CN105391579B - 基于关键告警集和监督分类的电力通信网故障定位方法 - Google Patents
基于关键告警集和监督分类的电力通信网故障定位方法 Download PDFInfo
- Publication number
- CN105391579B CN105391579B CN201510828083.8A CN201510828083A CN105391579B CN 105391579 B CN105391579 B CN 105391579B CN 201510828083 A CN201510828083 A CN 201510828083A CN 105391579 B CN105391579 B CN 105391579B
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- network
- alarm
- source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 title claims abstract description 14
- 230000007257 malfunction Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000010937 topological data analysis Methods 0.000 claims abstract description 15
- 208000024891 symptom Diseases 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 206010033799 Paralysis Diseases 0.000 abstract 1
- 238000012706 support-vector machine Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IOYNQIMAUDJVEI-BMVIKAAMSA-N Tepraloxydim Chemical compound C1C(=O)C(C(=N/OC\C=C\Cl)/CC)=C(O)CC1C1CCOCC1 IOYNQIMAUDJVEI-BMVIKAAMSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000010410 layer Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000001027 hydrothermal synthesis Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
- H04L41/065—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving logical or physical relationship, e.g. grouping and hierarchies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Abstract
本发明提出一种基于关键告警集和监督分类的电力通信网故障定位方法。该方法适用于通信网中网络设备或网络链路的故障定位,特别是大规模网络瘫痪下的定位场景。方法首先通过故障告警信息收集和拓扑分析将网络划分为告警区域和正常区域,抽取包括割边链路集和边缘告警集的关键告警集,接着将网络故障定位问题转化成一系列二元分类问题,并采用基于监督分类学习的方法,将告警信息作为输入,经由以故障诊断数据库中的标准化故障源‑故障告警码记录为训练样本的分类器,得到疑似故障源。最后基于第一步的关键告警集和第二步的初步故障定位结果,去除低概率故障源并添加相应的猜测故障源以匹配当前的故障告警症状、修改并完善故障定位结果,提高故障定位的准确性。
Description
技术领域
本发明涉及一种基于关键告警集和监督分类的电力通信网故障定位方法,特别是涉及电力通信网络的故障定位方法和系统。
背景技术
电力通信网具有规模大、结构复杂等特点,这给故障发生时及时准确地查明故障源带来了挑战。当网络中出现个别故障告警时,利用现有的网络管理和监控手段可以较容易地定位故障源。而当在网络中监测到大量故障告警信息时,往往已经出现了较严重的网络连通性问题,且并不是每条告警信息都意味着对应的网络设施发生了故障,一些处于关键位置的网络节点或网络链路的故障可能引发大面积的故障告警,如何从大量的告警信息中定位真正的故障源,是本专利提出的故障定位算法旨在解决的问题。目前主流的自动化故障定位算法如下:
(1)基于故障传播模型的贝叶斯网络故障定位方法,该种算法通过识别网络故障和告警信息之间的关联解决故障定位问题,以概率边表示故障源和故障告警间的关系并用条件概率求得能够解释当前故障告警的最大概率的故障源。这种方法的问题在于其本身为NP难问题,算法复杂度太高。在改进的启发式算法中,算法对于每个故障告警找出所有能够产生该症状的故障源并计算其概率,将所有的情况概率从高至低排列并依次选择加入故障源直到故障源能够解释当前的故障告警为止。改进的算法提高了效率,却丢失了一部分故障-告警的概率信息且解不保证最优,使得故障定位的结果可能偏离实际情况。
(2)基于案例和模式匹配的故障定位方法,该方法通过分析故障案例数据库归纳出故障-告警事件树和代码簿等匹配模型并用组合的方式进行故障定位。这种方法要求故障与告警之间存在确定性的模型结构,然而在本专利所述的场景中故障与告警之间的映射关系并非是不变的(取决于监测设备在网络中的位置、故障源在网络中的位置和故障源的数目等因素),且在故障定位中忽视了疑似故障带来的影响,降低了该方法实际定位效果。
(3)基于神经网络的故障定位方法,该方法采用神经网络实现将故障告警关联到故障源规则的建立过程,对于采集到的告警信息,通过具有多个隐层的神经网络推理机得到结果并由解释器定位到网络中的特定位置。基于神经网络方法的定位效果完全取决于隐层的数目和各层间的权值,其缺点在于内在的结构缺陷难以被控制,无法保证定位的效果。
现有故障定位方法主要依靠对告警信息的合并、关联、逐渐缩小故障源范围来达到故障定位的目的,忽视了故障源在拓扑中的位置以及不同故障的组合可能引发的故障告警间的关系,降低了故障定位的准确性。
发明内容
本发明要解决的技术问题是提供一种基于关键告警集和监督分类的电力通信网故障定位方法。
本发明是通过以下技术方案来实现的。
一种基于关键告警集和监督分类的电力通信网故障定位方法,步骤包括:
(1)通过监测网络中的设备状态和捕获异常信息,监测设备发送标准化格式后的网络告警信息;
(2)通过拓扑分析划分告警网络区域和正常网络区域,抽取包括割边链路集和边缘告警集的关键告警集;
(3)以故障源-故障告警历史信息构建故障诊断案例知识库;
(4)以故障诊断数据库中的标准化故障源-故障告警码记录为训练样本,训练以SVM(支持向量机)为分类模型的故障分类器,并以本次告警信息为输入得到疑似故障源;
(5)结合拓扑分析和SVM分类,在疑似故障源的基础上运行最少故障-最大概率故障定位算法得到最终故障定位结果。
其中,步骤(1)具体包括:
将通信网络中多种类别的故障告警信息分类为网络节点故障告警和网络链路故障告警,并定义一种聚合告警信息格式码用于故障源和故障告警信息的记录和训练。
步骤(2)具体包括:
根据收集的告警信息将网络G划分为两个不相交的区域集合告警区域Gerr和正常区域G-Gerr,定义割边链路集Lc为连接告警区域和正常区域的链路集合,定义边缘告警节点集Ne为属于告警区域且与正常区域节点直连的网络节点集合,并将割边链路集和边缘告警集的并称为关键告警集。
步骤(3)具体包括:
在网络故障诊断和维修完成时,将本次真实的网络故障产生源和实际监测到的故障告警信息以步骤(1)中定义的格式码形式记录到故障诊断数据库中,作为故障分类器的新的训练样本。
步骤(4)具体包括:
步骤4.1设置n个SVM分类学习器用于定位故障,其中n为网络节点数和链路数之和;
步骤4.2对于第i个(i=1,2,...,n)分类器,分别将故障诊断数据库中每条记录的故障告警码作为输入,将故障源码的第i位作为故障分类标签对该分类器进行训练;
步骤4.3将当前的故障告警码作为输入,经过每个训练完成的分类器分类得到初步故障定位结果。
步骤(5)具体包括:
结合拓扑分析结果,排除初步定位得到的故障源中不属于告警区域的部分。检查此时的故障源分析其造成的故障症状是否匹配当前的故障告警,如果不能则在当前故障定位解的基础上运行最少故障-最大概率故障定位算法。
进一步地,所述的最少故障-最大概率故障定位算法,其步骤如下:
更新当前故障定位解下的新的割边链路集Lc边缘告警节点集Ne,则未正确定位为故障的节点链路集是Lc∪Ne的子集。所有子集中与当前故障定位解的并能够解释当前故障告警且集合元素个数最少,则选取该子集作为新增猜想故障集,与当前故障定位解一起,作为最终的故障定位结果。如果有多个可行解,设其为{ES1,ES2,...,}。在分类算法中,对于每个网络元素e的故障分类会给出一个分数指示对该分类的正确的置信度,我们将其记为pe,则最终选择的猜想故障集为
其中eij∈ESi,j=1,2,...,|ESi|。
附图说明
图1为本发明提供的一种电力通信网中故障定位方法的模块关系及算法流程图;
图2为本发明中基于远程监控的故障告警系统示意图;
图3为本发明中拓扑分析算法的示意图;
图4为本发明中对于故障分类器的训练流程图。
具体实施方式
下面根据附图和实施例对本发明作进一步详细说明。
本发明提供了一种电力通信网中的故障定位方法,步骤流程图如图1所示,具体包括:
步骤S1、收集故障监测设备发送标准化格式后的网络故障告警信息;
步骤S2、通过拓扑分析划分告警网络区域和正常网络区域,抽取包括割边链路集和边缘告警集的关键告警集;
步骤S3、以故障源-故障告警历史信息构建故障诊断案例知识库;
步骤S4、以故障诊断数据库中的标准化故障源-故障告警码记录为训练样本,训练以SVM为分类模型的故障分类器,并以本次告警信息为输入得到疑似故障源;
步骤S5、结合拓扑分析和SVM分类,在疑似故障源的基础上运行最少故障-最大概率故障定位算法得到最终故障定位结果。
上述定位方法将故障定位过程分为下述几个模块:故障告警信息收集处理、拓扑分析、故障历史信息数据库、基于SVM分类器的的故障初步定位,最终,在基于SVM故障分类结果和拓扑分析的基础上,重点考虑误判故障和漏判故障带来的影响,通过加入尽可能少的猜测故障集,保证故障定位的正确性并将故障定位的误检率控制在较低的程度。
具体地,在故障告警信息收集处理步骤S1,采用在基于远程监控的网络故障告警系统,在该系统中,告警信息的来源有两种:基于网络中设备的故障报告,和本地监控系统主动轮询网络设备的状态产生监控告警信息。这种告警系统的特点在于:用一定的网络带宽开销及时地发现网络故障,且故障发现不依赖于故障设备与监测设备的连通性状态。图1描述了基于远程监控的网络故障告警系统示意图,其中包含由4台交换机、4条逻辑链路和一台监测主机构成简单的网络拓扑。
进一步地,将网络可能发生的故障情形分为两类:将链路损坏、接口松动等与连接实体相关的故障划分为链路故障,将设备过热、电源失效、网络协议故障等与网络设备实体相关的故障划分为节点故障,并将网络链路和网络节点统称为网络元素。
通过网管系统获取网络拓扑,并用n表示网络中链路和节点的数目总和。定义一种01二元码用于标准化故障监测设备产生的告警信息。在本次故障观察时间窗口内,收集故障告警信息并将其故障归类、聚合、去重,用n维向量W={w1,w2,...,wn}表示故障告警情况,其中wi取1表示编号i对应的链路或节点为发出故障告警的元素,取0则表示该网络元素在本次网络故障中未发出故障告警。
在拓扑分析步骤S2,根据收集的告警信息将网络G划分为两个不相交的区域集合告警区域Gerr和正常区域G-Gerr,定义割边链路集Lc为连接告警区域和正常区域的链路集合,定义边缘告警节点集Ne为属于告警区域且与正常区域节点直连的网络节点集合,将割边链路集和边缘告警节点集统称为关键告警集。
具体地,用G(V,L)表示整个交换机网络的逻辑拓扑,其中V表示网络节点的集合,L表示节点之间的逻辑链路集合。定义告警区域Gerr为告警信息对应的拓扑连通区域,割边链路集Lc和边缘告警节点集Ne的计算方式为:对每个故障边l∈Gerr进行检测,如果l的一端节点u属于Gerr而另一端节点v属于G-Gerr,则将l加入Lc,将u加入Ne。
值得注意的是,拓扑分析算法假设在某段观察时期内,网络中的故障告警信息只覆盖了一个连通片,如果告警区域属于多个连通片,则需要对每个连通片都运行此算法。
该算法的目的是为了寻找最少的必要网络故障源,事实上,真实的网络故障源集合无一例外地包含关键告警集的子集。图2描述了一次网络故障案例,假设网络设备C和D发生了故障,与A相邻的检测设备产生C、D和l2的告警信息,故障告警区域的划分如图所示,割边链路集为{l1,l3},产生故障告警的节点均位于告警区域的边界,边缘告警集为{C,D},关键告警集为{l1,l3,C,D}。就本次故障事件而言,可以合理解释当前故障告警的可能故障集包含但不限于{l1,l3}、{C,D}、{l1,l2,D},可以发现引发当前的告警至少需要两个网络元素发生故障。对于关键告警集的分析可以推导出最少的故障源,对于元素数目相等的故障源则不能够判断两者作为故障定位结果的区别。另一方面,该算法对于告警区域内部的故障情况无法判断,例如对于l2而言,其故障与否对于产生的告警信息没有影响。
为克服关键告警集分析的不足,需要建立案例数据库,以统计学的方法,通过引入故障分类器,帮助判断告警区域内部的故障情形并引入故障概率的因素以判别不同的故障定位解之间的优劣。
具体地,在故障历史信息数据库构建与维护步骤S3,每次故障发生-故障告警-故障定位-故障维修检测流程结束后,通过维修维护技术人员的反馈,得到本次网络故障的真实故障集。同理地,用步骤S1中定义的格式码S={s1,s2,...,sn}表示此次故障源集合,与此次故障告警码一起组成一项故障源-故障告警记录,存入数据库中用于故障定位分类器的训练。
基于SVM分类器的故障初步定位步骤S4包括:
步骤S41、设置n个SVM分类器用于定位故障,其中n为网络节点数和链路数之和;
步骤S42、对于第i个(i=1,2,...,n)分类器,分别将故障诊断数据库中每条记录的故障告警码作为输入,将故障源码的第i位作为故障分类标签对该分类器进行训练;
步骤S43、将当前的故障告警码作为输入,经过每个训练完成的分类器分类得到初步故障定位结果。
具体地,设置n个SVM分类器{CM1,CM2,...,CMn}如图4所示,分别对应于每个网络元素,目的在于为其在某个特定的故障告警信息下判断其故障状态。使用SVM分类器因其二元分类特性恰好对应故障状态的真假两种可能,且其分类效果在小规模样本下表现良好,在故障历史信息数据库记录容量较少的情况下也能够有较好的分类效果。
假设故障诊断数据库中有K条诊断记录,每条记录由故障源码和故障告警码组成,记为{(S1,W1),(S2,W2),...,(SK,WK)},步骤S42包含了数据库记录预处理和训练分类器两个步骤,在图4中分别对应:
步骤S422、对于分类器采用k-fold交叉验证的方式训练,通过测试不同的参数k得到最优的分类方法。同时采用增量训练的方式,对于故障诊断数据库的更新不需要对所有的记录数据重新训练,增加了算法的运行效率。
最后对于本次的故障告警码WK+1,分别经由n个分类器进行故障分类,得到的n维向量SK+1分别对应对网络中每个节点或每条链路的故障状态判定,将其作为故障定位的初始解。
该方法的创新之处在于:
(1)将故障定位问题转化为以故障状态位标签的分类问题,在统计意义上求解最大可能性的故障定位结果;
(2)不同于贝叶斯方法中以故障源向量推导故障告警向量,而采用以故障告警向量分别推导每个可能的故障源元素、最终组合为故障源向量的逆向分步求解的方法。
在基于拓扑分析的故障定位中,推断出故障源集无一例外地包含割边链路集并边缘告警节点集的子集,换而言之,能够解释当前故障症状的数目最少的故障源集必然是割边链路集并边缘告警节点集的子集。
最少故障数目的故障定位算法的详细描述如下,该算法的输入包括割边链路集Lc、网络拓扑G和告警区域Gerr;算法的输出为和分别代表最少故障数目条件下推测的故障节点集和故障链路集,初始化为空;定义和表示第i种故障节点和故障链路的候选集,初始为空。算法的具体步骤如下:
s1)i取值从0开始,如果进入步骤s6),否则进入步骤s2);
s2)将i对应的二进制码映射到Lc中的每条链路lj上,具体地,i对应的二进制码为|Lc|位二进制字符串(如3对应的二进制码为11,6对应的二进制码为110),进入步骤s3);
s3)对于每个lj(0≤j≤|Lc|),如果lj对应的码为0,进入步骤s4),否则若lj对应的码为1,进入步骤s5),循环结束时i增1,返回步骤s1);
s4)返回步骤s3);
s5)判断lj对应的某个发出故障告警的端点v是否已经存在于中,如果v不存在,则返回步骤s3);
最少故障数目故障定位算法能够找到数目最少的故障节点和故障链路集合以解释当前的故障告警,然而最少的故障集合并不一定是网络中真实发生的故障,只是我们认为最少数目的故障集合更有可能发生。该算法同时忽视了告警区域内部的故障可能性,只关注连接故障区域和非故障区域的关键节点链路,从而增加了故障漏判的概率。基于监督分类的故障定位方法允许其考虑整个拓扑范围的所有网络元素的故障可能性,给出统计意义上的可靠定位结果,它的主要问题在于对于非故障网络元素的故障误判以及对于关键位置网络元素的故障漏判。本专利结合上述两种算法的优点,以分类学习得到的初始故障集作为疑似故障源,将最少故障数算法作为一种修复疑似故障源的分析的手段并加以改进,提出最少故障-最大概率故障定位算法,该算法的具体步骤如下:
首先排除疑似故障源中假阳性,即将非故障的网络元素误判为故障源的情况。根据拓扑分析的结果,由矛盾假设知,处于非故障告警区域的网络元素一定不属于故障源,算法首先删除疑似故障源中位于非故障告警区域的部分。
其次修复疑似故障源中的假阴性,即故障的网络元素漏判的情况。在割边链路集Lc边缘告警节点集Ne处的漏判可能造成故障连通片不再与非故障区域孤立从而使得疑似故障源无法完全解释当前的故障症状。因此在分析得到故障漏判的结论后,需要在疑似故障源的基础上运行最少故障数算法。
首先更新当前故障定位解下的割边链路集Lc边缘告警节点集Ne,将Lc和Ne中在分类故障定位算法中已判断为故障的节点和链路去除得到和定义猜测故障集为修复当前疑似故障源集的可能故障集候补,在和的基础上运行最少故障数算法的可行解加入到猜测故障集中。最少故障数算法无法区分链路和节点的特性决定了其在多数情况下会产生多个故障数目相同的可行解,此时采用一种启发式算法从这些可行解中找到与当前故障症状最匹配的解,该启发算法的输入如下:
1)可以解释当前故障告警的多个猜测故障集,记为{ES1,ES2,...,};
2)每个网络元素e在分类算法中得到的分数(score),代表了故障分类对于其故障判断的正确率置信度,记为pe。
在故障猜想集元素数目相等的情况下,故障分类的正确率置信度越低指示将该元素错误故障判断的可能性越高,特别地,在上述场景中,将疑似故障源中的相应元素作假阴性判断的概率越高。选取猜测故障集中所有元素正确率置信度乘积最小的集合作为最终选择的猜想集,记其为
其中eij∈ESi,j=1,2,...,|ESi|。最后,将疑似故障源和猜想故障集的并作为故障定位算法的最终结果,并将上述改进的最少故障数算法成为最少故障-最大概率算法。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此领域技术的人士能够了解本发明内容并加以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于关键告警集和监督分类的电力通信网故障定位方法,其特征在于包括以下步骤:
(1)通过监测网络中的设备状态和捕获异常信息,监测设备发送标准化格式后的网络告警信息;
(2)通过拓扑分析划分告警网络区域和正常网络区域,抽取包括割边链路集和边缘告警集的关键告警集;
(3)以故障源-故障告警历史信息构建故障诊断案例知识库;
(4)以故障诊断数据库中的标准化故障源-故障告警码记录为训练样本,训练以SVM为分类模型的故障分类器,并以本次告警信息为输入得到疑似故障源;
(5)结合拓扑分析和SVM分类,在疑似故障源的基础上运行最少故障-最大概率故障定位算法得到最终故障定位结果。
2.根据权利要求1所述的基于关键告警集和监督分类的电力通信网故障定位方法,其特征在于:在步骤(1)
将通信网络中多种类别的故障告警信息分类为网络节点故障告警和网络链路故障告警,并使用二元码标准化故障告警信息和故障源记录信息用于故障定位的训练和分类。
3.根据权利要求1所述的基于关键告警集和监督分类的电力通信网故障定位方法,其特征在于:在步骤(2)
根据收集的告警信息将网络,记为告警信息将网络G,划分为两个不相交的区域集合告警区域Gerr和正常区域G-Gerr,定义割边链路集Lc为连接告警区域Gerr和正常区域G-Gerr的链路集合,定义边缘告警节点集Ne为属于告警区域Gerr且与正常区域G-Gerr节点直连的网络节点集合,并将割边链路集Lc和边缘告警集Ne的并称为关键告警集K。
4.根据权利要求1所述的基于关键告警集和监督分类的电力通信网故障定位方法,其特征在于:在步骤(3)
在网络故障诊断和维修完成后,将本次真实的网络故障产生源和实际监测到的故障告警信息以步骤(1)的标准化格式记录到故障诊断数据库中,作为故障分类器的新的训练样本。
5.根据权利要求1所述的基于关键告警集和监督分类的电力通信网故障定位方法,其特征在于:步骤(4)具体包含以下步骤
步骤4.1设置n个SVM分类学习器用于定位故障,其中n为网络节点数和链路数之和;
步骤4.2对于第i个(i=1,2,...,n)分类器,分别将故障诊断数据库中每条记录的故障告警码作为输入,将故障源码的第i位作为故障分类标签对该分类器进行训练;
步骤4.3将当前的故障告警码作为输入,经过每个训练完成的分类器分类得到初步故障定位结果。
6.根据权利要求3所述的基于关键告警集和监督分类的电力通信网故障定位方法,其特征在于:在步骤(5)
结合拓扑分析结果,排除初步定位得到的故障源中不属于告警区域的部分,检查此时的故障源分析其造成的故障症状是否匹配当前的故障告警,如果不能则在当前故障定位解的基础上运行最少故障-最大概率故障定位算法。
7.根据权利要求6中的所述的基于关键告警集和监督分类的电力通信网故障定位方法,其特征在于,所述最少故障-最大概率故障定位算法:
更新当前故障定位解下的新的割边链路集Lc边缘告警节点集Ne,则未正确定位为故障的节点链路集是Lc∪Ne的子集,所有子集中与当前故障定位解的并能够解释当前故障告警且集合元素个数最少,则选取该子集作为新增猜想故障集,与当前故障定位解一起,作为最终的故障定位结果;如果有多个可行解,设其为{ES1,ES2,...,};在分类算法中,对于每个网络元素e的故障分类会给出一个分数指示对该分类的正确的置信度,我们将其记为pe,则最终选择的猜想故障集为
,
其中eij∈ESi,j=1,2,...,|ESi|。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510828083.8A CN105391579B (zh) | 2015-11-25 | 2015-11-25 | 基于关键告警集和监督分类的电力通信网故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510828083.8A CN105391579B (zh) | 2015-11-25 | 2015-11-25 | 基于关键告警集和监督分类的电力通信网故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105391579A CN105391579A (zh) | 2016-03-09 |
CN105391579B true CN105391579B (zh) | 2018-08-24 |
Family
ID=55423431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510828083.8A Expired - Fee Related CN105391579B (zh) | 2015-11-25 | 2015-11-25 | 基于关键告警集和监督分类的电力通信网故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105391579B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056465A (zh) * | 2016-05-20 | 2016-10-26 | 国网辽宁省电力有限公司大连供电公司 | 一种基于电网潮流图的告警范围展示方法 |
JP6840953B2 (ja) * | 2016-08-09 | 2021-03-10 | 株式会社リコー | 診断装置、学習装置および診断システム |
CN106330544B (zh) * | 2016-08-24 | 2019-10-18 | 华南师范大学 | 一种基于自反馈模型的实时告警响应方法 |
CN106506237B (zh) * | 2016-12-08 | 2019-06-21 | 广东电网有限责任公司电力科学研究院 | 一种变电站通信网络的故障定位方法及装置 |
CN106768000B (zh) * | 2017-01-06 | 2019-05-24 | 科诺伟业风能设备(北京)有限公司 | 一种风力发电机组变流器水冷系统压力异常检测方法 |
CN107301296B (zh) * | 2017-06-27 | 2020-09-04 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
CN107451040B (zh) * | 2017-07-07 | 2020-12-01 | 深信服科技股份有限公司 | 故障原因的定位方法、装置及计算机可读存储介质 |
US11474495B2 (en) | 2017-09-30 | 2022-10-18 | Siemens Aktiengesellschaft | Fault diagnosis method and apparatus for numerical control machine tool |
US10949285B2 (en) * | 2018-03-20 | 2021-03-16 | Optumsoft, Inc. | Matchset-based automatic root cause analysis including determining a first fault scenario is to be subsumed by a second fault scenario |
CN108600009B (zh) * | 2018-04-25 | 2021-03-30 | 北京思特奇信息技术股份有限公司 | 一种基于告警数据分析的网络告警根源定位方法 |
CN109639475A (zh) * | 2018-12-06 | 2019-04-16 | 国网甘肃省电力公司信息通信公司 | 基于关联图的网络自诊断故障定位方法 |
CN112448836B (zh) * | 2019-09-04 | 2023-09-15 | 中兴通讯股份有限公司 | 故障根因确定方法、装置、服务器和计算机可读介质 |
CN111061605A (zh) * | 2019-10-25 | 2020-04-24 | 山东英信计算机技术有限公司 | 一种告警信息分拣方法及相关装置 |
CN111274880A (zh) * | 2020-01-10 | 2020-06-12 | 丽水正阳电力建设有限公司 | 一种视频智能分析辅助巡检与异常告警方法 |
WO2022032684A1 (en) * | 2020-08-14 | 2022-02-17 | Siemens Aktiengesellschaft | A method, device, system and storage medium for fault diagnosis and solution recommendation |
CN112181758B (zh) * | 2020-08-19 | 2023-07-28 | 南京邮电大学 | 一种基于网络拓扑及实时告警的故障根因定位方法 |
CN112098889B (zh) * | 2020-09-09 | 2022-03-04 | 青岛鼎信通讯股份有限公司 | 一种基于神经网络和特征矩阵的单相接地故障定位方法 |
CN113709118B (zh) * | 2021-08-11 | 2022-10-25 | 西安交通大学 | 一种多设备协同发波检验的物理入侵设备定位方法及系统 |
CN113988329B (zh) * | 2021-10-26 | 2022-12-27 | 国家石油天然气管网集团有限公司 | 一种基于匹配度计算的天然气管道压缩机组故障分析方法 |
CN116827817A (zh) * | 2023-04-12 | 2023-09-29 | 国网河北省电力有限公司信息通信分公司 | 数据链路状态监测方法、装置、监测系统及存储介质 |
CN116684327B (zh) * | 2023-08-03 | 2023-10-27 | 中维建技术有限公司 | 一种基于云计算的山林地区通信网络故障监测评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1925428A (zh) * | 2006-09-28 | 2007-03-07 | 北京理工大学 | 通过相邻监督对网络非法节点进行检测的方法 |
CN101526979A (zh) * | 2009-04-10 | 2009-09-09 | 重庆市公安局 | 一种智能报警、查询、监督终端 |
CN102081808A (zh) * | 2010-11-29 | 2011-06-01 | 辽宁工业大学 | 现场设备巡检方法及系统 |
CN103488800A (zh) * | 2013-10-16 | 2014-01-01 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于svm的用电异常检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7944843B2 (en) * | 2004-02-13 | 2011-05-17 | Alcatel-Lucent Usa Inc. | Path based network management method and apparatus for data communication networks |
-
2015
- 2015-11-25 CN CN201510828083.8A patent/CN105391579B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1925428A (zh) * | 2006-09-28 | 2007-03-07 | 北京理工大学 | 通过相邻监督对网络非法节点进行检测的方法 |
CN101526979A (zh) * | 2009-04-10 | 2009-09-09 | 重庆市公安局 | 一种智能报警、查询、监督终端 |
CN102081808A (zh) * | 2010-11-29 | 2011-06-01 | 辽宁工业大学 | 现场设备巡检方法及系统 |
CN103488800A (zh) * | 2013-10-16 | 2014-01-01 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于svm的用电异常检测方法 |
Non-Patent Citations (1)
Title |
---|
《信息通信网络告警数据多维度分析方法研究》;王洋;《网络新媒体技术》;20150715;第4卷(第4期);第9-13页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105391579A (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105391579B (zh) | 基于关键告警集和监督分类的电力通信网故障定位方法 | |
Rafique et al. | Cognitive assurance architecture for optical network fault management | |
Shen et al. | Hybrid multi-mode machine learning-based fault diagnosis strategies with application to aircraft gas turbine engines | |
CN110943857B (zh) | 基于卷积神经网络的电力通信网故障分析及定位方法 | |
Gürer et al. | An artificial intelligence approach to network fault management | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
CN109800127A (zh) | 一种基于机器学习的系统故障诊断智能化运维方法及系统 | |
CN107563069A (zh) | 一种风力发电机组故障智能诊断方法 | |
CN108345723A (zh) | 一种基于决策树和贝叶斯网络的电机故障诊断系统及方法 | |
Thangaraj | Data-driven ML Approaches for the concept of Self-healing in CWN, Including its Challenges and Possible Solutions | |
CN109633369B (zh) | 一种基于多维数据相似性匹配的电网故障诊断方法 | |
CN112003718A (zh) | 一种基于深度学习的网络告警定位方法 | |
Charbonnier et al. | A weighted dissimilarity index to isolate faults during alarm floods | |
CN106646068A (zh) | 基于多参量信息融合的智能变电站二次系统缺陷诊断方法 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN114026828B (zh) | 用于监控通信网络的设备和方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN112836436A (zh) | 一种基于概率图模型的配电网线路风险量化预测方法 | |
CN112417766A (zh) | 一种以无故障数据为主的故障诊断方法 | |
CN114370380A (zh) | 一种计及气象因素的风电机组故障诊断方法 | |
CN116304928A (zh) | 供电设备故障预测方法、装置、设备及存储介质 | |
CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
CN113484693B (zh) | 基于图神经网络的变电站二次回路故障定位方法及系统 | |
US20220360084A1 (en) | Transient stability assessment method for an electric power system | |
CN106569095B (zh) | 一种基于加权平均依赖分类器的电网故障诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180824 Termination date: 20201125 |
|
CF01 | Termination of patent right due to non-payment of annual fee |