基于改进遗传算法的网络故障数据实时检测系统研究
摘 要： 针对传统故障数据实时检测方法存在检测效率低的问题，提出基于改进遗传算法的网络故障数据实时检测系统。通过对数据实时检测硬件中分层结构与组网结构的设计可有效控制系统，设计软件功能，并对数据进行采集与处理，构建检测窗口，可随时查看与监测站相连的所有实时衰减数据。基于改进遗传算法可对发生故障组件定位，对染色体编码，将个体染色体基因作为故障诊断基础，为尽可能保证用户正常使用网络而进行结构调整。构造适应度函数，检测网络故障数据。通过实验验证可知，该系统检测效率高，能够实现整个网络故障数据的实时检测。
关键词： 改进遗传算法； 网络故障； 实时检测； 效率； 分层结构； 衰减数据； 染色体
中图分类号： TN711?34； TP311 文献标识码： A 文章编号： 1004?373X（2018）13?0138?04
Abstract： The traditional fault data real?time detection method has low detection efficiency. Therefore， a real?time detection system based on improved genetic algorithm is proposed for network fault data. The design of hierarchical structure and networking structure in hardware of data real?time detection can control the system effectively. The software function is designed to collect and process the data. The detection window is built to check all the real?time attenuation data connected with monitoring station at any moment. Since the improved genetic algorithm can locate the fault components， the chromosomes are coded to take the individual chromosome genes as the basis of fault diagnosis， so as to ensure that users can normally use the network to adjust the structure. The fitness function is constructed to detect network fault data. The experimental results show that the system has high detection efficiency， and can realize the real?time detection of the whole network fault data.
Keywords： improved genetic algorithm； network failure； real?time detection； efficiency； hierarchical structure； attenuation data； chromosome
0 引 言
网络是连接高压输电线路和低压用户之间的重要部分，随着我国网络结构和硬件设施不断完善，电力用户对用电可靠性要求也越来越高，最高可达到99.98%的目标[1]。根据历史记载，网络瘫痪事故的主要原因是网络出现故障，因此，当网络发生故障之后，应尽快确定故障位置，并检测数据。网络故障诊断包括故障位置定位与恢复，使用电自动化核心技术。传统故障数据实时检测方法存在检测效率低的问题，故系统故障存在盲区，对网络拓扑适应能力较差，无法保证迭代运算获取最优解[2]。
针对上述问题，本文提出基于改进遗传算法的网络故障数据实时检测系统。通过对故障位置定位与恢复，可获取遗传算法最优解，其所需的初始信息量较少，具有较高容错性能，检测效率较高。
1 实时检测系统硬件结构设计
网络故障诊断数据实时检测硬件结构设计的核心部分是对故障位置进行定位和恢复，以网络拓扑结构为基础分析网络结构[3]。
1.1 系统的分层结构
网络故障数据实时检测系统的分层拓扑结构如图1所示。
由图1可知，系统采用多级分层结构，其中一级为省级检测中心（PMC），二级为地方级检测中心（DMC），远端检测系统和光功率数据采集终端处可安装光时域反射仪和光功率检测，实现对数据的实时采集，而远端检测系统可对数据进行直接检测并上传至本地检测中心，并由二级中心完成数据同步工作[4]。
1.2 系统的组网结构
网络故障实时监测系统网络结构共分为三层，如图2所示。
由图2可知，结构图最顶层是由光时域反射仪、光功率计和激光光源等设备组成的数据采集层。其中，光时域反射仪可从网络一端具有非破坏性网络特性获取网络沿线损耗的分布特性，并获得网络故障位置，而将光功率计配合使用可测量单条线路总损耗值。在远端检测系统中可通过对多条网络线路衰减数据进行分布测试，其中所有设备都可通过TCP/IP网络接口与后台程序连接，进而实现命令控制与数据传输，检测站中测试设备需采用自主研发设计才能进行高性能传输[5?7]。
中间层可对数据进行直接处理，主要包括电子地图、数据库和后台程序控制。后台服务器可完成光时域反射仪管理、数据分析、警告分析与消息发布，当后台服务器检测出损耗异常后，可向远端检测系统发送启动光时域检测仪测试命令，通过光源切换，可将信号送入故障网络，计算异常点距离检测精确长度，结合网络拓扑结构精准定位故障位置信息，发出警告信息，将数据保存。
最底层是交互层也是客户端，用户可通过客户端浏览数据进行实时操作，同时需界面显示和系统共同配合。这种硬件设计方案使用简单，可有效控制系统，便于日后升级[8]。
2 基于改进遗传算法的软件功能设计
2.1 数据采集及处理
系统进行数据采集时需要对数据进行测试和设备连接状态检查。其中，测试数据可分为光功率数据和光时域反射仪线路衰减数据。用户可通过对目录的选择将所有衰减值進行实时采集，查看与监测站相连的所有实时衰减数据。
当检测站中出现的光功率数据可对某一通道功率值进行最小门限值限制时，立即开启与此通道相连的光时域反射仪，测试整条线路衰减数据，并在主界面上显示窗口。
当检测系统中有通信线路或者设备出现异常时，生成报表并存档，方便工作人员后续查询与故障位置记录。当网络出现故障或者改迁后，需及时更新数据库中被测试数据的位置和传输损耗大小[9]。
2.2 基于改进遗传算法的故障定位与重构
对发生故障组件定位，首先找出可解释警报信号故障假说；然后采用基于改进遗传算法在进化过程中的基本外部信息，以适应度函数为基础，选取至关重要的评价性能作为依据；最后找到改进遗传算法的收敛速度和最优解。
利用二进制编码，将个体染色体基因作为故障诊断基础，为了尽可能保证用户正常使用网络进行网络结构调整[10]。主要任务就是帮助管理者恢复网络并进行决策，其主要目标是在允许操作条件下，通过网络重构尽可能将网络故障区域电流负荷转供到正常馈线上。
2.2.1 染色体编码
对于大规模网络覆盖程度，如果开关数量较多，那么遗传算法迭代次数就会增加，产生大量的不可行解，严重影响检测效率，为此，需对编码方法进行改进。
对染色体编码进行基因改造，将进线断路作为一个供电拓扑区域，相邻开关在染色体中的位置也具有编码策略，如图3所示。
由图3可知，进线断路器数为3个，因此可将染色体分为3种不同的基因块，而可操作支路为19个，即染色体长度为19，基于此对染色体进行编码，结果如表1所示。
进行交叉操作时，在基因块内可进行交换范围限制，其变异操作可约束在此范围内，这样可进行交叉和变异操作，并使出现不可行解的可能性大大降低。
2.2.2 构造适应度函数
网络故障恢复后，其适应度函数的构造是基于目标函数和约束条件下进行的。在恢复重构过程中，染色体的形成可分为两类：一种是满足所有条件的染色体组成结构；另一种是不满足所有条件的染色体组成结构。其中第一组可根据网络潮流计算网损结果来判断目标函数的优劣；第二组主要包括部分满足约束条件和完全不满足这两种情况，可通过网络数学模型约束条件来区分之间的不同。其中对约束条件处理采用不满足约束条件计算惩罚函数，而目标函数采用最优评估指标进行模糊化处理，网损隶属度函数曲线如图4所示。
假设网络故障前系统正常运行时的网损为W，图4中W1为K1倍的故障前网损；W2为K2倍的故障前网损；W3为K3倍的故障前网损。K1，K2，K3值可修改，通常情况下，K1=0.5，K2=1.5，K3=2。根据定义网损隶属度函数曲线需考虑两方面内容：一是当网损较小时，系统运行情况良好，接近最优运行方式。由于网络故障恢复负荷相对较少，导致整个系统网损降低，为此，设计一次增函数曲线。二是当网损较大时，系统运行情况较差，当达到一定程度时，该系统结构不合理，无法满足目标函数优化需求，此时网损隶属度为0，该函数曲线符合实际运行情况。将惩罚函数与目标函数结合起来构成最终的适应度函数，可用来对数据进行实时检测。
3 实 验
为了验证基于改进遗传算法的网络故障数据实时检测系统的有效性，进行如下实验。
3.1 参数设置
设定数据组中含有5个不同数据，且每个数据的取值范围均在0～12，占3位，染色体总长度为15位。系统程序具有循环控制功能，通常循环次数为5次，最大迭代次数为400次，初始种群为10～12个，其他运行参数可忽略不计。
3.2 实验过程
假设图3中馈线2处出现故障，那么经过故障定位与隔离后，母线被切除，开关6处断开，状态为“0”，同时此处为不可操作支路。网络故障仿真结果一般情况下可出现两类，其中一类是全部负荷情况，即当母线发生故障时，停电区域较大，造成的电荷损失也相对较多；如果恢复全部负荷且不满足约束条件时，需考虑恢复部分负荷，放弃部分负荷的供电，表2为4种合理故障恢复方案。
根据复杂网络环境，分别对单一故障情况和同时故障情况进行分析，并将遗传算法应用到网络故障恢复当中，不仅能够获取最优解，还能得到若干次优解，为实验运行提供参考信息。
3.3 实验结果与分析
根据实验过程设计的4种合理故障恢复方案可直接对程序进行静态分析，根据分析结果对选定路径进行插桩；然后对种群初始化问题使用遗传算法，并在运行过程中使用插桩程序获取评价函数值，重复进行直到找到满足要求的最优样本数据。将传统数据检测系统与本文设计的检测系统运行的平均迭代次数进行对比，结果如图5所示。
图5显示了生成满足路径测试数据的平均迭代次数，在参数相同的情况下，随着种群规模的扩大，两种系统数据迭代次数均会降低。
3.4 实验结论
根据上述实验内容可得，在各种参数相同的情况下，基于改进遗传算法的数据检测准确性优于传统系统；在传统系统对数据检测时，会出现两次局部最优情况，检测停滞不前，而基于遗传算法可弥补容易陷入局部最优解的缺陷，减小了检测停滞不前的可能性，加快了检测速度，尤其是在直角三角形的数据检测方法中，传统系统出现3次局部最优情况，而本文系统基本无明显局部最优现象，表明基于改进遗传算法的数据检测效率被大大提高。
4 结 语
网络故障诊断是一个较为复杂的空间寻优问题，采用遗传算法统一实现故障定位与恢复可获取预期效果。对网络节点描述不仅可简化后续工作，还可提高系统运行速度。实验结果表明，该系统具有较高实用性，能够有效解决故障诊断问题。
参考文献
[1] 许鹏，张继栋.基于改进遗传算法的光纤网络异常数据检测[J].科技通报，2016，32（7）：163?166.
XU Peng， ZHANG Jidong. Optical fiber network abnormal data detection based on improved genetic algorithm [J]. Bulletin of science and technology， 2016， 32（7）： 163?166.
[2] 高雪笛，周丽娟，张树东，等.基于改进遗传算法的测试数据自动生成的研究[J].计算机科学，2017，44（3）：209?214.
GAO Xuedi， ZHOU Lijuan， ZHANG Shudong， et al. Research on test data automatic generation based on improved genetic algorithm [J]. Computer science， 2017， 44（3）： 209?214.
[3] 叶青，朱永强，李红贤.基于改进遗传算法电力系统仿真软件间模型参数转换研究[J].电力系统保护与控制，2015，43（9）：95?100.
YE Qing， ZHU Yongqiang， LI Hongxian. Model parameter conversion between power system software based on IGA [J]. Power system protection and control， 2015， 43（9）： 95?100.
[4] 柴良勇，殷礼胜，甘敏，等.基于改进遗传算法的交通流量小波网络预测[J].合肥工业大学学报（自然科学版），2016，39（7）：900?905.
CHAI Liangyong， YIN Lisheng， GAN Min， et al. Prediction of traffic flow with wavelet network based on improved genetic algorithm [J]. Journal of Hefei University of Technology （natural science edition）， 2016， 39（7）： 900?905.
[5] 郑斌.基于改进遗传算法的不完整大数据填充挖掘算法[J].微电子学与计算机，2016，33（2）：96?99.
ZHENG Bin. Incomplete data filling mining algorithm based on the improved genetic algorithm [J]. Microelectronics & computer， 2016， 33（2）： 96?99.
[6] INCE T， KIRANYAZ S， EREN L， et al. Real?time motor fault detection by 1?D convolutional neural networks [J]. IEEE transactions on industrial electronics， 2016， 63（11）： 7067?7075.
[7] 刘浩然，赵翠香，李轩，等.一种基于改进遗传算法的神经网络优化算法研究[J].仪器仪表学报，2016，37（7）：1573?1580.
LIU Haoran， ZHAO Cuixiang， LI Xuan， et al. Study on a neural network optimization algorithm based on improved genetic algorithm [J]. Chinese journal of scientific instrument， 2016， 37（7）： 1573?1580.
[8] 王民昆，徐晓，邓志森，等.基于路由模拟的网络推演分析系统的设计和实现[J].电子设计工程，2017，25（3）：65?67.
WANG Minkun， XU Xiao， DENG Zhisen， et al. The system design and implementation of network routing simulation analysis based on deduction [J]. Electronic design engineering，2017， 25（3）： 65?67.
[9] PENG Hua. Fault diagnosis of coal mine equipment based on improved GA optimization BP neutral network [J]. Bulletin of science and technology， 2016， 32（11）： 188?192.
[10] LIU Yong， SHEN Xuanfan， LIAO Yong， et al. Fault detection filter design based on genetic algorithm in wireless sensor and actuator network [J]. Journal of computer applications， 2016， 36（3）： 616?619.
