CN105825314A - 一种基于集中运维模式的监视信息分析方法和系统 - Google Patents
一种基于集中运维模式的监视信息分析方法和系统 Download PDFInfo
- Publication number
- CN105825314A CN105825314A CN201510009675.7A CN201510009675A CN105825314A CN 105825314 A CN105825314 A CN 105825314A CN 201510009675 A CN201510009675 A CN 201510009675A CN 105825314 A CN105825314 A CN 105825314A
- Authority
- CN
- China
- Prior art keywords
- analysis
- information
- data
- fault
- supervision information
- 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.)
- Pending
Links
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本发明提供了一种基于集中运维模式的监视信息分析方法和系统,所述方法包括以下步骤:I、获取用户需求和所述监视信息;II、制定所述监视信息的分析方案;III、建立所述监视信息的分析模型;IV、根据所述模型确定分析方法;V、获得分析结果;VI、判断所述分析结果是否满足所述用户需求;VII、获得并存储综合分析结果。本发明的方法和系统提高了信息的利用率,扩大了故障监视范围,提高故障分析可靠率,降低故障误报情况,为集中运维系统故障诊断、分析、定位等功能提供支持。
Description
技术领域
本发明涉及一种电力系统领域的方法及系统,具体讲涉及一种基于集中运维模式的监视信息分析方法及系统。
背景技术
随着特高压交流示范工程正式投运,电网迈进了特高压、大电网运行的新时代,电网运行的特性更加复杂,驾驭大电网的难度急剧增加,这使得调度业务对调度技术支持系统的依赖程度进一步提高,也对调度技术支持系统运维工作提出了更多的要求。大运行体系的建设给运维工作赋予更为艰巨的任务。按照“三集五大”的战略要求,需建立大运行体系,实现各级调度的调控一体化和调度一体化,调度技术支持系统在采集范围、服务对象、功能要求等方面都有了很大的拓展,承担了更大的运行风险,给运维工作赋予了更为艰巨的任务,迫切需要探索系统运维工作的新模式,实现运维工作的精益化管理。
智能电网调度控制系统规模日益增大,实时生成海量的系统运行信息和故障信息。现有的数据处理方法或系统无法快速且有针对性的对智能电网调度控制系统运行信息和故障信息进行分析。在出现问题时,历史数据无法提供有效的数据支持,成为提高处理,解决故障速度的瓶颈,并且系统故障预警门槛值多为经验数据,缺乏实际运行数据支持,对系统精细化管理造成影响。
综上,实现智能电网调度技术在线集中运维系统数据分析是提升大运行支撑能力的重要技术手段,为保障电网稳定安全运行、进一步提升调度部门驾驭大电网的能力具有长远的意义。
发明内容
为克服上述现有技术的不足,本发明提供一种基于集中运维模式的监视信息分析方法及系统。
实现上述目的所采用的解决方案为:
一种基于集中运维模式的监视信息分析方法,所述方法包括以下步骤:
I、获取用户需求和所述监视信息;
II、制定所述监视信息的分析方案;
III、建立所述监视信息的分析模型;
IV、根据所述模型确定分析方法;
V、获得分析结果;
VI、判断所述分析结果是否满足所述用户需求;
VII、获得并存储综合分析结果。
优选地,所述步骤I包括:所述监视信息包括:数据链路、服务器CPU使用率、服务器内存占用率、系统关键常驻进程、应用情况、实时数据质量、状态估计坏数据、远程浏览数据、磁盘监视信息、故障告警信息和故障处理信息。
优选地,所述步骤II包括:针对所述用户需求和所述监视信息确定分析对象和分析结果目标,制定所述监视信息的分析方案。
优选地,所述步骤III包括:根据确定的分析对象和分析结果目标,按实际需要建立分析模型或对已有分析模型中的分析对象和分析结果目标进行调整。
优选地,所述步骤IV中,所述分析方法包括分类方法、聚类方法、关联分析方法和时间序列分析方法;
所述分类方法包括统计描述、列联表分析、二维相关、方差分析、协方差分析和判别分析;
所述聚类方法包括探索性分析、非线性回归、多元回归和分类Logistic回归;
所述关联方法包括因子分析、关联规则分析和非参数检验。
优选地,所述步骤V中,运用所述分类方法分别对各所述监视信息进行分析计算,获得分析结果,包括:
运用所述分类方法对所述监视信息的数据按数据源和设备类型进行分类分析;
运用所述聚类方法对将故障信息、故障时刻监视信息和日常监视信息进行聚类分析,将模糊边界的数据信息进行整合,获得所述故障信息和所述监视信息的聚类关联情况,确定所述监视信息内部聚类关系,优化分析结果;
运用所述关联方法分析所述故障信息和所述监视信息之间的关联程度,计算所述故障信息和所述监视信息之间的关联因子,通过关联规则修正计算结果,确定各类数据间逻辑关系;
运用所述时间序列分析方法对各类数据按照时间变化情况进行时间序列分析,探究受外部因素的影响、各类数据之间在时间序列的趋势和各类数据不同时间段时间相互影响的程度因子。
优选地,所述步骤VI中,判断所述分析结果是否满足所述用户需求,若满足则确定所述分析结果为综合分析结果并保存,否则根据所述分析结果返回步骤II中调整所述分析方案。
一种基于集中运维模式的监视信息分析系统,所述系统包括:
接收模块,用于获取用户需求和所述监视信息;
建模模块,用于制定所述监视信息的分析方案,并根据所述分析方法建立所述监视信息的分析模型;
分析模块,用于根据所述模型确定分析方法,并运用所述分类方法分别对各类所述监视信息进行分析计算,获得分析结果;所述分析方法包括:分类方法、聚类方法、关联分析方法和时间序列分析方法;
判断模块,用于判断所述分析结果是否满足所述用户需求,若满足则确定所述分析结果为综合分析结果并保存,否则根据所述分析结果调整所述分析方案;
知识库,用于分类并存储所述分析方案、分析模型和处理方法;
数据库,用于分类并存储所述综合分析结果和故障信息。
与现有技术相比,本发明具有以下有益效果:
1、通过对系统运行工况信息和故障告警信息聚类分析、分类分析、时间序列分析和关联分析,对各地运维系统运行信息和故障信息有了更直观更深入的了解,明确系统运行工况信息、故障、地区、服务器以及故障发生时间等信息之间的联系,从而通过对系统运行数据结果有针对性优化系统性能和完善系统配置,提高系统运行的稳定性和可靠性;通过对状态估计等各地电网运行指标分析,对量测采集装置以及电网模型的问题进行了定位,优化量测配置、完善电网模型数据,提高系统后续高级应用分析结果正确性;通过对应用故障信息、系统运行信息进行关联分析,对应用可能存在的隐患进行定位,提高应用功能鲁棒性和计算结果的准确性;
2、通过对系统运行工况信息、系统应用状态信息、系统故障信息的分析统计,挖掘各类信息之间的逻辑关系,细化系统运行状态信息,从多个角度多个层面反映系统运行状态,提高系统运行状态的透明度;
3、开发监视信息分析系统,为智能电网调度控制系统运行信息、各类信息之间的关联关系和系统运行故障信息等分析结果提供量化的数据,直观的反映系统运行状况,提高工作效率;
4、建立集中运维系统监视信息分析知识库能够有效结合人工经验和系统运行信息,通过对知识库的不断完善,完善数据信息分析模型,提高数据信息分析软件准确性;
5、集中运维系统监视信息、故障信息关联分析方法能够结合集中运维中心监视信息和各地故障信息对发生的故障进行关联分析,提高了信息的利用率,扩大了故障监视范围,提高故障分析可靠率,降低故障误报情况,为集中运维系统故障诊断、分析、定位等功能提供支持。
附图说明
图1为本发明中集中运维监视信息分析方法流程示意图;
图2为本发明中数据分析循环流程图;
图3为本实施例中集中运维系统监视信息分析结果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
本发明中,将集中运维中心接入国家电网公司系统内全部省级以上智能电网调度控制系统,提供全面的数据分析服务和历史数据分析结果,帮助运维人员量化系统运行指标,优化系统性能,预警系统风险,提高工作效率和系统精细化管理程度,降低各级调度控制中心的运行维护成本,减少自动化人员的日常工作量,进一步提升调度维护管理水平和系统运行可靠性。
如图1所示,图1为本发明中集中运维监视信息分析方法流程示意图;本发明提供的一种基于集中运维模式的监视信息分析方法包括以下步骤:
步骤一、获取用户需求和所述监视信息;
步骤二、制定所述监视信息的分析方案;
步骤三、建立所述监视信息的分析模型;
步骤四、根据所述模型确定分析方法;
步骤五、获得分析结果;
步骤六、判断所述分析结果是否满足所述用户需求;
步骤七、获得并存储综合分析结果。
步骤一、获取用户需求和监视信息。
用户需求:指在集中运维监视信息的分析过程中,用户根据实际需求所提的要求。
从各调度中心获取监视信息,监视信息包括:数据链路、服务器CPU使用率、服务器内存占用率、系统关键常驻进程、应用情况、实时数据质量、状态估计坏数据、远程浏览数据、磁盘监视信息、故障告警信息及其他故障处理信息。
1、数据链路,包括告警直传链路和实时数据转发链路。
包括:
数据链路每月中断总次数在各地区系统链路中断次数分布情况
数据链路每月中断总时间在各地区系统链路中断时间分布情况
数据链路每月系统各时段总体中断情况及各地区系统各时段中断情况
告警直传链路中断总次数和实时数据转发链路中断总次数在每月中断总次数中占得比例情况
各地区系统告警直传链路中断总次数和实时数据转发链路中断总次数在每月中断总次数中占得比例情况
告警直传链路中断总时间和实时数据转发链路中断总时间在每月中断总时间中占得比例情况
各地区系统告警直传链路中断总时间和实时数据转发链路中断总时间在每月中断总时间中占得比例情况
告警直传链路中断的时间分布情况
实时数据转发链路中断的时间分布情况
2、服务器CPU使用率,设定超过80%为重载,达到100%为满载。
包括:
CPU使用率每月重载总次数在各地区系统CPU重载总次数分布情况
CPU使用率每月重载总时间在各地区系统CPU重载总时间分布情况
各地区功能服务器CPU使用率重载分布情况
各地区CPU使用率重载和服务器进程运行的关联情况
CPU使用率每月满载总次数在各地区系统CPU满载总次数分布情况
CPU使用率每月满载总时间在各地区系统CPU满载总时间分布情况
各地区功能服务器CPU使用率满载分布情况
各地区CPU使用率满载和服务器进程运行的关联情况
3、服务器内存占用率,设定超过80%为重载,达到100%为满载。
包括
内存占用率每月重载总次数在各地区系统内存占用率重载总次数分布情况
内存占用率每月重载总时间在各地区系统内存占用率重载总时间分布情况
各地区功能服务器内存占用率重载分布情况
各地区内存占用率重载和服务器进程关联情况
内存占用率每月满载总次数在各地区系统内存占用率满载总次数分布情况
内存占用率每月满载总时间在各地区系统内存占用率满载总时间分布情况
各地区功能服务器内存占用率满载分布情况
各地区内存占用率满载和服务器进程关联情况
4、系统关键常驻进程,包括:
关键常驻进程每月故障总次数在各地区系统分布情况
关键常驻进程每月故障总时间在各地区系统分布情况
关键常驻进程每月故障总次数在各时段系统分布情况
关键常驻进程每月故障总时间在各时段系统分布情况
关键常驻进程每月故障总次数在各类型服务器系统分布情况
关键常驻进程每月故障总时间在各类型服务器系统分布情况
关键常驻进程每月core文件总数量及各进程core文件分布情况
关键常驻进程每月core文件产生按时间分布情况
关键常驻进程每月core文件产生在各服务器分布情况
关键常驻进程每月core文件产生在各应用分布情况
关键常驻进程每月core文件产生在各厂家分布情况
关键常驻进程每月core文件产生在各地区系统分布情况
5、应用情况,应用包括PUBLICSCADAFESPAS等多个应用。
包括:
应用每月故障总次数在各地区系统故障总次数分布情况
应用每月故障总时间在各地区系统故障总时间分布情况
应用每月故障总次数在各地区系统故障总次数分布情况
应用每月故障总次数在各应用类型中的分布情况
应用每月故障总次数在各服务器类型中的分布情
6、实时数据质量,包括:
实时数据每月跳变总次数在各地区系统数据跳变总次数分布情况
实时数据每月跳变总时间在各地区系统数据跳变总时间分布情况
实时数据每月不变总次数在各地区系统数据不变总次数分布情况
实时数据每月不变总时间在各地区系统数据不变总时间分布情况
实时数据每月中断总次数在各地区系统数据中断总次数分布情况
实时数据每月中断总时间在各地区系统数据中断总时间分布情况
7、状态估计坏数据,包括:
状态估计坏数据每月总个数在各类型坏数据分布情况
状态估计坏数据每月总个数在各省调坏数据分布情况
状态估计坏数据每月总个数在各网调坏数据分布情况
状态估计坏数据每月总个数在各种设备坏数据分布
状态估计坏数据在各地区系统按时间分布情况
状态估计各调度中心合格率方差分布情况
状态估计国调中心和各地调控中心合格率差值分布情况
状态估计坏数据纠错时间各地区分布情况
状态估计坏数据原因分布情况分析
8、远程浏览数据,包括:
远程浏览各地区系统平均浏览速度时间段分布情况
远程浏览每月故障总次数在各地区系统分布情况
远程浏览每月故障总时间在各地区系统分布情况
9、磁盘监视信息,包括:
磁盘使用率每月重载总次数在各地区系统磁盘重载总次数分布情况
磁盘使用率每月重载总时间在各地区系统磁盘重载总时间分布情况
各地区功能服务器磁盘使用率重载分布情况
各地区磁盘使用率重载和服务器进程运行的关联情况
磁盘使用率每月满载总次数在各地区系统磁盘满载总次数分布情况
磁盘使用率每月满载总时间在各地区系统磁盘满载总时间分布情况
各地区功能服务器磁盘使用率满载分布情况
各地区磁盘使用率满载和服务器进程运行的关联情况
磁盘月磁盘使用率变化趋势分析及各进程对磁盘使用率影响分析
10、故障告警信息:包括告警直传信息和实时监控告警信息。
包括:
故障告警误报率在各地区系统分布情况及告警直传和实时监控信息分布情况
故障告警漏报率在各地区系统分布情况及告警直传和实时监控信息分布情况
故障告警误报率在各应用系统分布情况及告警直传和实时监控信息分布情况
故障告警漏报率在各应用系统分布情况及告警直传和实时监控信息分布情况
故障告警误报率在各厂家产品分布情况及告警直传和实时监控信息分布情况
故障告警漏报率在各厂家产品分布情况及告警直传和实时监控信息分布情况
故障告警信息准确率在各地区系统分布情况及告警直传和实时监控信息分布情况
故障告警信息准确率在各应用系统分布情况及告警直传和实时监控信息分布情况
故障告警信息准确率在各厂家产品分布情况及告警直传和实时监控信息分布情况
故障告警信息准确率在各故障类型分布情况
故障告警信息误报率在各故障类型分布情况
故障告警信息漏报率在各故障类型分布情况
故障告警每月总次数及告警直传告警和实时监控告警在其中分布情况
故障告警中告警直传信息按时间分布情况
故障告警中实时监控告警信息按时间分布情况
故障告警每月总次数在各地区系统分布情况及告警直传和实时监控信息分布情况
故障告警每月总次数在各应用系统分布情况及告警直传和实时监控信息分布情况
故障告警每月总次数在各厂家产品分布情况及告警直传和实时监控信息分布情况
故障信息和系统工况信息变化趋势之间的关联关系
11、其他故障处理信息,包括:
应用每月故障持续超时总次数在各地区故障总次数分布情况
应用每月故障持续超时总次数在各地区故障总时间分布情况
应用每月故障持续超时总次数在各地区故障总次数分布情况
应用每月故障持续超时总次数在各应用类型中的分布情况
应用每月故障持续超时总次数在各服务器类型中的分布情况
磁盘重载、满载每月故障持续超时总次数在各地区故障总次数分布情况
磁盘重载、满载每月故障持续超时总次数在各地区故障总时间分布情况
磁盘重载、满载每月故障持续超时总次数在各地区故障总次数分布情况
磁盘重载、满载每月故障持续超时总次数在各应用类型中的分布情况
磁盘重载、满载每月故障持续超时总次数在各服务器类型中的分布情况
故障处理超时各地区分布情况
故障处理超时各厂家产品分布情况
故障处理超时各类型故障分布情况
故障处理延时各地区分布情况
故障处理延时各厂家产品分布情况
故障处理延时各类型故障分布情况
步骤二、针对所述用户需求和所述监视信息确定分析对象和分析结果目标,制定所述监视信息的分析方案。
根据用户需要的分析目标结合用户实际需求和现有监视信息来确定分析对象和预期结果目标,例如,需要分析服务器CPU使用率、服务器内存占用率和某个特定进程之间的趋同关系,即可将服务器CPU使用率、服务器内存占用率的监视信息和某特定进程的运行情况定义为分析对象,将特定进程运行过程中与服务器CPU使用率、服务器内存占用率变化情况的耦合程度作为分析结果目标,根据运行经验制定分析方案对服务器CPU使用率、内存占用率监视情况和进程运行情况的变化规律进行分析。
步骤三、根据所述分析方案建立所述监视信息的分析模型。
根据确定的分析对象和分析结果目标,按实际需要建立分析模型或对已有分析模型中的分析对象和分析结果目标进行调整。建立的新的分析模型保存于知识库中,为后续的分析工作提供模型基础。
如上述例子,通过步骤二中确定分析方案,根据现有监视信息数据情况和进程运行情况的初步分析,建立一个使用时间序列分析方法对服务器CPU使用率、服务器内存占用率和进程运行状态进行分析给调控中心调度员关心数据进行展示的分析模型。
若通过分析结果分析和校验后发现服务器磁盘使用情况也会对上述分析模型结果造成影响,需要对原有分析模型进行修正,将服务器磁盘使用情况加入到分析对象之中,建立新的分析模型,再一次分析后得到的分析结果与预期结果相符,并通过验证发现分析结果可靠,从而得到服务器CPU使用率、服务器内存占用率、磁盘空间使用情况与特定进程的耦合值,达到分析目标制定时的目的。
步骤四、所述分析方法包括分类方法、聚类方法、关联分析方法和时间序列分析方法。
1、分类方法包括统计描述、列联表分析、二维相关、方差分析、协方差分析、判别分析等方法。
2、将故障信息、故障时刻监视信息和日常监视信息进行聚类分析。
故障时刻监视信息,指发生故障时间段内的监视信息。
日常监视信息,指正常工作时间内的监视信息。
聚类方法包括探索性分析、非线性回归、多元回归、分类Logistic回归等方法。
3、关联方法包括因子分析、关联规则分析、非参数检验等分析方法。
步骤五、运用所述分类方法分别对各所述监视信息进行分析计算,对各大类下的小类数据分析计算,再在各大类下汇总,从而获得详细的分析结果。包括:
1、运用分类方法对集中运维信息的数据进行分类分析,包括:
将监视数据按照数据源和设备类型进行分类分析,使用统计描述、列联表分析、二维相关、方差分析、协方差分析、判别分析等方法对每类数据的趋同程度、数据内部关系进行深入挖掘,生成各类数据的统计分析结果、拟合曲线和数据相似程度结果。
2、运用聚类方法对整个数据进行聚类,包括:
使用数据的探索性分析、非线性回归、多元回归、分类Logistic回归等方法对数据进行回归聚类,将模糊边界的数据信息进行整合,得到故障信息和集中监视信息聚类关联情况,明晰数据内部聚类关系,优化分析结果。
3、运用关联方法分析故障信息和集中监视信息之间的关联程度,包括:
通过因子分析、关联规则分析、非参数检验等分析方法对数据之间关联因子进行计算,通过关联规则进行修正和实时数据验证反馈,将各数据间内部逻辑关系直观展示出来。
4、运用时间序列分析方法对各类数据进行时间序列分析,包括:
将各类数据按照时间变化情况进行分析,探究数据受时间、天气、节假日等外部因素影响、各类数据之间在时间序列的趋势以及各类数据不同时间段时间相互影响的程度因子。
根据集中运维数据分析模型特点,结合各级调控中心用户需求,对集中运维监视信息进行针对性的数据分析,生成分析结果报告;通过对用户需求的细化,调整集中运维数据分析模型,使分析角度更符合用户要求,分析报告结果更贴合实际需求。
步骤六、判断所述分析结果是否满足所述用户需求,若满足则确定所述分析结果为综合分析结果并保存,否则根据所述分析结果返回步骤II中调整所述分析方案。
步骤七、将人工经验量化成数据存储:将分析方案、分析模型和分析方法存储到知识库中。
充分利用监视信息经验知识和集中运维系统的海量数据,挖掘故障演变规律,实现集中运维系统运行状态的全面感知。
通过基于人工经验和数据挖掘获取监控信息故障集,通过分析各种故障与系统监视信息量变化趋势之间的相互关系,建立故障征兆与监视信息量的逻辑关联;结合上述逻辑关联及融合监视信息、故障信息的监控模型库,形成设备状态趋势分析和预警知识库;结合知识库开发故障推理引擎,对可能发生的故障或异常情况推送预警并提供处理意见。
本发明还提供一种基于集中运维模式的监视信息分析系统,该系统包括:
接收模块,用于获取用户需求和所述监视信息。
监视信息包括数据链路、服务器CPU使用率、服务器内存占用率、系统关键常驻进程、应用情况、实时数据质量、状态估计坏数据、远程浏览数据、磁盘监视信息、故障告警信息及其他信息。
建模模块,用于制定所述监视信息的分析方案,并根据所述分析方法建立所述监视信息的分析模型。
建模模块实现对国调、分调和省调的智能电网调度技术支持系统平台及应用监视信息分析模型的建立,确定数据分析对象和分析结果目标;并能按照实际需要对已有分析模型中的分析对象和分析结果目标进行调整或根据调控中心需求添加新的数据分析模型,为后续的分析工作提供模型基础。
分析模块,用于根据所述模型确定分析方法,并运用所述分类方法分别对各所述监视信息进行分析计算,获得能分析结果。
分析模块具有数据输入、编辑、统计、分析等功能,其包含有多种类型的分析函数,提供了简单的统计描述和复杂的多因素统计分析方法。
分析方法包括:分类方法、聚类方法、关联分析方法和时间序列分析方法。
判断模块,用于判断所述分析结果是否满足所述用户需求,若满足则确定所述分析结果为综合分析结果并保存,否则根据所述分析结果调整所述分析方案;
数据库,用于分类并存储所述综合分析结果和故障信息;
知识库,用于分类并存储所述分析方案、分析模型和分析方法。
充分利用监视信息经验知识和集中运维系统的海量数据,挖掘故障演变规律,实现集中运维系统运行状态的全面感知。
通过基于人工经验和数据挖掘获取监控信息故障集,分析各种故障与系统监视信息量变化趋势之间的相互关系,建立故障征兆与监视信息量的逻辑关联;结合上述逻辑关联及融合监视信息、故障信息的监控模型库,形成设备状态趋势分析和预警知识库;结合知识库开发故障推理引擎,对可能发生的故障或异常情况推送预警并提供处理意见。
管理模块,用于对监视信息分析结果进行分类、存储,配备完善的数据库系统,实现对统计分析结果进行集中管理。
数据库系统中建立各个监视信息的相关统计信息,需要分析结果时可以及时准确地找到相关需求的统计结果。并对分析过程及统计结果情况进行记录,便于查询和管理。
该系统还可包括开发权限管理工具,对不同的用户设置不同的权限,不同的权限来对应不同的统计信息,对不同用户提供针对性的服务。
可视化模块,将集中运维监视信息的各种分析信息进行综合展示,并提供运行管理和工作使用的交互界面,使监视信息分析工作的管理、操作和维护直观、方便,提高运维中心信息分析统计工作的效率。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (8)
1.一种基于集中运维模式的监视信息分析方法,其特征在于:所述方法包括以下步骤:
I、获取用户需求和所述监视信息;
II、制定所述监视信息的分析方案;
III、建立所述监视信息的分析模型;
IV、根据所述模型确定分析方法;
V、获得分析结果;
VI、判断所述分析结果是否满足所述用户需求;
VII、获得并存储综合分析结果。
2.如权利要求1所述的方法,其特征在于:所述步骤I包括:所述监视信息包括:数据链路、服务器CPU使用率、服务器内存占用率、系统关键常驻进程、应用情况、实时数据质量、状态估计坏数据、远程浏览数据、磁盘监视信息、故障告警信息和故障处理信息。
3.如权利要求1所述的方法,其特征在于:所述步骤II包括:针对所述用户需求和所述监视信息确定分析对象和分析结果目标,制定所述监视信息的分析方案。
4.如权利要求1所述的方法,其特征在于:所述步骤III包括:根据确定的分析对象和分析结果目标,按实际需要建立分析模型或对已有分析模型中的分析对象和分析结果目标进行调整。
5.如权利要求1所述的方法,其特征在于:所述步骤IV中,所述分析方法包括分类方法、聚类方法、关联分析方法和时间序列分析方法;
所述分类方法包括统计描述、列联表分析、二维相关、方差分析、协方差分析和判别分析;
所述聚类方法包括探索性分析、非线性回归、多元回归和分类Logistic回归;
所述关联方法包括因子分析、关联规则分析和非参数检验。
6.如权利要求1所述的方法,其特征在于:所述步骤V中,运用所述分类方法分别对各所述监视信息进行分析计算,获得分析结果,包括:
运用所述分类方法对所述监视信息的数据按数据源和设备类型进行分类分析;
运用所述聚类方法对将故障信息、故障时刻监视信息和日常监视信息进行聚类分析,将模糊边界的数据信息进行整合,获得所述故障信息和所述监视信息的聚类关联情况,确定所述监视信息内部聚类关系,优化分析结果;
运用所述关联方法分析所述故障信息和所述监视信息之间的关联程度,计算所述故障信息和所述监视信息之间的关联因子,通过关联规则修正计算结果,确定各类数据间逻辑关系;
运用所述时间序列分析方法对各类数据按照时间变化情况进行时间序列分析,探究受外部因素的影响、各类数据之间在时间序列的趋势和各类数据不同时间段时间相互影响的程度因子。
7.如权利要求1所述的方法,其特征在于:所述步骤VI中,判断所述分析结果是否满足所述用户需求,若满足则确定所述分析结果为综合分析结果并保存,否则根据所述分析结果返回步骤II中调整所述分析方案。
8.一种基于集中运维模式的监视信息分析系统,其特征在于:所述系统包括:
接收模块,用于获取用户需求和所述监视信息;
建模模块,用于制定所述监视信息的分析方案,并根据所述分析方法建立所述监视信息的分析模型;
分析模块,用于根据所述模型确定分析方法,并运用所述分类方法分别对各类所述监视信息进行分析计算,获得分析结果;所述分析方法包括:分类方法、聚类方法、关联分析方法和时间序列分析方法;
判断模块,用于判断所述分析结果是否满足所述用户需求,若满足则确定所述分析结果为综合分析结果并保存,否则根据所述分析结果调整所述分析方案;
知识库,用于分类并存储所述分析方案、分析模型和处理方法;
数据库,用于分类并存储所述综合分析结果和故障信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510009675.7A CN105825314A (zh) | 2015-01-08 | 2015-01-08 | 一种基于集中运维模式的监视信息分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510009675.7A CN105825314A (zh) | 2015-01-08 | 2015-01-08 | 一种基于集中运维模式的监视信息分析方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105825314A true CN105825314A (zh) | 2016-08-03 |
Family
ID=56514164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510009675.7A Pending CN105825314A (zh) | 2015-01-08 | 2015-01-08 | 一种基于集中运维模式的监视信息分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825314A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789300A (zh) * | 2016-12-29 | 2017-05-31 | 北京市天元网络技术股份有限公司 | 用于电力光传输网络的监测方法及系统 |
CN106940678A (zh) * | 2017-02-28 | 2017-07-11 | 深圳市华傲数据技术有限公司 | 一种系统实时健康度评估分析方法及装置 |
CN111143134A (zh) * | 2019-12-30 | 2020-05-12 | 深圳Tcl新技术有限公司 | 故障处理方法、设备及计算机存储介质 |
CN111475682A (zh) * | 2020-04-06 | 2020-07-31 | 武汉智领云科技有限公司 | 一种基于超大规模数据系统的智能运维平台 |
CN112446031A (zh) * | 2020-10-26 | 2021-03-05 | 国网安徽省电力有限公司信息通信分公司 | 一种基于人工智能的运维数据展示平台 |
CN112988432A (zh) * | 2019-12-02 | 2021-06-18 | 上海宝信软件股份有限公司 | 使用诊断分析大盘定位故障方法、系统及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217261A (zh) * | 2014-09-22 | 2014-12-17 | 国家电网公司 | 一种主站系统运行状态风险预警方法 |
-
2015
- 2015-01-08 CN CN201510009675.7A patent/CN105825314A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217261A (zh) * | 2014-09-22 | 2014-12-17 | 国家电网公司 | 一种主站系统运行状态风险预警方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106789300A (zh) * | 2016-12-29 | 2017-05-31 | 北京市天元网络技术股份有限公司 | 用于电力光传输网络的监测方法及系统 |
CN106940678A (zh) * | 2017-02-28 | 2017-07-11 | 深圳市华傲数据技术有限公司 | 一种系统实时健康度评估分析方法及装置 |
CN112988432A (zh) * | 2019-12-02 | 2021-06-18 | 上海宝信软件股份有限公司 | 使用诊断分析大盘定位故障方法、系统及介质 |
CN111143134A (zh) * | 2019-12-30 | 2020-05-12 | 深圳Tcl新技术有限公司 | 故障处理方法、设备及计算机存储介质 |
CN111143134B (zh) * | 2019-12-30 | 2024-06-04 | 深圳Tcl新技术有限公司 | 故障处理方法、设备及计算机存储介质 |
CN111475682A (zh) * | 2020-04-06 | 2020-07-31 | 武汉智领云科技有限公司 | 一种基于超大规模数据系统的智能运维平台 |
CN112446031A (zh) * | 2020-10-26 | 2021-03-05 | 国网安徽省电力有限公司信息通信分公司 | 一种基于人工智能的运维数据展示平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782370B (zh) | 一种电力调度数据网综合运维管理平台 | |
CN105825314A (zh) | 一种基于集中运维模式的监视信息分析方法和系统 | |
CN106815709B (zh) | 一种服务快速响应中心支撑系统及方法 | |
CN102156463B (zh) | 建筑物能源计划管理控制系统 | |
CN102193544B (zh) | 一种智能建筑能源管理系统 | |
CN103247177B (zh) | 大规模路网交通流实时动态预测系统 | |
US10521979B2 (en) | Fleet analytic services toolset | |
CN105678467A (zh) | 特高压交直流联网下调控一体数据分析与辅助决策系统及方法 | |
CN102637203B (zh) | 电量数据处理方法和电能计量自动化系统监控主站 | |
CN105871605A (zh) | 一种基于电力营销大数据的运维监控平台 | |
CN104777813A (zh) | 综合气象观测运行监控系统及其监控方法 | |
CN102521672B (zh) | 一种基于配网生产作业计划的安全风险自动识别方法 | |
CN104115077A (zh) | 主机代管电气架构 | |
CN110533348A (zh) | 智慧用电管理云平台 | |
CN101872441A (zh) | 离散资源管理 | |
CN112530559B (zh) | 一种突发公共卫生事件医疗物资智能调配系统 | |
CN104424527A (zh) | 一种城市污水处理运行绩效评估云计算系统 | |
CN114707949A (zh) | 一种基于边缘网关的碳排放管理系统和方法 | |
US20230230018A1 (en) | Methods and internet of things systems for gas repair-reporting management based on call centers of smart gas | |
KR20220095313A (ko) | 디지털 트윈 기반의 분산 자원 및 전력 계통 운영 계획 시스템 및 운영 계획 방법 | |
US20230252490A1 (en) | Methods for determining smart gas inspection plans and internet of things systems thereof | |
CN106501760A (zh) | 一种电能表故障管控方法及系统 | |
CN114091866A (zh) | 一种基于能耗便捷化组合分析的智能优化节能系统 | |
CN103020721A (zh) | 一种评估电网调度自动化系统实时数据处理效率的方法 | |
CN102609787B (zh) | 航空运行控制系统的风险预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |
|
RJ01 | Rejection of invention patent application after publication |