模塊設(shè)計(jì)

利用KL散度刻畫(huà)故障條件下相對(duì)于無(wú)故障時(shí)的概率分布偏離程度。KL散度值計(jì)算如下：

(9)

通過(guò)計(jì)算滑動(dòng)窗內(nèi)各KPI相對(duì)于無(wú)故障狀態(tài)下的概率密度散度值，并與對(duì)應(yīng)的閾值比較；通過(guò)比較可以實(shí)現(xiàn)對(duì)無(wú)線專(zhuān)網(wǎng)異常狀態(tài)的實(shí)時(shí)預(yù)警，同時(shí)為下一步設(shè)計(jì)故障智能診斷算法奠定基礎(chǔ)。

2.3 故障診斷算法設(shè)計(jì)

圖2 基于SNN的故障診斷模型

圖2中， 隱含層表達(dá)為輸入層的線性函數(shù)：

(10)

(11)

式中，激活函數(shù)為sigmoid函數(shù)形式：

(12)

Softmax層則根據(jù)下式:

(13)

步驟1：按照式(1)采用窗長(zhǎng)為W，滑動(dòng)步長(zhǎng)為(W-V)的滑動(dòng)窗采集KPIn的樣本序列；

步驟2：在單個(gè)時(shí)間窗內(nèi)計(jì)算KPIn，如RSRP、SINR、RASR、CAP等的條件概率分布，詳細(xì)計(jì)算方法參照式(2)、式(5)、式(6)；

步驟3：依式(9)計(jì)算KPI樣本序列的條件概率密度函數(shù)與無(wú)故障條件概率密度差距，若大于閾值則判定出現(xiàn)故障并執(zhí)行步驟5，否則執(zhí)行步驟4；

步驟4：將計(jì)算獲得無(wú)故障狀態(tài)下KPI樣本序列與之前采樣周期樣本序列按序合并，并更新無(wú)故障時(shí)KPI條件概率密度估計(jì)參數(shù)值，存儲(chǔ)并作為下一次故障判別的比較對(duì)象；

步驟5a：訓(xùn)練階段，將故障時(shí)的KPI條件概率密度散度值輸入SNN模型，并根據(jù)交叉熵誤差最小化準(zhǔn)則訓(xùn)練模型參數(shù)；

步驟5b：測(cè)試階段，將故障時(shí)的KPI條件概率密度散度值輸入SNN模型，求得故障判別類(lèi)型。

3 仿真結(jié)果與分析

文中搭建了一個(gè)電力無(wú)線專(zhuān)網(wǎng)故障診斷仿真環(huán)境。圖3為仿真環(huán)境無(wú)線蜂窩小區(qū)布局，該環(huán)境由19個(gè)小區(qū)構(gòu)成的電力無(wú)線專(zhuān)網(wǎng)小區(qū)簇，該小區(qū)簇由3層構(gòu)成，最內(nèi)的2層小區(qū)1～7構(gòu)成鄰區(qū)關(guān)系，而最外層的小區(qū)8～19構(gòu)成小區(qū)1的過(guò)覆蓋小區(qū)。該小區(qū)簇內(nèi)各小區(qū)具體參數(shù)配置見(jiàn)表1。

圖3 仿真環(huán)境小區(qū)簇布局

基于Matlab軟件中LTE鏈路級(jí)仿真工具[22-24]，根據(jù)表1配置參數(shù)搭建計(jì)算機(jī)仿真環(huán)境，并在無(wú)故障狀態(tài)下采集各類(lèi)KPI值進(jìn)行概率密度估計(jì)，得到無(wú)故障條件下KPI概率分布特征，作為后續(xù)故障診斷分析比較對(duì)象。

表1 文中仿真環(huán)境參數(shù)配置

接著，通過(guò)設(shè)置天線下傾角為1°、增加信道大尺度衰落值、增加終端側(cè)散射物密度以及設(shè)置干擾電平等方式仿真模擬四類(lèi)典型故障，經(jīng)過(guò)KPI統(tǒng)計(jì)獲得如圖4～圖7所示的KPI概率分布圖。

圖4 不同類(lèi)型故障條件下RSRP概率密度分布圖

觀察圖4發(fā)現(xiàn)弱覆蓋和接入能力惡化使得RSRP降低明顯，同時(shí)干擾降低RSRP有限，但增加了RSRP變化范圍，這是由于干擾的存在導(dǎo)致終端測(cè)量導(dǎo)頻功率受到影響后誤差變動(dòng)范圍增加。

如圖5所示，弱覆蓋導(dǎo)致SINR均值變小，這是由于接受信號(hào)較弱導(dǎo)致的。過(guò)覆蓋對(duì)SINR均值影響較低，方差略有增加，這是因?yàn)閷?dǎo)頻信號(hào)的廣播特性，使得過(guò)覆蓋小區(qū)導(dǎo)頻“污染”了本地小區(qū)導(dǎo)頻，導(dǎo)致SINR波動(dòng)性增加。SINR在干擾條件下變動(dòng)范圍劇烈，而在接入能力惡化時(shí)不僅SINR方差變大，且取值也明顯降低。

圖5 不同類(lèi)型故障條件下SINR概率密度分布圖

圖6說(shuō)明在無(wú)故障條件下，隨機(jī)接入成功率可達(dá)到95%，而不同故障類(lèi)型均影響了終端隨機(jī)接入，過(guò)覆蓋影響最小，接入能力惡化與弱覆蓋次之，干擾影響最大。這主要因?yàn)殡S機(jī)接入成功率與終端正確解調(diào)小區(qū)廣播的同步信號(hào)強(qiáng)相關(guān)，干擾與弱覆蓋直接導(dǎo)致同步信號(hào)功率低或信干噪比過(guò)低，同步解碼錯(cuò)誤概率增大。

圖6 不同類(lèi)型故障條件下RASR概率密度分布圖

如圖7所示，網(wǎng)絡(luò)出現(xiàn)質(zhì)量劣化時(shí)，數(shù)據(jù)傳輸帶寬將逐步降低，這將直接影響到電力業(yè)務(wù)傳輸可靠性，不得不發(fā)起多次重傳，降低了運(yùn)行可靠性。

圖7 不同類(lèi)型故障條件下CAP概率密度分布圖

通過(guò)仿真環(huán)境模擬故障500余次，對(duì)比文中與文獻(xiàn)[13-14]提出的故障診斷算法性能。觀察表2、表3可知，文中提出算法的故障診斷成功率超過(guò)89%，優(yōu)于文獻(xiàn)[13]所提出的模糊邏輯診斷方法。

表2 故障診斷正確率結(jié)果

表3 文獻(xiàn)[13]的故障診斷正確率

對(duì)比表2、表4故障診斷結(jié)果，文中所提算法無(wú)故障和弱覆蓋判決正確率低于文獻(xiàn)[14]，過(guò)覆蓋、邊緣接入能力惡化、干擾的判決正確率優(yōu)于文獻(xiàn)[14]，這是因?yàn)槲闹兴惴ú捎酶怕拭芏裙烙?jì)函數(shù)的散度值，更易發(fā)現(xiàn)干擾、接入能力惡化程度，而文獻(xiàn)[14]則是基于KPI誤差熵進(jìn)行推斷，犧牲了一部分精度，增強(qiáng)故障推斷泛化能力。

表4 文獻(xiàn)[14]提出的故障診斷算法仿真結(jié)果

4 結(jié)束語(yǔ)

基于網(wǎng)絡(luò)KPI的實(shí)時(shí)采集數(shù)據(jù)，文中提出了電力無(wú)線專(zhuān)網(wǎng)網(wǎng)絡(luò)故障診斷方法，通過(guò)監(jiān)測(cè)故障條件下KPI概率分布變化，實(shí)現(xiàn)網(wǎng)絡(luò)質(zhì)量劣化與故障診斷。仿真結(jié)果驗(yàn)證了算法的有效性，未來(lái)可以進(jìn)一步開(kāi)展故障恢復(fù)指標(biāo)約束下的網(wǎng)絡(luò)自愈算法研究，不斷提升電力無(wú)線專(zhuān)網(wǎng)智能化運(yùn)營(yíng)水平。