CN105450448B - 基于电力通信网的故障分析方法及装置 - Google Patents
基于电力通信网的故障分析方法及装置 Download PDFInfo
- Publication number
- CN105450448B CN105450448B CN201510860637.2A CN201510860637A CN105450448B CN 105450448 B CN105450448 B CN 105450448B CN 201510860637 A CN201510860637 A CN 201510860637A CN 105450448 B CN105450448 B CN 105450448B
- Authority
- CN
- China
- Prior art keywords
- inducement
- factor
- probability
- incentive
- fault
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011835 investigation Methods 0.000 claims abstract description 7
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 70
- 238000004891 communication Methods 0.000 claims description 65
- 238000005457 optimization Methods 0.000 claims description 27
- 241000894007 species Species 0.000 claims description 12
- 238000013024 troubleshooting Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 abstract 2
- 238000012423 maintenance Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 8
- 239000013307 optical fiber Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000010754 BS 2869 Class F Substances 0.000 description 3
- 230000032683 aging Effects 0.000 description 3
- 208000025274 Lightning injury Diseases 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- H04L41/0631—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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供一种基于电力通信网的故障分析方法及装置,其中,该方法包括:采集获取电力通信网中待分析故障的历史数据,并根据历史数据,获取已发生故障对应的故障发生的诱因种类集合;其中,每个诱因种类包括至少一个诱因因素;对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率,并根据概率获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取诱因种类对应的故障概率;根据每个诱因种类对应的故障概率,计算待分析故障可能发生的概率;若待分析故障可能发生的概率大于第一预设阈值,根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理。
Description
技术领域
本发明涉及电力通信网技术,尤其涉及一种基于电力通信网的故障分析方法及装置。
背景技术
当前,电力通信网直接关系到电网的安全性和供电可靠性,因此,保障电力通信网的安全尤为重要。随着电力通信网的大力发展,电力通信网的架构越来越复杂,所处的环境也越来越多样。因此,电力通信网可能发生的故障也越来越多。
具体的,在电力通信网中,其主要组成部分,例如:同步数字体系(SynchronousDigital Hierarchy,简称SDH)设备,光纤,接口等都可能产生故障,而故障的诱因一般都来自多方面,其中,主要包括自然因素、设备因素和人为因素。一般来说,电力通信网故障与产生故障的诱因会存在某种关联性,基于可能产生故障的诱因,量化其与电力通信网故障之间的关联性,对于尽快确定故障原因,开展工程维护,降低电力通信网的安全风险都有很强的现实意义。
然而,现有技术中,一般采用人工的方式直接给定不同诱因下故障发生的概率,具有很强的主观性,因此,采用人工的方式无法有效指导电力通信网的运行维护,提前规避故障的发生。
发明内容
本发明提供一种基于电力通信网的故障分析方法及装置,能够有效指导电力通信网的运行维护,提前规避故障的发生。
本发明提供一种基于电力通信网的故障分析方法,包括:
采集获取所述电力通信网中待分析故障的历史数据,并根据所述历史数据,获取所述已发生故障对应的故障发生的诱因种类集合;其中,所述诱因种类集合包括如下一种或者几种组合:自然诱因种类、人为诱因种类和设备诱因种类;且每个诱因种类中包括至少一个诱因因素;
对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率,并根据所述概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取所述诱因种类对应的导致所述待分析故障发生的故障概率;
根据每个诱因种类对应的故障概率,计算所述待分析故障可能发生的概率;
若所述待分析故障可能发生的概率大于第一预设阈值,则根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理。
本发明还提供一种基于电力通信网的故障分析装置,包括:
诱因种类集合获取模块,用于采集获取所述电力通信网中待分析故障的历史数据,并根据所述历史数据,获取所述已发生故障对应的故障发生的诱因种类集合;其中,所述诱因种类集合包括如下一种或者几种组合:自然诱因种类、人为诱因种类和设备诱因种类;且每个诱因种类中包括至少一个诱因因素;
第一概率获取模块,用于对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率,并根据所述概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取所述诱因种类对应的导致所述待分析故障发生的故障概率;
第二概率获取模块,还用于根据每个诱因种类对应的故障概率,计算所述待分析故障可能发生的概率;
排查处理模块,用于若所述待分析故障可能发生的概率大于第一预设阈值,则根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理。
本发明提供的一种基于电力通信网的故障分析方法及装置,其中,该方法通过采集获取电力通信网中待分析故障的历史数据,并根据历史数据,获取已发生故障对应的故障发生的诱因种类集合;计算获取其中每个诱因因素对应的诱因概率,并根据概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取诱因种类对应的导致待分析故障发生的故障概率;根据每个诱因种类对应的故障概率,计算待分析故障可能发生的概率;最后,根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理。本发明通过电力通信网中待分析故障的历史数据,量化了已有诱因下的待分析故障可能发生的概率,并且能够确认各个诱因因素的权重,进而能够有效的指导电力通信网的运行维护,提前规避故障的发生,避免了现有技术中主观性较强,无法有效指导电力通信网的运行维护,提前规避故障的发生的缺陷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于电力通信网的故障分析方法实施例一的流程图;
图2为本发明实施例提供的基于电力通信网的故障分析方法实施例二的流程图;
图3为本发明实施例提供的基于电力通信网的故障分析装置实施例一的结构示意图;
图4为本发明实施例提供的基于电力通信网的故障分析装置实施例二的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的基于电力通信网的故障分析方法实施例一的流程图,如图1所示,本实施例提供的基于电力通信网的故障分析方法,具体包括以下步骤:
步骤S100、采集获取电力通信网中待分析故障的历史数据,并根据历史数据,获取已发生故障对应的故障发生的诱因种类集合。
其中,诱因种类集合包括如下一种或者几种组合:自然诱因种类、人为诱因种类和设备诱因种类;且每个诱因种类中包括至少一个诱因因素。
具体的,在电力通信网事件中,自然诱因种类常见形式为地震海啸等自然灾害,其能够导致设备损毁以及连锁性的系统故障发生,造成高等级事件的自然因素大致为强风、冰雪、地震、雷击、沙尘暴、洪水、山体滑坡等。而其中引发最多通信系统事件的自然因素为地震,冰雪,强风三类。
地震引发的电力通信网事件主要集中在震源附近,根据地震震级及影响范围提升,电力通信网受到的破坏也随之上升,同时在严重的地震自然灾害中,也会出现对于电力通信网及电网毁灭性的破坏。
冰雪自然因素也是电力通信网时间的一大诱因,其特点是持续时间长,覆盖范围广,对于后续的维修恢复影响严重。常见的电力通信网事件冰雪自然因素主要是低温天气引起的设备损坏。同时关注另一重点影响因素,在冰雪灾害中,通常由于覆盖范围较为广阔,这造成在对于偏远地区的维修与救援的关注度不足,没有及时除冰抢修,导致事件故障累积,长久隐患累积造成高等级事件发生。
强风自然因素多发常见且破坏程度严重。尤其在东南沿海台风灾害多发地区,以及内陆飓风龙卷风多发地区,一次强风灾害往往造成电网整体的严重影响。近年来在我国,几乎每年都有强风灾害引起的通信电力网事件。
综上,引发故障的自然因素主要是极端的气候、环境变化,具有突发性和强破坏性,无法避免。同时根据国内外对自然灾害的统计,随着生态环境的变化,这些因素将持续增加,并会更频繁、更多样、更剧烈地出现在我们周围。
人为诱因种类主要是指由于人工的影响而可能导致故障的因素。人工因素可以根据动机分为故意因素和无意因素两类。其中故意因素指的是人为故意破坏而导致的故障,例如偷盗电缆电线,窃电,施工破坏电力设备等。无意的因素又包括两个方面,一是运维人员的误操作等,例如操作失误导致软件升级错误,硬件接口配置错误,错误决策等等。二是其他人员的误操作,例如施工导致光缆破坏,恐怖袭击,战争袭击等。人为因素引发的高等级事故相对少见,一般只造成区域电力通信网事件。
设备诱因种类主要是指设备本身的各种因素。一方面,可能引起电力通信网设备故障的设备本身因素包括设备老化或设备质量、性能缺陷等可能导致设备非正常工作的各种因素。另一方面,在现代电力系统中,承载于电力通信网的继电保护业务和安全稳定控制业务等关键业务对网络和设备可靠性提出了更高的要求,电力通信网设备本身的可靠性,通道的冗余备份方式等任何一项指标出问题都可能造成设备故障,甚至引发连锁反应导致通信电力网事件发生。因此,设备的可靠性指标,备份和冗余方式等也是诱发电力通信网故障的因素之一。
步骤S200、对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率,并根据概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取诱因种类对应的导致待分析故障发生的故障概率。
步骤S300、根据每个诱因种类对应的故障概率,计算待分析故障可能发生的概率。
步骤S400、若待分析故障可能发生的概率大于第一预设阈值,则根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理。
本发明提供的一种基于电力通信网的故障分析方法通过采集获取电力通信网中待分析故障的历史数据,并根据历史数据,获取已发生故障对应的故障发生的诱因种类集合;计算获取其中每个诱因因素对应的诱因概率,并根据概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取诱因种类对应的导致待分析故障发生的故障概率;根据每个诱因种类对应的故障概率,计算待分析故障可能发生的概率;最后,根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理。本发明通过电力通信网中待分析故障的历史数据,量化了已有诱因下的待分析故障可能发生的概率,并且能够确认各个诱因因素的权重,进而能够有效的指导电力通信网的运行维护,提前规避故障的发生,避免了现有技术中主观性较强,无法有效指导电力通信网的运行维护,提前规避故障的发生的缺陷。
进一步地,在上述实施例一的技术方案的基础上,在本发明实施例二中个,步骤S100中的对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率,具体可以为以下三种情况:
1)若诱因种类Fk为自然诱因种类,则采用公式
Pi(t)=f(di)pi(t)
计算诱因因素i在时刻t的诱因概率Pi(t)。
其中,pi(t)为诱因因素i的发生概率,ni(t)为诱因因素i在时间区间(-∞,t)的发生次数,di为诱因因素i在时刻t的等级,f(di)为诱因因素i在等级di下的影响, 为为诱因因素i的初始影响等级,为诱因因素i的最大影响等级。
例如地震级别为1~10级,强风级别为1~12级,地震诱因的初始的影响等级可以设置为4级,强风诱因的初始的影响等级可以设置为6级,另外,自然因素的不同等级的破坏力不一样,而级别之间的区别往往呈指数级增长。
具体的,对于地震,冰雪灾害,强风等自然因素已有相应的等级描述和影响分析。然而对于火灾,雷击等自然因素并无明确的等级和影响定义,需要依据专家经验和历史数据,自定义相应的级别和影响等级。
2)若诱因种类Fk为人为诱因种类,则采用公式
Pi(t)=f(di)pi(t)
计算诱因因素i在时刻t的诱因概率Pi(t)。
其中,pi(t)为诱因因素i的发生概率,ni(t)为诱因因素i在时间区
间(-∞,t)的发生次数,di为诱因因素i在时刻t的等级,f(di)为诱因因素i在等级di下的影
响,为诱因因素i的初始影响等级,为诱因因素i的最大
影响等级。
具体的,对于人为因素往往是随机事件,可以认为其到达过程符合泊松分布。人为因素也有相应的破坏等级,破坏等级与影响一般呈线性关系。另外,对于并无明确定义的人为因素和影响,例如软件误升级,错误决策等,也需要依据专家经验和历史数据,自定义相应的级别和影响等级。
3)若诱因种类Fk为设备诱因种类,其中,设备诱因种类包括:第一种设备诱因和第二种设备诱因。
根据之前的分析,设备诱因种类主要分为两种:第一种设备诱因和第二种设备诱因,其中,第一种设备诱因是设备本身的老化、缺陷等因素,第二种设备诱因是冗余、备份方式等可靠性因素。
若诱因种类Fk为第一种设备诱因,则采用公式
计算诱因因素i在时刻t的诱因概率Pi(t)。
其中,Ti为设备指定时长,具体的,设备指定时长Ti指的是设备的寿命。
若诱因种类Fk为第二种设备诱因,则采用公式
计算诱因因素i在时刻t的的诱因概率Pi(t)。
其中,vi(t)为设备当前配置值,为设备约定要求。
在本实施例中,具体的,图2为本发明实施例提供的基于电力通信网的故障分析方法实施例二的流程图,如图2所示,步骤S200具体包括以下步骤:
步骤S201、根据每个诱因因素i在时刻t的诱因概率Pi(t),建立诱因种类Fk对应的优化模型
其中,Z(W)为优化目标,xij为诱因因素i导致待分析故障发生的概率,且满足xij=0,1,η为熵权的比例因子,且满足0<η<1,wi为诱因因素i的权重,其中,Fk∈F,F为诱因种类集合。
具体的,若诱因因素i可能导致待分析故障,则xij=1,否则,xij=0。
具体的,根据每个诱因因素i在时刻t的诱因概率Pi(t),建立优化模型的具体推导过程如下:由于各诱因导致故障发生的关联性并不确定,下面我们分析的量化过程。由于诱因种类Fk组成其的hk个因素决定,设每个诱因因素i的权重为wi,权重集合为W={wi},考虑到不同诱因因素的相斥相容,可以获取与各基本事件的关系如下:
其中Pij…l(t)表示诱因因素i,j,…,l同时发生的诱因概率。
一方面,需要考虑到权重应该最大化k类具体诱因的诱因概率从而有效分析各因素的影响,因此,需要满足如下优化目标:
另一方面,针对不确定的系统,一种有效的量化方式是信息熵。为了确定各因素的诱因概率和和故障之间的影响关系,最小化信息熵是很有必要的。由于各因素的诱因概率都会导致故障的发生,因此,故障发生概率和各因素诱因概率之间的依赖度也需要进行考虑。为了归一化Fk内各种具体诱因的诱因概率和依赖度,本发明提出了如下约束:
其中,为k类诱因因素诱因概率相对于诱因因素i的诱因概率Pi(t)的偏导数,反应了k类诱因集合对诱因因素i的依赖度。
对于故障发生概率,目标之一是使得发生概率值趋于稳定。因此,基于归一化的约束,以各种因素的权重为优化对象,以依赖度体现出的熵最小为目标,即:
兼顾以上两个目标,本发明中最终的优化目标和对应的约束定义如下:
min Z(W)=ηZ1(W)+(1-η)Z2(W)
而在上述的优化模型中,变量众多,求解复杂,需要依据模型的数学特征选择合适的算法进行求解。以上学术问题由于目标和约束均为非线性,常规的数学方法很难求解,而其他方法过程复杂,在实际工程中并不适用。为了有效在工程上解决上述问题,我们将模型进行简化。
首先,在实际工程中,由于各个因素集合中互斥的各个因素同时发生概率都较低,且发生过程相互独立。因此,可以忽略的高阶部分,即将优化目标Z1(W)转化为:
其次,在实际场景中,同一种类中诱因因素的诱因概率之间并不存在闭集的归一化关系,因此可以认为对k类因素集合中的诱因因素i和l,Pi(t)和Pl(t)相互独立,因此有:
经过简化后,可以得到优化模型如下:
针对上述优化模型,可以选择合适的方法来进行求解。
步骤S202、根据诱因种类Fk对应的优化模型,获取每个诱因因素对应的权重wi。
步骤S203、根据获取的每个诱因因素对应的权重wi,采用公式
计算诱因种类Fk对应的导致待分析故障发生的故障概率
另外,步骤S202的一种具体实现方式为:
(1)设定优化模型的初始解为初始值为Z0=+∞,可行解为迭代次数nc=0,其中,hk为诱因种类Fk中诱因因素的数量。
(2)根据初始解W0,采用公式
计算第一次迭代解W1,迭代次数nc加1。
(3)采用公式
对W1进行归一化处理。
(4)根据归一化处理后的W1,计算Z(W1),若Z(W1)<Z0,令W'=W1。
(5)若|Z(W1)-Z(W0)|≤ε,则令W1为诱因种类Fk中每个诱因因素对应的权重i的权重wi的集合,否则,令W1=W0。
其中,ε为第二预设阈值。
另外,步骤S300具体包括以下步骤:根据每个诱因种类对应的故障概率采用公式
计算待分析故障可能发生的概率
结合上述实施例,下面结合实例对本发明提出的基于电力通信网的故障分析方法进行进一步地说明:
以东部沿海某地市的电力通信网中的故障光纤中断为例,首先,列出与故障相关联的因素分类和集合(即xij=1的诱因因素),包括:
(1)自然因素(F1):地震,强风,老鼠啃咬,火灾。
(2)人为因素(F2):挪动光纤,施工挖断。
(3)设备因素(F3):自然老化。
截止到当前统计为止,导致光纤中断的诱因发生次数为10次,其中强风导致1次,地震0次,老鼠啃咬1次,火灾1次,挪动光纤2次,施工挖断5次。
1)首先,对自然诱因种类的诱因概率进行建模,设地震级别为1~10级,强风分为1~12级,老鼠啃咬程度为1~4级,火灾分为1~5级。设地震的起始影响等级为4级,强风为6级,老鼠啃咬为2级,火灾为1级,此时,东部沿海某地市的电力通信网正遭遇8级台风和1级老鼠啃咬危险。
结合诱因概率量化方法,可以得到四种自然因素发生的概率分别为:0,0.33e-4,0.33e-2,0。
2)对于人为诱因种类,设挪动光纤的级别只有1,施工挖断的级别为2,两种因素的到达率分别为0.001和0.002,当前挪动光纤存在,且施工存在1级挖断影响可能性,因此则可以得到施工因素的发生概率分别为1-e-0.002和0.5(1-e-0.01)。
3)对于设备诱因种类,设其使用时间为3年,使用寿命为5年,对应的发生故障概率为1-0.4e-3。
以自然诱因种类为例,基于优化模型,设η取值为0.5,可以得到对于自然诱因种类,优化模型为:
利用牛顿法求解得到w2=0.72,w3=0.41,即诱因概率越大,权重越高,与实际相符。进而得到自然诱因种类对应的导致待分析故障发生的故障概率为0.0222。
类似的,可以得到施工因素的权重分别为0.654和0.832,对应的导致待分析故障发生的故障概率为0.402。
设备本身因素的权重为1,对应的导致待分析故障发生的故障概率为0.005。
最后可以得到故障发生的可能概率为0.4182。即在当前状况下,光纤中断故障发生的概率很高。而其中人工因素的可能性最大,其实是自然因素,再次是设备因素,与历史统计数据值相一致。因此,在对故障原因进行排查时,可以遵循这个顺序来进行。从而有效指导运维人员的排查。
图3为本发明实施例提供的基于电力通信网的故障分析装置实施例一的结构示意图,如图3所示,本实施例提供的基于电力通信网的故障分析装置,包括:诱因种类集合获取模块100、第一概率获取模块200、第二概率获取模块300和排查处理模块400。
在本实施例中,诱因种类集合获取模块100,用于采集获取电力通信网中待分析故障的历史数据,并根据历史数据,获取已发生故障对应的故障发生的诱因种类集合;其中,诱因种类集合包括如下一种或者几种组合:自然诱因种类、人为诱因种类和设备诱因种类;且每个诱因种类中包括至少一个诱因因素;第一概率获取模块200,用于对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率,并根据概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取诱因种类对应的导致待分析故障发生的故障概率;第二概率获取模块300,用于根据每个诱因种类对应的故障概率,计算待分析故障可能发生的概率;排查处理模块400,用于若待分析故障可能发生的概率大于第一预设阈值,则根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理。
其中,基于电力通信网的故障分析装置采用图1所示的基于电力通信网的故障分析方法,其实现原理和实现效果类似,在此不再赘述。
进一步地,在上述实施例一的技术方案的基础上,在本发明实施例二中,图4为本发明实施例提供的基于电力通信网的故障分析装置实施例二的结构示意图,如图4所示,在本发明实施例二中,第一概率获取模块200包括:第一计算单元201、权重获取单元202和第一概率获取单元203。
在本实施例中,第一计算单元201,用于若诱因种类Fk为自然诱因种类,采用公式
Pi(t)=f(di)pi(t)
计算诱因因素i在时刻t的诱因概率Pi(t)。
其中,pi(t)为诱因因素i的发生概率,ni(t)为诱因因素i在时
间区间(-∞,t)的发生次数,di为诱因因素i在时刻t的等级,f(di)为诱因因素i在等级di下
的影响,为诱因因素i的初始影响等级,为诱因因素i的
最大影响等级。
或者,第一计算单元201,用于若诱因种类Fk为人为诱因种类,第一计算单元,采用公式
Pi(t)=f(di)pi(t)
计算诱因因素i在时刻t的诱因概率Pi(t)。
其中,pi(t)为诱因因素i的发生概率,ni(t)为诱因因素i在时间区
间(-∞,t)的发生次数,di为诱因因素i在时刻t的等级,f(di)为诱因因素i在等级di下的影
响,为诱因因素i的初始影响等级,为诱因因素i的最大
影响等级。
或者,第一计算单元201,用于若诱因种类Fk为设备诱因种类,且设备诱因种类包括第一种设备诱因,采用公式
计算诱因因素i在时刻t的诱因概率Pi(t)。
其中,Ti为设备指定时长。
或者,第一计算单元201,用于若诱因种类Fk为设备诱因种类,且设备诱因种类包括第二种设备诱因,采用公式
计算诱因因素i在时刻t的的诱因概率Pi(t)。
其中,vi(t)为设备当前配置值,为设备约定要求。
权重获取单元202,用于根据每个诱因因素i在时刻t的诱因概率Pi(t),建立诱因种类Fk对应的优化模型
其中,Z(W)为优化目标,xij为诱因因素i导致待分析故障发生的概率,且满足xij=0,1,η为熵权的比例因子,且满足0<η<1,wi为诱因因素i的权重,其中,Fk∈F,F为诱因种类集合;
权重获取单元202,还用于根据诱因种类Fk对应的优化模型,获取每个诱因因素对应的权重wi;
第一概率获取单元203,用于根据获取的每个诱因因素对应的权重wi,采用公式
计算诱因种类Fk对应的导致待分析故障发生的故障概率
进一步地,在上述实施例一和实施例二的技术方案的基础上,在本发明实施例三中,权重获取单元202,还用于设定优化模型的初始解为初始值为Z0=+∞,可行解为初始迭代次数nc=0,其中,hk为诱因种类Fk中诱因因素的的数量。
权重获取单元202,还用于根据初始解W0,采用公式
计算第一次迭代解W1,迭代次数nc加1。
权重获取单元202,还用于采用公式
对W1进行归一化处理,根据归一化处理后的W1,计算Z(W1),若Z(W1)<Z0,令W'=W1,若|Z(W1)-Z(W0)|≤ε,则令W1为诱因种类Fk中每个诱因因素对应的权重wi构成的集合,其中,ε为第二预设阈值,否则,令W1=W0。
另外,第二概率获取模块包括:第二概率获取单元。
第二概率获取单元,用于根据每个诱因种类对应的故障概率采用公式
计算待分析故障可能发生的概率
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种基于电力通信网的故障分析方法,其特征在于,包括:
采集获取所述电力通信网中待分析故障的历史数据,并根据所述历史数据,获取已发生故障对应的故障发生的诱因种类集合;其中,所述诱因种类集合包括如下一种或者几种组合:自然诱因种类、人为诱因种类和设备诱因种类;且每个诱因种类中包括至少一个诱因因素;
对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率,并根据所述概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取所述诱因种类对应的导致所述待分析故障发生的故障概率;
根据每个诱因种类对应的故障概率,计算所述待分析故障可能发生的概率;
若所述待分析故障可能发生的概率大于第一预设阈值,则根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理;
其中,所述对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率包括:
若诱因种类Fk为自然诱因种类,采用公式Pi(t)=f(di)pi(t),计算诱因因素i在时刻t的诱因概率Pi(t);其中,pi(t)为诱因因素i的发生概率,ni(t)为诱因因素i在时间区间(-∞,t)的发生次数,di为诱因因素i在时刻t的等级,f(di)为诱因因素i在等级di下的影响, 为诱因因素i的初始影响等级,为诱因因素i的最大影响等级;或者,
若诱因种类Fk为人为诱因种类,采用公式Pi(t)=f(di)pi(t),计算诱因因素i在时刻t的诱因概率Pi(t);其中,pi(t)为诱因因素i的发生概率,λi为在单位时间内诱因因素i的平均发生率,ni(t)为诱因因素i在时间区间(-∞,t)的发生次数,di为诱因因素i在时刻t的等级,f(di)为诱因因素i在等级di下的影响, 为诱因因素i的初始影响等级,为诱因因素i的最大影响等级;或者,
若诱因种类Fk为设备诱因种类,且所述设备诱因种类包括第一种设备诱因,则采用公式计算诱因因素i在时刻t的诱因概率Pi(t);其中,Ti为设备指定时长;或者,
若诱因种类Fk为设备诱因种类,且所述设备诱因种类包括第二种设备诱因,则采用公式计算诱因因素i在时刻t的的诱因概率Pi(t);其中,vi(t)为设备当前配置值,为设备约定要求。
2.根据权利要求1所述的方法,其特征在于,所述根据所述概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取所述诱因种类对应的导致所述待分析故障发生的故障概率包括:
根据每个诱因因素i在时刻t的诱因概率Pi(t),建立诱因种类Fk对应的优化模型
其中,Z(W)为优化目标,xij为诱因因素i导致待分析故障发生的概率,且满足xij等于1或者0,η为熵权的比例因子,且满足0<η<1,wi为诱因因素i的权重,W为诱因因素i的权重wi的权重集合,其中,Fk∈F,F为诱因种类集合;
根据诱因种类Fk对应的所述优化模型,获取每个诱因因素对应的权重wi;
根据获取的每个诱因因素对应的权重wi,采用公式计算诱因种类Fk对应的导致所述待分析故障发生的故障概率
3.根据权利要求2所述的方法,其特征在于,所述根据诱因种类Fk对应的所述优化模型,获取每个诱因因素对应的权重wi包括:
设定所述优化模型的初始解为可行解为迭代次数nc=0;其中,hk为诱因种类Fk中诱因因素的数量;
根据所述初始解W0,采用公式计算第一次迭代解W1,迭代次数nc加1;
采用公式对W1进行归一化处理;
根据归一化处理后的W1,计算Z(W1),若Z(W1)<Z0,令W'=W1;
若|Z(W1)-Z(W0)|≤ε,则令W1为诱因种类Fk中每个诱因因素对应的权重wi构成的集合;其中,ε为第二预设阈值,否则,令W1=W0。
4.根据权利要求3所述的方法,其特征在于,所述根据每个诱因种类对应的故障概率,计算所述待分析故障可能发生的概率包括:
根据所述每个诱因种类对应的故障概率采用公式计算所述待分析故障可能发生的概率
5.一种基于电力通信网的故障分析装置,其特征在于,包括:
诱因种类集合获取模块,用于采集获取所述电力通信网中待分析故障的历史数据,并根据所述历史数据,获取已发生故障对应的故障发生的诱因种类集合;其中,所述诱因种类集合包括如下一种或者几种组合:自然诱因种类、人为诱因种类和设备诱因种类;且每个诱因种类中包括至少一个诱因因素;
第一概率获取模块,用于对于每个诱因种类,计算获取其中每个诱因因素对应的诱因概率,并根据所述概率,获取每个诱因因素对应的权重,再根据获取的每个诱因因素对应的权重,获取所述诱因种类对应的导致所述待分析故障发生的故障概率;
第二概率获取模块,用于根据每个诱因种类对应的故障概率,计算所述待分析故障可能发生的概率;
排查处理模块,用于若所述待分析故障可能发生的概率大于第一预设阈值,则根据每个诱因种类对应的故障的概率以及每个诱因种类中诱因因素对应的权重,按照从大到小的顺序,依次进行排查处理;
其中,所述第一概率获取模块包括:第一计算单元、权重获取单元和概率获取单元;
所述第一计算单元,用于若诱因种类Fk为自然诱因种类,采用公式Pi(t)=f(di)pi(t),计算诱因因素i在时刻t的诱因概率Pi(t);其中,pi(t)为诱因因素i的发生概率,λi为在单位时间内诱因因素i的平均发生率,ni(t)为诱因因素i在时间区间(-∞,t)的发生次数,di为诱因因素i在时刻t的等级,f(di)为诱因因素i在等级di下的影响, 为诱因因素i的初始影响等级,为诱因因素i的最大影响等级;或者,
所述第一计算单元,用于若诱因种类Fk为人为诱因种类,所述第一计算单元,采用公式Pi(t)=f(di)pi(t),计算诱因因素i在时刻t的诱因概率Pi(t);其中,pi(t)为诱因因素i的发生概率,ni(t)为诱因因素i在时间区间(-∞,t)的发生次数,di为诱因因素i在时刻t的等级,f(di)为诱因因素i在等级di下的影响, 为诱因因素i的初始影响等级,为诱因因素i的最大影响等级;或者,
所述第一计算单元,用于若诱因种类Fk为设备诱因种类,且所述设备诱因种类包括第一种设备诱因,采用公式计算诱因因素i在时刻t的诱因概率Pi(t);其中,Ti为设备指定时长;或者,
所述第一计算单元,用于若诱因种类Fk为设备诱因种类,且所述设备诱因种类包括第二种设备诱因,采用公式计算诱因因素i在时刻t的的诱因概率Pi(t);其中,vi(t)为设备当前配置值,为设备约定要求;
所述权重获取单元,用于根据每个诱因因素i在时刻t的诱因概率Pi(t),建立诱因种类Fk对应的优化模型
其中,Z(W)为优化目标,xij为诱因因素i导致待分析故障发生的概率,且满足xij等于1或者0,η为熵权的比例因子,且满足0<η<1,wi为诱因因素i的权重,W为诱因因素i的权重wi的权重集合,其中,Fk∈F,F为诱因种类集合;
所述权重获取单元,还用于根据诱因种类Fk对应的所述优化模型,获取每个诱因因素对应的权重wi;
所述概率获取单元,用于根据获取的每个诱因因素对应的权重wi,采用公式计算诱因种类Fk对应的导致所述待分析故障发生的故障概率
6.根据权利要求5所述的装置,其特征在于,所述权重获取单元,还用于设定所述优化模型的初始解为可行解为迭代次数nc=0;其中,hk为诱因种类Fk中诱因因素的数量;
所述权重获取单元,还用于根据所述初始解W0,采用公式计算第一次迭代解W1,迭代次数nc加1;
所述权重获取单元,还用于采用公式对W1进行归一化处理;根据归一化处理后的W1,计算Z(W1),若Z(W1)<Z0,令W'=W1;
若|Z(W1)-Z(W0)|≤ε,则令W1为诱因种类Fk中每个诱因因素对应的权重wi构成的集合;其中,ε为第二预设阈值,否则,令W1=W0。
7.根据权利要求6所述的装置,其特征在于,所述第二概率获取模块包括:第二计算单元;
所述第二计算单元,用于根据所述每个诱因种类对应的故障概率采用公式计算所述待分析故障可能发生的概率
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510860637.2A CN105450448B (zh) | 2015-11-30 | 2015-11-30 | 基于电力通信网的故障分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510860637.2A CN105450448B (zh) | 2015-11-30 | 2015-11-30 | 基于电力通信网的故障分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105450448A CN105450448A (zh) | 2016-03-30 |
CN105450448B true CN105450448B (zh) | 2019-01-22 |
Family
ID=55560254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510860637.2A Active CN105450448B (zh) | 2015-11-30 | 2015-11-30 | 基于电力通信网的故障分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105450448B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789646A (zh) * | 2016-12-09 | 2017-05-31 | 国网北京市电力公司 | 业务传输路径确定方法及装置 |
CN106841981A (zh) * | 2017-01-11 | 2017-06-13 | 唐山钢铁集团有限责任公司 | 一种df10d系列机车无辅助发电故障处理方法 |
CN107769972B (zh) * | 2017-10-25 | 2019-12-10 | 武汉大学 | 一种基于改进的lstm的电力通信网设备故障预测方法 |
CN108183814B (zh) * | 2017-12-08 | 2020-12-08 | 囯网河北省电力有限公司电力科学研究院 | 用电信息采集系统的通信信道的故障排查方法和装置 |
CN107958395B (zh) * | 2017-12-13 | 2021-11-26 | 美林数据技术股份有限公司 | 一种电力系统异常用户的识别方法 |
CN109034576B (zh) * | 2018-07-13 | 2021-11-16 | 贵州电网有限责任公司 | 一种电力通信网故障诱因和业务影响的关联分析方法 |
CN110061867B (zh) * | 2019-04-02 | 2022-01-07 | 武汉烽火技术服务有限公司 | 基于故障源告警强度的通信网告警分析方法及系统 |
CN112462237B (zh) * | 2020-12-01 | 2021-07-09 | 江苏博沃汽车电子系统有限公司 | 一种电路安全预警的信息处理方法及装置 |
CN112782639B (zh) * | 2020-12-22 | 2022-09-13 | 国网浙江海宁市供电有限公司 | 一种低压计量箱故障智能指示方法及指示器 |
CN113050015B (zh) * | 2021-03-26 | 2023-01-17 | 联想(北京)有限公司 | 一种数据处理方法及电子装置 |
CN113933776A (zh) * | 2021-08-31 | 2022-01-14 | 宁波三星智能电气有限公司 | 计量系统数据完整率的自动分析处理方法、介质和设备 |
CN114625086A (zh) * | 2022-03-14 | 2022-06-14 | 安徽碳鑫科技有限公司 | 一种用于粉煤气化装置的实时生产指标监管系统 |
CN115001943B (zh) * | 2022-05-27 | 2024-03-22 | 深圳小湃科技有限公司 | 基于大数据的设备故障识别方法、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063750A (zh) * | 2014-06-27 | 2014-09-24 | 国家电网公司 | 基于改进ahp-反熵权的电力系统受灾影响的预测方法 |
CN104392391A (zh) * | 2014-11-14 | 2015-03-04 | 国家电网公司 | 一种电网运行安全风险量化方法 |
CN104573989A (zh) * | 2015-01-28 | 2015-04-29 | 国家电网公司 | 一种基于历史故障信息的输电线路故障概率评估方法 |
CN104992299A (zh) * | 2015-07-23 | 2015-10-21 | 河南行知专利服务有限公司 | 一种电网风险分析及预警的方法 |
-
2015
- 2015-11-30 CN CN201510860637.2A patent/CN105450448B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063750A (zh) * | 2014-06-27 | 2014-09-24 | 国家电网公司 | 基于改进ahp-反熵权的电力系统受灾影响的预测方法 |
CN104392391A (zh) * | 2014-11-14 | 2015-03-04 | 国家电网公司 | 一种电网运行安全风险量化方法 |
CN104573989A (zh) * | 2015-01-28 | 2015-04-29 | 国家电网公司 | 一种基于历史故障信息的输电线路故障概率评估方法 |
CN104992299A (zh) * | 2015-07-23 | 2015-10-21 | 河南行知专利服务有限公司 | 一种电网风险分析及预警的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105450448A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105450448B (zh) | 基于电力通信网的故障分析方法及装置 | |
Panteli et al. | Power system resilience to extreme weather: Fragility modeling, probabilistic impact assessment, and adaptation measures | |
CN111444240A (zh) | 输电线路故障预警方法及装置 | |
Sang et al. | An integrated preventive operation framework for power systems during hurricanes | |
US11474279B2 (en) | Weather-related overhead distribution line failures online forecasting | |
CN111860940B (zh) | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 | |
Hosseini et al. | Quantifying impacts of automation on resilience of distribution systems | |
CN106789646A (zh) | 业务传输路径确定方法及装置 | |
CN104318320A (zh) | 基于静态安全分析的电网气象灾害风险评估方法及装置 | |
CN106651128A (zh) | 一种输变电系统风险预警方法 | |
CN112632148B (zh) | 一种考虑极端气候条件下配电网元器件智能预警方法 | |
CN110175745A (zh) | 一种基于故障建模的电力通信网风险评估方法及系统 | |
CN113555872A (zh) | 基于灾害全周期的保底电网中储能系统的应急运维方法 | |
Bhat et al. | Resilience assessment of distribution systems considering the effect of hurricanes | |
Serrano-Fontova et al. | A comprehensive review and comparison of the fragility curves used for resilience assessments in power systems | |
CN117424210A (zh) | 台风灾害下电力cps脆弱性评估方法、系统及设备 | |
CN107292431A (zh) | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 | |
CN104600839B (zh) | 基于风险的电网安全稳定控制系统关键通信链路辨识方法 | |
CN106651166B (zh) | 基于物联网的自然灾害风险处理方法和系统 | |
Ciapessoni et al. | A risk-based resilience assessment tool to anticipate critical system conditions in case of natural threats | |
Анахов et al. | Stability method of connectivity automated calculation for heterogeneous telecommunication network | |
Al Mamun et al. | Outage data analytics for correlating resilience and reliability | |
CN116244964B (zh) | 基于数值模拟和svd模型的配电网大风灾害停电预报方法 | |
Seewald et al. | Reliability forecasting & investment optimization | |
Ristić et al. | THE SIMULATION OF STORM ASSESSMENT ALGORITHM ON THE POWER DISTRIBUTION SYSTEM RELIABILITY |
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 |