用电采集通信链路的监测方法和装置与流程
本发明涉及通信领域，具体而言，涉及一种用电采集通信链路的监测方法和装置。
背景技术：
北斗卫星导航系统的短报文双向通信功能已经在电力系统得到了成功应用，特别是应用在无线公网覆盖盲区、少人区和无人区的用电采集系统，不但提供了安全的数据传输链路，同时也为输电线路的监测、巡检等提供了便利。基于北斗通信的用电采集系统一般由数据库系统、主站系统、北斗通信终端、集中器、用电采集终端构成。电力数据被封装成376.1协议报文，由北斗通信终端将376.1协议报文解析拆分成北斗短报文，每分钟发送一次报文，并向主站定时发送心跳报文；主站系统接收组装报文信息，并存储到数据库系统供后台处理。
用电采集系统的通信链路，包括采集终端到集中器的链路，集中器-北斗卫星-主站之间的通信链路。北斗短报文通信是一种不可靠传输协议，数据包传输成功率通常为95.5％，随着北斗终端的日益增多，传输信道冲突增加，传输成功率将继续下降，同时自然灾害和天气因素、设备故障等多种因素，都可导致用电采集系统的通信发生超时错误，影响数据传输效率。需要有合适的系统对通信链路进行监测，及时发现链路问题并采取相应的处理措施。
目前，通常使用的监测方法是，主站系统频繁通过心跳报文监测通信链路状态，这将加剧传输信道的负载。如果在外场布置通信监测设备，虽能准确采集用电采集终端与集中器工作状态，但是仍然面临在少人区、无人区部署、维护困难、仍需要通过北斗信道传输监测数据。
针对现有技术中需要通过增加卫星通信传输负载来监控用电采集通信链路，导致卫星通信传输负载较大的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种用电采集通信链路的监测方法和装置，以解决现有技术中需要通过增加卫星通信传输负载来监控用电采集通信链路，导致卫星通信传输负载较大的技术问题。
根据本发明实施例的一个方面，提供了一种通信链路的监测方法，包括：获取时序预测模型，其中，时序预测模型用于对预设时间段内通信链路接收到的上传数据的数据量进行预测；将输入时间段的数据序列输入至时序预测模型，得到在预设时间段内通信链路接收到的上传数据的预测数据量；当时间达到预设时间段时，获取通信链路在预设时间段内实际接收到的上传数据的实际数据量；基于预测数据量和实际数据量，对通信链路的状态进行监测。
进一步地，基于预测数据量确定数据范围；根据数据范围，以及实际数据量和预测数据量之间的偏差，对通信链路进行监测。
进一步地，在获取时序预测模型之前，构建时序预测模型，其中，构建时序预测模型包括：获取历史数据，其中，历史数据包括通信链路在历史时间段接收到的上传数据的数据量；基于历史数据构建样本数据；通过样本数据对预设模型进行训练，得到时序预测模型，其中，时序预测模型用于预测下一时间段通信链路接收到的数据量。
进一步地，从预设的主站数据路中获取集中器的心跳记录和集中器上传的用电采集数据；通过集中器的心跳记录和集中器上传的用电采集数据确定通信链路在历史时间段接收到的上传数据的数据量。
进一步地，通过如下公式确定通信链路的状态数据：
进一步地，从历史数据提取无故障运行的时间超过预设时间的目标数据；提取目标数据的数据特征，并将数据特征按照预设的时间点划分，得到每个预设时间点对应的数据向量，得到样本数据；将样本数据按照预设比例划分成训练数据集和测试数据集。
进一步地，建立序列到序列的深层网络预测模型，将连续时间段的训练数据集中包括的数据构成的数据向量序列输入至序列到序列的深层网络预测模型，并由gru编码器对数据向量序列输入进行编码；将编码结果输入至gru解码器，获取到gru解码器输出的下一时间段的预测结果；使用随机梯度下降法优化序列到序列深层网络预测模型的参数，得到训练结果；使用测试数据集对训练结果进行测试，并在测试通过的情况下，确定训练结果为时序预测模型。
进一步地，基于预测数据量确定数据范围，包括：将当前时间段的最小值作为数据范围的下限值，并将当前时间段的最大值作为数据范围的上限值；根据上限值和下限值确定数据范围；根据实际数据量和预测数据量对通信链路进行，包括：将数据范围划分为多个区域，确定数据量多属的区域；根据实际数据量所属的区域，确定是否发出告警信息。
根据本发明实施例的一个方面，提供了一种通信链路状态的监测装置，包括：数据流量预测模型训练模块，用于获取时序预测模型，其中，时序预测模型用于对预设时间段内通信链路接收到的上传数据的数据量进行预测；数据流量预测模块，用于将输入时间段的数据序列输入至时序预测模型，得到在预设时间段内通信链路接收到的上传数据的预测数据量；获取模块，用于当时间达到预设时间段时，获取通信链路在预设时间段内实际接收到的上传数据的实际数据量；链路评价与报警模块，用于基于预测数据量和实际数据量，对通信链路的状态进行监测。
根据本发明实施例的一个方面，提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述的通信链路的监测方法。
根据本发明实施例的一个方面，提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述的通信链路的监测方法。
在本发明实施例中，获取时序预测模型，其中，时序预测模型用于对预设时间段内通信链路接收到的上传数据的数据量进行预测；将输入时间段的数据序列输入至时序预测模型，得到在预设时间段内通信链路接收到的上传数据的预测数据量；当时间达到预设时间段时，获取通信链路在预设时间段内实际接收到的上传数据的实际数据量；基于预测数据量和实际数据量，对通信链路的状态进行监测。上述方案通过对预测时间段的上传数据量进行预测，并将预测时间段实际的上传输数据量和预测的上传数据量进行比对，以对通信链路进行监控，无需在外场部署专用监测设备；无需主动发送探测数据，因此不会增加额外的卫星通信流量；与常规的时序预测模型相比，基于深度学习的预测模型更加准确。通过预测模型，主动判断通信链路状态，解决了现有技术中需要通过增加卫星通信传输负载来监控用电采集通信链路，导致卫星通信传输负载较大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的通信链路状态的监测方法的流程图；
图2是根据本发明实施例的一种可选的通信链路的监测方法的示意图；
图3是根据本发明实施例的一种训练时序预测模型的示意图；
图4是根据本发明实施例的一种划分训练数据集和测试数据集的示意图；以及
图5是根据本发明实施例的通信链路状态的监测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种通信链路状态的监测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的通信链路状态的监测方法的流程图，如图1所示，该方法包括如下步骤：
步骤s102，获取时序预测模型，其中，时序预测模型用于对预设时间段内通信链路接收到的上传数据的数据量进行预测。
具体的，上述时序预测模型可以为数据流量预测模型，用于预测未来时间段的数据流量。
在一种可选的实施例中，上述数据流量预测模型可以通过训练得到，训练过程如下：利用历史数据，基于深度学习rnn技术，建立并训练一个序列到序列的网络时序预测模型，根据时间和属于的时序数据，预测下一时刻系统接收到的上传数据量；保存优化后的预测模型；对保存的预测模型进行增量训练和优化；其中，序列到序列的网络预测模型可以基于tensorflow编码实现。
步骤s104，将输入时间段的数据序列输入至时序预测模型，得到在预设时间段内通信链路接收到的上传数据的预测数据量。
在上述步骤中，加载预先训练好的时序预测模型，根据输入的当前数据序列，预测下一时刻的上传数据总量。
步骤s106，当时间达到预设时间段时，获取通信链路在预设时间段内实际接收到的上传数据的实际数据量。
步骤s108，基于预测数据量和实际数据量，对通信链路的状态进行监测。
优选的，本实施例中的通信链路为北斗的用电采集通信链路。
在上述方案中，根据实际数据量，与预测的数据量进行对比，来判断是否发出告警信息。在一种可选的实施例中，如果实际数据量显著低于预测数据量，或显著高于预测数据量，则发出告警信息。
由上可知，本申请上述实施例获取时序预测模型，其中，时序预测模型用于对预设时间段内通信链路接收到的上传数据的数据量进行预测；将输入时间段的数据序列输入至时序预测模型，得到在预设时间段内通信链路接收到的上传数据的预测数据量；当时间达到预设时间段时，获取通信链路在预设时间段内实际接收到的上传数据的实际数据量；基于预测数据量和实际数据量，对通信链路的状态进行监测。上述方案通过对预测时间段的上传数据量进行预测，并将预测时间段实际的上传输数据量和预测的上传数据量进行比对，以对通信链路进行监控，无需在外场部署专用监测设备；无需主动发送探测数据，因此不会增加额外的卫星通信流量；与常规的时序预测模型相比，基于深度学习的预测模型更加准确。通过预测模型，主动判断通信链路状态，解决了现有技术中需要通过增加卫星通信传输负载来监控用电采集通信链路，导致卫星通信传输负载较大的技术问题。
作为一种可选的实施例，基于预测数据量和实际数据量，对通信链路的状态进行监测，包括：根据数据范围，以及实际数据量和预测数据量之间的偏差，对通信链路进行监测。
在一种可选的实施例中，可以以预测数据量为中间值，并在中间值的基础上确定上限值和下限值，以上限值和下限值确定的范围为数据范围。如果实际数据值在数据范围内，则确定实际数据值正常，如果实际数据值在数据范围之外，则发出告警信息。
作为一种可选的实施例，在获取时序预测模型之前，上述方法还包括：构建时序预测模型，其中，构建时序预测模型包括：获取历史数据，其中，历史数据包括通信链路在历史时间段接收到的上传数据的数据量；基于历史数据构建样本数据；通过样本数据对预设模型进行训练，得到时序预测模型，其中，时序预测模型用于预测下一时间段通信链路接收到的数据量。
图2是根据本发明实施例的一种可选的通信链路的监测方法的示意图，在一种可选的实施例中，结合图2所示，首先进行数据准备，用于得到训练时序预测模型的训练数据，然后根据训练数据建立模型并进行训练，再根据训练好的时序预测模型对下一时间段的数据量进行预测，最后根据预测的结果和下一时间段实际的数据量对链路进行评价与报警。
作为一种可选的实施例，获取历史数据，包括：从预设的主站数据路中获取集中器的心跳记录和集中器上传的用电采集数据；通过集中器的心跳记录和集中器上传的用电采集数据确定通信链路在历史时间段接收到的上传数据的数据量。
作为一种可选的实施例，通过集中器的心跳记录和集中器上传的用电采集数据确定通信链路在历史时间段接收到的上传数据的数据量，包括：通过如下公式确定通信链路的状态数据：
上述步骤用于进行数据准备，图3是根据本发明实施例的一种训练时序预测模型的示意图，在一种可选的实施例中，结合图3所示，数据准备的步骤包括：手机历史数据、特征值提取，以及数据预处理，具体如下：从主站数据库中提取时间标记、终端所在地区编号、周上传数据总量、月上传数据总数量、当前时间段接收到的各终端上传数据量，终端心跳记录、各终端波束功率；汇总统计当前时间段上传数据总量，平均波束功率；对各特征数据做规范化处理，缩放到[0，1]区间；并按照固定时间间隔对齐数据。对于与时间无关的统计特征，则拉伸填充到各时间点，例如周上传数据总量、月上传数据总数量等。t时刻接收到的上传数据量为：
其中，所需提取的各特征字段描述如下：
(1)时间标记：统计数据或者预测数值的具体时间。
(2)每周的工作日：记录当前的工作日，形成以周为一个轮回的时间序列，使模型学习上传数据量与工作日之间的关系。
(3)终端上传数据总量：可间接反映北斗终端的传输状态。
(4)终端所在地区编号：不同地区的统计特征可能不同。
(5)周上传数据总量：较长时间的历史数据特征。
(6)月上传数据总数量：较长时间的历史数据特征。
(7)波束功率：当前时间段，各北斗终端1#～6#波束功率强度的平均值，反应传输信号状态是否良好。
作为一种可选的实施例，基于历史数据构建样本数据，包括：从历史数据提取无故障运行的时间超过预设时间的目标数据；提取目标数据的数据特征，并将数据特征按照预设的时间点划分，得到每个预设时间点对应的数据向量，得到样本数据；将样本数据按照预设比例划分成训练数据集和测试数据集。
在一种可选的实施例，通过数据准备模块，提取模型训练所需要的历史数据；从历史数据中选取无故障运行的较长时间段数据记录，提取各数据特征，按照时间点划分数据，每个时间点对应一个数据向量xt；将数据按照7:3的比例划分为训练数据集与测试数据集。
本发明还提供了如下两种划分训练数据集和测试数据集的方式，图4是根据本发明实施例的一种划分训练数据集和测试数据集的示意图，结合图4所示，可以按walk-forwardsplit的划分策略或side-by-sidesplit的划分策略将样本数据进行划分，策略将时序数据分割为训练数据集和验证数据集。在walk-forwardsplit划分策略中，每构造一个作为训练数据集的训练数据向量，需将时间点相对于训练时间向前移动一个预测间隔，适用于数据集较少情况。在基于side-by-sidesplit的划分策略中，数据集分为独立的两部分，一部分用于训练，另一部分用于验证，适用于数据较多情况。
作为一种可选的实施例，通过样本数据对预设模型进行训练，得到时序预测模型，包括：建立序列到序列的深层网络预测模型，将连续时间段的训练数据集中包括的数据构成的数据向量序列输入至序列到序列的深层网络预测模型，并由gru(gatedrecurrentunit)编码器对数据向量序列输入进行编码；将编码结果输入至gru解码器，获取到gru解码器输出的下一时间段的预测结果；使用随机梯度下降法优化序列到序列的深层网络预测模型的参数，得到训练结果；使用测试数据集对训练结果进行测试，并在测试通过的情况下，确定训练结果为时序预测模型。
具体是，上述步骤中建立的序列到序列的深层网络(seq2seq)模型为初始模型。连续时间段的训练数据集可以是前24个时间点(两个时间点之间的间隔为一小时)的数据。
在一种可选的实施例中，结合图3所示，建立并训练模型的步骤包括：建立初始rnn模型、模型训练与验证，具体如下：首先加载预训练的预测模型(即作为初始模型的seq2seq模型)；设当前时间点为t，根据数据准备模块输入的前24个时间点的数据，预测下一个时间点t+1接收到的上传数据量；利用tensorflow实现seq2seq序列预测模型。该模型由两个主要部分构成，分别为编码器和解码器。编码器隐藏层是一个gru，解码器隐藏层也是一个gru。输入连续24小时内数据向量序列，[xt，xt+1，…，xt+23]，由gru作为编码器对数据序列进行编码，得到一系列编码状态值；然后，解码器根据输入的历史数据和一系列编码状态值进行解码，输出下一时刻预测的上传数据量序列[yt+1，yt+2，…，yt+24]。激活函数选择tanh,使用随机梯度下降法优化参数，最小化预测误差。
硬件方面，服务器最低需配置2块计算用gpu，即可快速完成深度模型训练。模型一旦训练完成，即可重复使用，无需每次运行都训练模型。在指定时间或发生指定事件时时，可以用新增数据，对预测模型进行增量训练和优化。
在建立模型之后，还可以如图3所示，通过模型对下一时间段的数据量进行预测，并将预测结果与实际的数据量进行比对。
作为一种可选的实施例，基于预测数据量确定数据范围，包括：将当前时间段的最小值作为数据范围的下限值，并将当前时间段的最大值作为数据范围的上限值；根据上限值和下限值确定数据范围；根据实际数据量和预测数据量对通信链路进行，包括：将数据范围划分为多个区域，确定数据量多属的区域；根据实际数据量所属的区域，确定是否发出告警信息。
在一种可选的实施例中，上述步骤可以由链路评价与报警模块执行，链路评价与报警模块以模型预测值为预期的正常值，以统计获得的最大值和最小值为取值范围，对链路状态进行评价，统计一个自然天中，每个t时刻(例如每半小时一个时刻)，最小值与最大值的平均值，构造每天的平均最小值序列{mint}和平均最大值序列{maxt}。将t时刻[最小值mint，预测值vt]和[预测值vt，最大值maxt]，平均划分为六个区间，区间对应编号依次为[1，2，3，4，5，6]；链路状态评价的基本规则为，如果实际测量值落在3、4两个区间，则为正常；落在2区为一般警告信息，数值偏低，落在5区为一般警告信息，数值偏高；落在或低于1区触发重要告警，提示链路状态显著低于历史同期值；落在或高于6区触发一般告警，提示有过多的终端进行通信，通信链路繁忙。
实施例2
根据本发明实施例，提供了一种通信链路状态的监测装置的实施例，图5是根据本发明实施例的通信链路状态的监测装置的示意图，如图5所示，该装置包括：
数据流量预测模型训练模块50，用于获取时序预测模型，其中，时序预测模型用于对预设时间段内通信链路接收到的上传数据的数据量进行预测。
数据流量预测模块52，用于将输入时间段的数据序列输入至时序预测模型，得到在预设时间段内通信链路接收到的上传数据的预测数据量。
获取模块54，用于当时间达到预设时间段时，获取通信链路在预设时间段内实际接收到的上传数据的实际数据量。
链路评价与报警模块56，用于基于预测数据量和实际数据量，对通信链路的状态进行监测。
作为一种可选的实施例，链路评价与报警模块，包括：确定子模块，用于基于预测数据量确定数据范围；监测子模块，用于根据数据范围，以及实际数据量和预测数据量之间的偏差，对通信链路进行监测。
作为一种可选的实施例，上述装置还包括：构建模块，用于在获取时序预测模型之前，构建时序预测模型，其中，构建模块包括：获取子模块，用于获取历史数据，其中，历史数据包括通信链路在历史时间段接收到的上传数据的数据量；构建子模块，用于基于历史数据构建样本数据；训练子模块，用于通过样本数据对预设模型进行训练，得到时序预测模型，其中，时序预测模型用于预测下一时间段通信链路接收到的数据量。
作为一种可选的实施例，获取子模块包括：获取单元，用于从预设的主站数据路中获取集中器的心跳记录和集中器上传的用电采集数据；第一确定单元，用于通过集中器的心跳记录和集中器上传的用电采集数据确定通信链路在历史时间段接收到的上传数据的数据量。
作为一种可选的实施例，第一确定单元包括：计算子单元，用于通过如下公式确定通信链路的状态数据：
作为一种可选的实施例，构建子模块包括：提取单元，用于从历史数据提取无故障运行的时间超过预设时间的目标数据；提取单元，用于提取目标数据的数据特征，并将数据特征按照预设的时间点划分，得到每个预设时间点对应的数据向量，得到样本数据；划分单元，用于将样本数据按照预设比例划分成训练数据集和测试数据集。
作为一种可选的实施例，训练子模块包括：建立单元，用于建立序列到序列的深层网络预测模型，输入单元，用于将连续时间段的训练数据集中包括的数据构成的数据向量序列输入至序列到序列的深层网络预测模型，并由gru编码器对数据向量序列输入进行编码；获取单元，用于将编码结果输入至gru解码器，获取到gru解码器输出的下一时间段的预测结果；优化单元，用于使用随机梯度下降法优化序列到序列的深层网络预测模型的参数，得到训练结果；第二确定单元，用于使用测试数据集对训练结果进行测试，并在测试通过的情况下，确定训练结果为时序预测模型。
作为一种可选的实施例，确定子模块包括：第三确定单元，用于将当前时间段的最小值作为数据范围的下限值，并将当前时间段的最大值作为数据范围的上限值；根据上限值和下限值确定数据范围；监测子模块包括：划分单元，用于将数据范围划分为多个区域，确定数据量多属的区域；根据实际数据量所属的区域，确定是否发出告警信息。
实施例3
根据本发明实施例，提供了一种存储介质，存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行实施例1中任意一项所述的通信链路的监测方法。
实施例4
根据本发明实施例，提供了一种处理器，处理器用于运行程序，其中，所述程序运行时执行实施例1中任意一项所述的通信链路的监测方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！