CN107292431A - 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 - Google Patents
基于动态贝叶斯网络的电力通信网业务可靠性预测方法 Download PDFInfo
- Publication number
- CN107292431A CN107292431A CN201710429259.1A CN201710429259A CN107292431A CN 107292431 A CN107292431 A CN 107292431A CN 201710429259 A CN201710429259 A CN 201710429259A CN 107292431 A CN107292431 A CN 107292431A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mtr
- msup
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000003287 optical effect Effects 0.000 claims abstract description 121
- 230000008439 repair process Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000010276 construction Methods 0.000 claims description 26
- 238000012546 transfer Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004069 differentiation Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000700159 Rattus Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及基于动态贝叶斯网络的电力通信网业务可靠性预测方法,基于电力通信网的拓扑结构,针对影响业务可靠性的各种因素,结合市政信息,建立设备和光缆状态转化的马尔科夫模型,建立基于业务通道拓扑结构的业务可靠性动态贝叶斯网络模型,本发明具有以下优点:1、考虑业务主通道和备用通道的关系,更准确的预测了业务的可靠性。2、在建立设备和光缆状态模型的同时,同时引入了故障率和修复率的影响,更加符合电力通信网的实际情况。3、在计算设备和光缆的可靠性时,不仅考虑了自身状态的改变,同时结合环境、设备端口占有率的影响,而且还引入了光缆段市政信息的影响,使得结果更加准确。
Description
技术领域
本发明属于通信网业务可靠性预测的研究范畴,涉及大数据在电力通信网中的应用,动态贝叶斯网络,业务通道的拓扑结构的可靠性研究、光缆的可靠性分析、网元的可靠性分析、设备的负载与可靠性的关系,动力环境因素对业务可靠性的影响等研究领域。提出了一种基于动态贝叶斯网络的多层多维度的电力通信网业务可靠性动态预测模型。
背景技术
基于海量的数据,采用大数据的手段,对电力通信网业务可靠性的预测是一个新兴的研究领域。该领域涉及到的主要研究对象,关键技术和实际应用价值主要包括:
电力通信网的数据主要来源于设备告警,设备运维,业务数据等各个环节,其数据具有数据量大,数据类型繁多,数据价值高等特征。对电力通信网的智能化管理决定了其对电网业务的支撑能力。大数据能够带来更加灵活丰富的管理手段,对业务可靠性的预测,能够为通信网可靠,高效地运行提供保证,能够产生巨大的价值。基于电力通信网的数据挖掘将促进电网通信运行水平和管理效率的提高,“在进一步提升电网安全预控水平和供电可靠性的同时,带来巨大的社会效益。”
通信网业务可靠性研究:电网对通信网的依赖性不断增强,对通信网的业务可靠性要求不断增强,随着电力通信网结构的不断复杂,规模日益增大,面临的挑战不断加强。现有的通信网的可靠性分析主要采用N-1分析,其目的是要确保在单一故障下不会导致同一条线路的所有业务的通信信道中断。归纳起来,通信网可靠性影响因素主要有8种。分别是:(1)通信网的拓扑结构;(2)通信网的构成部件;(3)通信网的控制软件;(4)通信网的故障诊断能力;(5)通信网的故障恢复能力;(6)用户对网络业务的性能需求;(7)通信网络环境;(8)其他因素。
针对以上的各个要素,已提出了多个业务可靠性的评价和量化方法,比如刘俊毅等人提出了基于业务可用性的电力通信网可靠性量化评估方法,该方法提出基于业务重要度与业务路由状态的业务可靠性的量化指标。赵子岩等人提出了基于业务风险均衡度的电力通信网可靠性评估算法,可以从业务通道段承载业务的风险度水平方面对电力通信网的安全性、可靠性进行评估。
归纳以上的量化方法,能够发现这些方法缺少对动力环境因素的考虑,还有市政施工等因素对业务可靠性的影响,更重要的不是基于大数据的预测模型。对电力通信网数据利用率的提高,可以加快电力企业盈利与控制水平的提升,无论是行业内还是行业外应用,都会带来新的发展机遇。同时,这也对大数据的认知水平提出了挑战,如何从海量数据中提取出有价值的信息,并最终转化成可以优化管理模式和提升服务水平的决策知识,这是大数据价值能否被充分展现和应用的关键所在。
业务可靠性预测:电力通信网作为智能电网的支撑网络,其可靠性已成为智能电网智能化和经济、安全运行的先决条件。通过对电力通信网已有的海量数据的初步研究,我们发现外部的动力环境因素,对业务可靠性的影响很大,在大雨,雷电天气下,业务的可靠性会受到很大的影响。同时,我们发现外部的施工环境对业务可靠性的影响也是巨大的,60%的光缆故障都是由于施工引起。在国内关于通信网可靠性预测的相关研究比较欠缺,Salma Ktari提出了基于贝叶斯网络的公共安全网络的可靠性预测的模型,公共安全网络与电力通信网有些方面是比较相似的,为了保证业务的可靠性,都采用了多通道的冗余技术,不同的拓扑结构将带来不同的业务可靠性。通过本论文,可以看到贝叶斯网络在解决网络中业务可靠性预测问题的有效性。
Bilgehan Erman等人利用贝叶斯网络针对5G无线网络的可靠性进行了预测,鉴于5G网络本身对服务质量的要求,预测将是必不可少的。文章基于概率的角度,提出了可靠性的概率表达,即网络一段时间的可靠性等于网络在这段时间不会发生故障的概率,公式如下所示。作者基于网络使用人数,网络延迟,吞吐量等因素构建贝叶斯网络,利用模拟数据计算CPT,利用贝叶斯网络的推理功能进行可靠性的预测。模型简单易用,并取得了很好的预测效果。
贝叶斯网络:贝叶斯网络(Bayesian network)是一种概率图型模型,是人工智能领域表达和处理不确定性问题的重要工具,贝叶斯网络自从1763年提出之后,因为其概率的基础和双向推理,广泛应用在各个领域。贝叶斯网络分为静态贝叶斯网络和动态贝叶斯网络。
贝叶斯网络能够集成系统内大量的多状态的组件,相比故障树分析方法,它具有学习能力,能够根据以往的海量数据学习条件概率表,可以被用在系统的可靠性,安全性分析中。静态贝叶斯网络都没有考虑时间的维度,也没有考虑外界的无法控制的扰动,但是在业务可靠性的分析中需要考虑设备基于时序的状态转移和外界环境因素对业务可靠性的影响,所以静态贝叶斯网络无法支撑动态的可靠性预测需求。动态贝叶斯能够在解决以上的问题中发挥出巨大的优势,因而得到了重点的关注。动态贝叶斯网络(Dynamic BayesianNetwork,DBN),是一个随着毗邻时间步骤把不同变量联系起来的贝叶斯网络。通常被叫做“两个时间片”的贝叶斯网络,DBN在任意时间点T,变量的值可以从内在的回归量和直接先验值(time T-1)计算。动态贝叶斯网络能够比马尔科夫链表达更复杂的随机过程。状态s的动态性转换是通过转换矩阵实现的,这个矩阵必须满足归一化的要求。
针对以上分析的问题和电力通信网可靠性预测的迫切需求,本文发明了一种基于动态贝叶斯网络的电力通信网业务可靠性动态预测模型,综合考虑了业务本身通道的拓扑结构,设备本身的属性,外部的环境因素,施工因素,网元的端口占用率等重要因素,另外重点考虑了业务可靠性的时序关系,加入了时间的维度,能够在动态和不确定的外部因素下,对业务可靠性进行预测。
发明内容
针对电力通信网业务可靠性预测中网络拓扑结构复杂以及影响因素繁多的情况,本发明旨在建立电力通信网业务通道中设备和光缆的状态马尔科夫模型、通道可靠性的动态贝叶斯网络模型和业务可靠性预测的贝叶斯网络模型,通过历史数据自动学习模型参数,考虑设备所处环境和端口占率的影响,同时对光缆考虑环境、是否过江河湖以及施工这类时政因素的影响,根据电力通信网业务通道目前的状态和以上因素预测下一时段业务的可靠性。
为完成以上目标,本发明提出基于动态贝叶斯网络的电力通信网业务可靠性预测方法,包括以下步骤:
步骤1,对电力系统通信网中的业务的拓扑结构进行分析,结合专家知识利用动态贝叶斯网络构建电力通信网业务可靠性的预测模型;该步骤进一步包括以下子步骤:
步骤1.1,根据电力通信网内的设备状态建立设备状态的马尔科夫模型,根据连接设备的光缆的状态建立光缆状态的马尔科夫模型;
步骤1.2,根据电力通信网业务通道上的拓扑结构和影响设备光缆状态的因素建立业务通道状态的动态贝叶斯网络模型;
步骤1.3,根据电力通信网内业务的主通道和备用通道的拓扑结构建立业务可靠性的贝叶斯网络模型;
步骤2,利用先验数据知识计算步骤1中建立的各模型参数;该步骤进一步包括以下子步骤:
步骤2.1,针对不同厂家、型号和工作年限的设备,利用先验知识计算其状态转移概率矩阵以及该转移矩阵和设备环境以及设备端口占有率的关系;
步骤2.2,针对不同长度段的光缆,利用先验知识计算其状态转移概率矩阵以及该矩阵和光缆环境以及该地段施工状态的关系;
步骤2.3,根据步骤1.2建立的业务通道动态贝叶斯网络模型,计算业务每条通道可靠性和该通道上各设备和光缆状态的条件概率;
步骤3,利用步骤1建立的模型和步骤2计算得到的参数,根据当前各设备和光缆的状态,以及当前时间段各影响因素的值,预测下一时间段的业务可靠性。
而且,所述步骤1.1中建立的设备状态马尔科夫模型如下:
P{X(tk)|X(tk-1),...,X(t0)}=P{X(tk)|X(tk-1)}
其中,X(tk)表示设备在第k个时刻的状态,这里的时间间隔为一小时,该模型表明设备当前时刻的状态只与上一时刻的状态有关。设备告警数据的分析,把设备分为三种状态,分别表示如下:
状态NF:正常状态,表明设备此刻无任何故障,即X(t)=NF;
状态MF:轻微故障,表明设备此刻有轻微故障,但不影响设备功能的运转,如风扇故障等,即X(t)=MF;
状态PF:严重故障,表明设备此刻严重故障,已经无法满足功能需求,甚至停止工作,即X(t)=PF。
所以,t时刻的设备状态分布Π(t)有如下表达:
根据设备的状态情况,其状态转移概率矩阵为:
其中,矩阵P中的元素Aij表示设备状态从t-1时刻的i状态转移到t时刻为j状态的概率,λ1,λ2,λ3为设备状态转移的故障率,μ,μ1为设备状态转移的修复率,计算方式如下:
λ1=a·λ
λ2=b·λ
λ3=c·λ1
μ1=d·λ1
其中,a,b,c,d为转移系数,并且满足a+b≤1,c+d≤1,λ为设备的总故障率,μ为设备的修复率。
所以,电力通信网中业务通道的设备状态分布模型如下:
Π(t)=Π(t-1)·P
同样,步骤1.1中电力通信网中业务通道的光缆状态分布模型如下:
Ψ(t)=Ψ(t-1)·D
其中,Ψ(t)为光缆t时刻的状态分布,D为光缆状态的转移矩阵。
其中,光缆状态Y(t)有正常和故障两种,分别用N和F表示,η为光缆的故障率,ξ为光缆的修复率。
而且,步骤1.2中建立的业务通道可靠性模型如下:
(T,X,CX,R,Y,CY,S)
该模型为一个动态贝叶斯网络模型,其中,T={T(t0),...,T(tk),...,T(tN)},T(tk),(0≤k≤N)为通道第k个时刻的状态;X={X1,X2,...,Xn},Xi={Xi(t0),...,Xi(tk),...,Xi(tN)},Xi(tk),(0≤k≤N,1≤i≤n)为第i台设备第k个时刻的状态; 为第i台设备第k个时刻的环境因素;R={R1,R2,...,Rn},Ri={Ri(t0),...,Ri(tk),...,Ri(tN)},Ri(tk),(0≤k≤N,1≤i≤n)为第i台设备第k个时刻的端口占有率;Y={Y1,Y2,...,Ym},Yj={Yj(t0),...,Yj(tk),...,Yj(tN)},Yj(tk),(0≤k≤N,1≤j≤m)为通道上第j段光缆第k个时刻的状态; 为第j段光缆第k个时刻的环境因素;S={S1,S2,...,Sm},Sj={Sj(t0),...,Sj(tk),...,Sj(tN)},Sj(tk),(0≤k≤N,1≤j≤m)为第j段光缆第k个时刻施工状态。
对设备X而言,环境因素CX和端口占有率R影响的是它的总故障率λ,有:
λ(t)=λ0+αCX(t)+βR(t)
其中,λ(t)为设备t时刻的故障率,λ0为设备初始故障率,主要受设备厂商、型号和工作年限的影响,α和β为系数。
将其矩阵化表示为:
λ(t)=λ0+AW(t)
其中,A=[α,β]为系数矩阵,W(t)=[CX(t),R(t)]T表示t时刻设备故障率的影响因子。
同样对光缆段Y而言,环境因素CY和施工状态S影响的也是它的故障率η,有:
其中,η(t)为光缆t时刻的故障率,η0为光缆的初始故障率,主要受光缆型号、工作年限和长度的影响,ω和为系数。
将其矩阵化表示为:
η(t)=η0+EQ(t)
其中,为系数矩阵,Q(t)=[CY(t),S(t)]T表示t时刻光缆故障率的影响因子。
一条通道上所有设备和连接光缆段都是串联的,而且设备在正常状态和轻微故障状态下都是可靠的,所以通道在t时刻的可靠性为:
那么t时刻的业务通道可靠性动态贝叶斯网络模型为:
而且,步骤1.3所建立的业务可靠性模型如下:
(B,TM,TS)
对于确定时刻的业务和通道,该模型为一个贝叶斯网络模型,其中B代表着业务,TM为业务的主通道,TS={TS1,TS2,...,TSk}表示该业务的k条备用通道。业务中各通道的拓扑结构是并联的,而且只有当主通道中断的时候才会使用备用通道,所以业务的可靠性表示为
其中N表示业务和通道正常,F表示故障。
而且,对于步骤2.1中设备状态转移矩阵的系数有以下方式计算:
设备的三种状态NF,MF,PF表示为状态1,状态2和状态3。对确定同种厂家、型号和工作年限的一批设备有:
其中nij表示设备在相连的时间内从状态i转移到状态j的次数。
根据设备的工作要求,将设备的环境分为适宜(GOOD)与不适宜(BAD),设定设备的端口占有率的阈值RC,则有:
其中CX′(t)为设备t时刻的环境情况,R′(t)为设备t时刻的端口占有率,f(t)为设备环境影响因素,包括温度和湿度。这样根据提供的设备初始故障率λ0,修复率μ,以及影响系数α和β,就可以得到t时刻的设备状态转移矩阵P(t)为:
其中有:
λ1(t)=a·λ(t)
λ2(t)=b·λ(t)
λ3(t)=c·λ1(t)
μ1(t)=d·λ1(t)
而且有:λ(t)=λ0+AW(t)。
其中,A=[α,β]为系数矩阵,W(t)=[CX(t),R(t)]T。
所以设备状态转移的关系为:
Π(t)=Π(t-1)·P(t-1)
而且,对于步骤2.2中光缆状态转移矩阵的系数有以下方式计算:
光缆的环境同样分为适宜(GOOD)与不适宜(BAD),施工情况有是(YES)与否(NO)两种,所以有:
其中CY′(t)为光缆t时刻的环境情况,S′(t)为光缆t时刻的施工情况,g(t)为光缆环境影响因素,包括温度、降水、风速和是否过江河湖。这样根据提供的光缆初始故障率η0,修复率ξ,以及影响系数ω和就可以得到t时刻的光缆状态转移矩阵D(t):
η(t)=η0+EQ(t)
其中,为系数矩阵,Q(t)=[CY(t),S(t)]T。
光缆的状态转移的关系为:
Ψ(t)=Ψ(t-1)·D(t-1)
而且,步骤2.3中,业务的每条通道的可靠性有以下计算方式:
而且,步骤3中,将t时刻的电力通信网业务通道上设备和光缆的状态以及各影响因素带入下面的式子就可以预测出t+1时刻的业务可靠性:
本发明基于电力通信网的拓扑结构,针对影响业务可靠性的各种因素,结合时政信息,建立设备和光缆状态转化的马尔科夫模型,建立业务通道可靠性的动态贝叶斯网络模以及业务可靠性的贝叶斯网络模型,提供一种利用电力通信网目前状态和影响因素的状态预测下一时段业务可靠性的方式。与现有技术相比,本发明具有以下优点和积极效果:1、本发明基于电力通信网业务通道的拓扑结构,考虑业务主通道和备用通道的关系,更准确的预测了业务的可靠性。2、本发明在建立设备和光缆状态模型的时候,同时引入了故障率和修复率的影响,更加符合电力通信网的实际情况。3、本发明在计算设备和光缆的可靠性时,不仅考虑了自身状态的改变,同时结合环境、设备端口占有率的影响,而且还引入了光缆段时政信息的影响,使得结果更加准确。
附图说明
图1为本发明实施例的原理图。
图2为本发明实施例的设备状态马尔科夫模型示意图。
图3为本发明实施例的业务通道可靠性动态贝叶斯网络示意图。
图4为本发明实施例的业务可靠性贝叶斯网络示意图。
具体实施方式
具体实施时,本发明所提供技术方案可由本领域技术人员采用计算机软件技术实现自动运行流程。以下结合附图和实施例详细说明本发明技术方案。
图1为本发明实施例的实施方案,分为以下的过程:首先建立电力通信网业务通道上的设备和光缆的状态马尔科夫模型,结合业务通道的拓扑结构和设备光缆状态随时序的变化建立业务通道可靠性的动态贝叶斯网络模型,基于业务上主通道和备用通道的关系建立业务可靠性的贝叶斯网络模型。然后利用历史数据学习各模型中的参数,确定通道可靠性与该通道上各设备和光缆状态的条件概率计算公式。最后利用建立的模型和学习到的参数,根据电力通信网业务通道目前的状态和影响因素预测下一时刻业务的可靠性。
具体实施步如下:
步骤1,对电力系统通信网中的业务的拓扑结构进行分析,结合专家知识利用动态贝叶斯网络构建电力通信网业务可靠性的预测模型;该步骤进一步包括以下子步骤:
步骤1.1,根据电力通信网内的设备状态建立设备状态的马尔科夫模型,根据连接设备的光缆的状态建立光缆状态的马尔科夫模型;
设备的状态在时序是变化的,是一个随机过程,在连续时刻内是有着转移的关系,而且设备的状态只与它前一时刻的状态有关,与它前一刻的状态之前的所有时刻状态都无关,同时与设备将来的状态也无关,这样设备的状态满足马尔科夫链的性质,即在已知目前状态(现在)的条件下,它未来的演变(将来)不依赖于它以往的演变(过去)。建立的设备状态马尔科夫模型如下:
P{X(tk)|X(tk-1),...,X(t0)}=P{X(t)|X(tk-1)}
其中,X(tk)表示设备在第k个时刻的状态,这里的时间间隔为一小时,该模型表明设备当前时刻的状态只与上一时刻的状态有关,与前面的其他时刻状态都无关。
根据累计的大量的设备缺陷数据的详细记录以及相应的抢修记录可以对设备的缺陷进行定量和定性的描述,设备由于设备负载过高,外力因素,老化,厂家产品质量,环境的影响会产生不同等级的缺陷。根据设备告警数据的分析,把设备分为三种状态,分别表示如下:
状态NF:正常状态,表明设备此刻无任何故障,各器件运行正常,能够满足功能的需求;
状态MF:轻微故障,表明设备此刻有轻微故障,但不影响设备功能的运转,故障等级较低,对业务的影响并不是很严重,根据缺陷等级字段进行界定。比如风扇告警高温预警这样的缺陷并不会立即对业务产生影响,但是如果不能及时处理,将会导致设备整体性能的下降或者更严重的缺陷,在具体实施过程中,不同的设备厂家对设备的缺陷有不同的描述,视具体情况灵活实施,也可以参考专业人员对故障等级的定性建议;
状态PF:严重故障,表明设备此刻严重故障,已经无法满足功能需求,甚至停止工作,该状态的设备只能等待维修转化为正常状态,否则会一直保持严重故障状态,更加不会转移成轻微故障。
所以,只有在设备处于严重故障的时候才会对通信网业务的可靠性造成影响。t时刻的设备状态分布Π(t)有如下表达:
如图2所示,设备状态转移是一个马尔科夫过程,λ1和λ2分别表示设备状态从正常状态转移到轻微故障和严重故障的故障率,λ3表示设备从轻微故障转移到严重故障停止工作的故障率,μ1表示设备状态从轻微故障转移到正常状态的修复率,μ表示设备状态从严重故障转移到正常状态的修复率。同时设备状态也能维持在各自的状态不变。
根据设备的状态情况,其状态转移概率矩阵为:
其中,矩阵P中的元素Aij表示设备状态从t-1时刻的i状态转移到t时刻为j状态的概率,λ1,λ2,λ3为设备状态转移的故障率,μ,μ1为设备状态转移的修复率,计算方式如下:
λ1=a·λ
λ2=b·λ
λ3=c·λ1
μ1=d·λ1
其中,a,b,c,d为转移系数,并且满足a+b≤1,c+d≤1,λ为设备的总故障率,μ为设备的修复率。
所以,电力通信网中业务通道的设备状态分布模型如下:
Π(t)=Π(t-1)·P
同样,电力通信网中业务通道的光缆状态也是一个随机过程,满足马尔科夫链的性质,即在已知目前状态(现在)的条件下,它未来的演变(将来)不依赖于它以往的演变(过去),所以光缆状态的分布是一个马尔科夫模型:
P{Y(tk)|Y(tk-1),...,Y(t0)}=P{Y(tk)|Y(tk-1)}
其中,Y(tk)表示光缆在第k个时刻的状态,这里的时间间隔为一小时,该模型表明光缆当前时刻的状态只与上一时刻的状态有关,与前面的其他时刻状态都无关。
光缆故障主要来源于自然灾害(鼠咬与鸟啄、火灾、洪水、大风、冰凌、雷击、电击),外力因素(施工挂断),自然断纤(老化),环境温度的影响(温度过低或者过高)。光缆的状态有两种:
正常状态N:此时光缆正常工作,满足功能需求,下一步可能维持正常状态,也有可能转移为故障状态;
故障状态F:光缆全断、部分束管中断、单束管中的部分光纤中断等严重故障,此时光缆故障,不能正常工作,无法满足功能需求,下一步如果维修就会转移到正常状态,否则就保持故障状态。
用Ψ(t)表示光缆t时刻的状态分布,D为光缆状态的转移矩阵,则有:
Ψ(t)=Ψ(t-1)·D
其中,η为光缆的故障率,ξ为光缆的修复率。
步骤1.2,根据电力通信网业务通道上的拓扑结构和影响设备光缆状态的因素建立业务通道状态的动态贝叶斯网络模型;
电力通信网中业务通道的可靠性与该通道上所有设备和光缆有关,是一个贝叶斯网络关系,而设备的状态又受设备环境和端口占有率的影响,光缆的状态受光缆环境和该光缆段的时政施工影响,并且目前时刻的状态是受前一时刻影响因素的影响,所以建立的业务通道可靠性模型如下:
(T,X,CX,R,Y,CY,S)
该模型为一个动态贝叶斯网络模型,其中,T={T(t0),...,T(tk),...,T(tN)},T(tk),(0≤k≤N)为通道第k个时刻的状态;X={X1,X2,...,Xn},Xi={Xi(t0),...,Xi(tk),...,Xi(tN)},Xi(tk),(0≤k≤N,1≤i≤n)为第i台设备第k个时刻的状态; 为第i台设备第k个时刻的环境因素;R={R1,R2,...,Rn},Ri={Ri(t0),...,Ri(tk),...,Ri(tN)},Ri(tk),(0≤k≤N,1≤i≤n)为第i台设备第k个时刻的端口占有率;Y={Y1,Y2,...,Ym},Yj={Yj(t0),...,Yj(tk),...,Yj(tN)},Yj(tk),(0≤k≤N,1≤j≤m)为通道上第j段光缆第k个时刻的状态; 为第j段光缆第k个时刻的环境因素;S={S1,S2,...,Sm},Sj={Sj(t0),...,Sj(tk),...,Sj(tN)},Sj(tk),(0≤k≤N,1≤j≤m)为第j段光缆第k个时刻的施工状态。
如图3所示:电力通信网业务通道可靠性与通道上设备、光缆和它们的影响因素是一个动态贝叶斯网络模型,其中为第i台设备的环境因素和端口占有率集合,为第j段光缆的环境因素和施工信息集合,该模型表明通道t时刻的状态T(t)取决于t-1时刻的所有设备和光缆的状态以及各自影响因素状态。
对设备X而言,环境因素CX和端口占有率R影响的是它的总故障率λ,有:
λ(t)=λ0+αCX(t)+βR(t)
其中,λ(t)为设备t时刻的故障率,λ0为设备初始故障率,主要受设备厂商、型号和工作年限的影响,α和β为系数。
将其矩阵化表示为:
λ(t)=λ0+AW(t)
其中,A=[α,β]为系数矩阵,W(t)=[CX(t),R(t)]T表示设备t时刻故障率的影响因子。
同样对光缆段Y而言,环境因素CY和施工状态S影响的也是它的故障率η,有:
其中,η(t)为光缆t时刻的故障率,η0为光缆的初始故障率,主要受光缆型号、工作年限和长度的影响,ω和为系数。
将其矩阵化表示为:
η(t)=η0+EQ(t)
其中,为系数矩阵,Q(t)=[CY(t),S(t)]T表示光缆t时刻故障率的影响因子。
一条通道上所有设备和连接光缆段都是串联的,而且设备在正常状态和轻微故障状态下都是可靠的,只有在通道上所有设备和光缆都可靠的时候该通道才可靠,所以通道在t时刻的可靠性为:
那么t时刻的业务通道可靠性动态贝叶斯网络模型为:
步骤1.3,根据电力通信网内业务的主通道和备用通道的拓扑结构建立业务可靠性的贝叶斯网络模型;
电力通信网中为了提高业务的可靠性,每条业务都会有备用通道,一些重要的业务甚至有多条备用通道,而且只有在业务的主通道中断的时候才会起用备用通道,各通道的拓扑结构是一个并联结构,建立的业务可靠性模型如下:
(B,TM,TS)
对于确定时刻的业务和通道,该模型为一个贝叶斯网络模型,其中B代表着业务,TM为业务的主通道,TS={TS1,TS2,...,TSk}表示该业务的k条备用通道。业务中各通道的拓扑结构是并联的,而且只有当主通道中断的时候才会使用备用通道,所以业务的可靠性表示为:
其中N表示业务和通道正常,F表示故障。
步骤2,利用先验数据知识计算步骤1中建立的各模型参数;该步骤进一步包括以下子步骤:
步骤2.1,针对不同厂家、型号和工作年限的设备,利用先验知识计算其状态转移概率矩阵以及该转移矩阵和设备环境以及设备端口占有率的关系;
设备厂家、型号和工作年限的不同会导致设备的初始故障率λ0不一样,在有大量设备运行历史数据的条件下,利用统计的思想,对每种确定厂家、型号和工作年限的设备,利用其在正常环境和端口占有率的情况下平均故障次数和运行时段可以计算得到该类型设备的初始故障率。同样可以统计得到设备的修复率。
设备的三种状态NF,MF,PF表示为状态1,状态2和状态3。对确定同种厂家、型号和工作年限的一批设备有:
在所有设备运行的历史数据中,对每种确定厂商、型号和工作年限的所有设备,取其所有时间段的工作数据,用nij表示设备在所有相连的时间内从状态i转移到状态j的次数。
设备的故障率与运行时所处的环境和端口占有率有关,恶劣的环境会严重增加设备故障率,同时接近饱和的端口占有率也会增加设备的故障率。机房在夏天温度过高,冬天温度过低,空调异常,湿度较大的情况下,设备将在一个较差的环境下运行,容易发生故障。定义温度的上界Tu和下界Td,一般设置为30和15摄氏度,具体根据机房的建设标准进行界定。湿度阈值Hc,如果机房的机房传感器检测的湿度超过Hc,环境为不适宜(BAD)。当温度和湿度都满足要求的情况下,环境为适宜(GOOD)。设定设备的端口占有率的阈值RC,则有:
其中CX′(t)为设备t时刻的环境情况,R′(t)为设备t时刻的端口占有率,f(t)为设备环境影响因素,包括温度和湿度。计算方式如下:
f(t)=ω1f1(t)+ω2f2(t)
f1和f2分别表示温度和湿度因素的取值,ω1和ω2为权值,根据实际情况设定。
其中Tx(t)和Hx(t)分别表示设备t时刻所处机房环境的温度和湿度。
这样根据提供的设备初始故障率λ0,修复率μ,以及影响系数α和β,就可以得到t时刻的设备状态转移矩阵P(t)为:
其中有:
λ1(t)=a·λ(t)
λ2(t)=b·λ(t)
λ3(t)=c·λ1(t)
μ1(t)=d·λ1(t)
而且有:λ(t)=λ0+AW(t)。
其中,A=[α,β]为系数矩阵,W(t)=[CX(t),R(t)]T。
所以设备状态转移的关系为:
Π(t)=Π(t-1)·P(t-1)
步骤2.2,针对不同长度段的光缆,利用先验知识计算其状态转移概率矩阵以及该矩阵和光缆环境以及该地段施工状态的关系;
光缆的故障率会受到光缆所处环境和该光缆段的时政施工影响,恶劣的环境会增加光缆的故障率,同时若该光缆段有施工,那么光缆段的故障率会严重增加。根据已有的统计结果发现,现有的光缆故障中60%由外力(施工)等造成。将光缆的环境同样分为适宜(GOOD)与不适宜(BAD),施工情况有是(YES)与否(NO)两种,所以有:
其中CY′(t)为光缆t时刻的环境情况,S′(t)为光缆t时刻的施工情况,g(t)为光缆环境恶劣的影响因子,包括光缆所处的区域发生鸟啄、火灾、洪水、大风、冰凌、雷击、电击,大雪,寒潮等现象,此时环境为不适宜(BAD),具体实施还可以进一步细化。这样根据提供的光缆初始故障率η0,修复率ξ,以及影响系数c和d,就可以得到t时刻的光缆状态转移矩阵D(t):
η(t)=η0+EQ(t)
其中,为系数矩阵,Q(t)=[CY(t),S(t)]T。
光缆的状态转移的关系为:
Ψ(t)=Ψ(t-1)·D(t-1)
步骤2.3,根据步骤1.2建立的业务通道动态贝叶斯网络模型,计算业务每条通道可靠性和该通道上各设备和光缆状态的条件概率;
根据所建立的业务通道动态贝叶斯网络模型,可以知道通道该时刻的可靠性依赖该通道上所有设备和光缆的状态,而设备和光缆的状态又取决于前一时刻的状态和影响因素的状态,结合设备和光缆的状态转移模型可以得到通道可靠性的计算公式:
步骤3,利用步骤1建立的模型和步骤2计算得到的参数,根据当前各设备和光缆的状态,以及当前时间各影响因素的值,预测下一时间段的业务可靠性。
将t时刻的电力通信网业务通道上设备和光缆的状态以及各影响因素带入上面的式子就可以预测出t+1时刻的业务可靠性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,包括以下步骤:
步骤1,对电力系统通信网中的业务的拓扑结构进行分析,利用动态贝叶斯网络构建电力通信网业务可靠性的预测模型,包括以下子步骤:
步骤1.1,根据电力通信网内的设备状态建立设备状态的马尔科夫模型,根据连接设备的光缆的状态建立光缆状态的马尔科夫模型;
步骤1.2,根据电力通信网业务通道上的拓扑结构和影响设备光缆状态的因素建立业务通道状态的动态贝叶斯网络模型;
步骤1.3,根据电力通信网内业务的主通道和备用通道的拓扑结构建立业务可靠性的贝叶斯网络模型;
步骤2,利用先验数据知识计算步骤1中建立的各模型参数,包括以下子步骤:
步骤2.1,针对不同厂家、型号和工作年限的设备,利用先验知识计算其状态转移概率矩阵以及该转移矩阵和设备环境以及设备端口占有率的关系;
步骤2.2,针对不同长度段的光缆,利用先验知识计算其状态转移概率矩阵以及该矩阵和光缆环境以及该地段施工状态的关系;
步骤2.3,根据步骤1.2建立的业务通道动态贝叶斯网络模型,计算业务每条通道可靠性和该通道上各设备和光缆状态的条件概率;
步骤3,利用步骤1建立的模型和步骤2计算得到的参数,根据当前各设备和光缆的状态,以及当前时间段各影响因素的值,预测下一时间段的业务可靠性。
2.根据权利要求1所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,所述步骤1.1中建立的设备状态马尔科夫模型如下:
P{X(tk)|X(tk-1),...,X(t0)}=P{X(tk)|X(tk-1)}
其中,X(tk)表示设备在第k个时刻的状态,这里的时间间隔为一小时,该模型表明设备当前时刻的状态只与上一时刻的状态有关;设备告警数据的分析,把设备状态有三种,分别表示如下:
状态NF:正常状态,表明设备此刻无任何故障,即X(t)=NF;
状态MF:轻微故障,表明设备此刻有轻微故障,但不影响设备功能的运转,如风扇故障等,即X(t)=MF;
状态PF:严重故障,表明设备此刻严重故障,已经无法满足功能需求,甚至停止工作,即X(t)=PF;
定义t时刻的设备状态分布Π(t)有如下表达:
<mrow>
<mo>&Pi;</mo>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&pi;</mi>
<mi>N</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&pi;</mi>
<mi>M</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&pi;</mi>
<mi>P</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>X</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>=</mo>
<mi>N</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>X</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>=</mo>
<mi>M</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>X</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>=</mo>
<mi>P</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
根据设备的状态情况,其状态转移概率矩阵为:
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>)</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>)</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>)</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>)</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,矩阵P中的元素Aij表示设备状态从t-1时刻的i状态转移到t时刻为j状态的概率,λ1,λ2,λ3为设备状态转移的故障率,μ,μ1为设备状态转移的修复率,计算方式如下:
λ1=a·λ
λ2=b·λ
λ3=c·λ1
μ1=d·λ1
其中,a,b,c,d为转移系数,并且满足a+b≤1,c+d≤1,λ为设备的总故障率,μ为设备的修复率;
所以,电力通信网中业务通道的设备状态分布模型如下:
Π(t)=Π(t-1)·P。
3.根据权利要求2所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,步骤1.1中电力通信网中业务通道的光缆状态分布模型如下:
Ψ(t)=Ψ(t-1)·D
其中,Ψ(t)为光缆t时刻的状态分布,D为光缆状态的转移矩阵;
<mrow>
<mi>&Psi;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&psi;</mi>
<mi>N</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&psi;</mi>
<mi>F</mi>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
<mo>=</mo>
<msup>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>Y</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>Y</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>=</mo>
<mi>F</mi>
<mo>&rsqb;</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<mi>D</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&eta;</mi>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&eta;</mi>
</mrow>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&xi;</mi>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&xi;</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,光缆状态Y(t)有正常和故障两种,分别用N和F表示,η为光缆的故障率,ξ为光缆的修复率。
4.根据权利要求2所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,步骤1.2中建立的业务通道可靠性模型如下:
(T,X,CX,R,Y,CY,S)
该模型为一个动态贝叶斯网络模型,其中,T={T(t0),...,T(tk),...,T(tN)},T(tk),(0≤k≤N)为通道第k个时刻的状态;X={X1,X2,...,Xn},Xi={Xi(t0),...,Xi(tk),...,Xi(tN)},Xi(tk),(0≤k≤N,1≤i≤n)为第i台设备第k个时刻的状态;
为第i台设备第k个时刻的环境因素;R={R1,R2,…,Rn},Ri={Ri(t0),...,Ri(tk),...,Ri(tN)},Ri(tk),(0≤k≤N,1≤i≤n)为第i台设备第k个时刻的端口占有率;Y={Y1,Y2,...,Ym},Yj={Yj(t0),...,Yj(tk),...,Yj(tN)},Yj(tk),(0≤k≤N,1≤j≤m)为通道上第j段光缆第k个时刻的状态;
为第j段光缆第k个时刻的环境因素;S={S1,S2,...,Sm},Sj={Sj(t0),...,Sj(tk),...,Sj(tN)},Sj(tk),(0≤k≤N,1≤j≤m)为第j段光缆第k个时刻施工状态;
对设备X而言,环境因素CX和端口占有率R影响的是它的总故障率λ,有:
λ(t)=λ0+αCX(t)+βR(t)
其中,λ(t)为设备t时刻的故障率,λ0为设备初始故障率,主要受设备厂商、型号和工作年限的影响,α和β为系数;
将其矩阵化表示为:
λ(t)=λ0+AW(t)
其中,A=[α,β]为系数矩阵,W(t)=[CX(t),R(t)]T表示t时刻设备故障率的影响因子;
同样对光缆段Y而言,环境因素CY和施工状态S影响的也是它的故障率η,有:
其中,η(t)为光缆t时刻的故障率,η0为光缆的初始故障率,主要受光缆型号、工作年限和长度的影响,ω和为系数;
将其矩阵化表示为:
η(t)=η0+EQ(t)
其中,为系数矩阵,Q(t)=[CY(t),S(t)]T表示t时刻光缆故障率的影响因子;
一条通道上所有设备和连接光缆段都是串联的,而且设备在正常状态和轻微故障状态下都是可靠的,所以通道在t时刻的可靠性为:
<mrow>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mo>{</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>M</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>{</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
那么t时刻的业务通道可靠性动态贝叶斯网络模型为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>{</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>M</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>{</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi>F</mi>
<mo>,</mo>
<mi>M</mi>
<mi>F</mi>
<mo>|</mo>
<msub>
<mo>&Pi;</mo>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>|</mo>
<msub>
<mi>&Psi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi>F</mi>
<mo>,</mo>
<mi>M</mi>
<mi>F</mi>
<mo>|</mo>
<msub>
<mo>&Pi;</mo>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>|</mo>
<msub>
<mi>&Psi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
5.根据权利要求2所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,步骤1.3所建立的业务可靠性模型如下:
(B,TM,TS)
对于确定时刻的业务和通道,该模型为一个贝叶斯网络模型,其中B代表着业务,TM为业务的主通道,TS={TS1,TS2,...,TSk}表示该业务的k条备用通道;业务中各通道的拓扑结构是并联的,而且只有当主通道中断的时候才会使用备用通道,所以业务的可靠性表示为
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>=</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mi>M</mi>
<mo>=</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>TS</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>F</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mi>M</mi>
<mo>=</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>TS</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中N表示业务和通道正常,F表示故障。
6.根据权利要求2所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,对于步骤2.1中设备状态转移矩阵的系数有以下方式计算:
设备的三种状态NF,MF,PF表示为状态1,状态2和状态3;对确定同种厂家、型号和工作年限的一批设备有:
<mrow>
<mi>a</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>12</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mn>12</mn>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>n</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>b</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>13</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mn>13</mn>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>n</mi>
<mrow>
<mn>1</mn>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>c</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>23</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mn>23</mn>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>n</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
<mrow>
<mi>d</mi>
<mo>=</mo>
<msub>
<mi>p</mi>
<mn>21</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mn>21</mn>
</msub>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>3</mn>
</munderover>
<msub>
<mi>n</mi>
<mrow>
<mn>2</mn>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
其中nij表示设备在相连的时间内从状态i转移到状态j的次数;
根据设备的工作要求,将设备的环境分为适宜(GOOD)与不适宜(BAD),设定设备的端口占有率的阈值RC,则有:
<mrow>
<msub>
<mi>C</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>C</mi>
<mi>X</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>G</mi>
<mi>O</mi>
<mi>O</mi>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>C</mi>
<mi>X</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>B</mi>
<mi>A</mi>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>R</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msub>
<mi>R</mi>
<mi>C</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>R</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<msub>
<mi>R</mi>
<mi>C</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中CX′(t)为设备t时刻的环境情况,R′(t)为设备t时刻的端口占有率,f(t)为设备环境影响因素,包括温度和湿度;这样根据提供的设备初始故障率λ0,修复率μ,以及影响系数α和β,就可以得到t时刻的设备状态转移矩阵P(t)为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>)</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>)</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>)</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>)</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&mu;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&mu;</mi>
</mrow>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中有:
λ1(t)=a·λ(t)
λ2(t)=b·λ(t)
λ3(t)=c·λ1(t)
μ1(t)=d·λ1(t)
而且有:λ(t)=λ0+AW(t);
其中,A=[α,β]为系数矩阵,W(t)=[CX(t),R(t)]T;
所以设备状态转移的关系为:
Π(t)=Π(t-1)·P(t-1)。
7.根据权利要求1所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,对于步骤2.2中光缆状态转移矩阵的系数有以下方式计算:
光缆的环境同样分为适宜(GOOD)与不适宜(BAD),施工情况有是(YES)与否(NO)两种,所以有:
<mrow>
<msub>
<mi>C</mi>
<mi>Y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>C</mi>
<mi>Y</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>G</mi>
<mi>O</mi>
<mi>O</mi>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<msub>
<mi>C</mi>
<mi>Y</mi>
</msub>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>B</mi>
<mi>A</mi>
<mi>D</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi>O</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>S</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>Y</mi>
<mi>E</mi>
<mi>S</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中CY′(t)为光缆t时刻的环境情况,S′(t)为光缆t时刻的施工情况,g(t)为光缆环境影响因素,包括温度、降水、风速和是否过江河湖;这样根据提供的光缆初始故障率η0,修复率ξ,以及影响系数ω和就可以得到t时刻的光缆状态转移矩阵D(t):
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&xi;</mi>
</mrow>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>&xi;</mi>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
η(t)=η0+EQ(t)
其中,为系数矩阵,Q(t)=[CY(t),S(t)]T;
光缆的状态转移的关系为:
Ψ(t)=Ψ(t-1)·D(t-1)。
8.根据权利要求1所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,步骤2.3中,业务的每条通道的可靠性有以下计算方式:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>{</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
<mo>+</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>M</mi>
<mi>F</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>{</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi>F</mi>
<mo>,</mo>
<mi>M</mi>
<mi>F</mi>
<mo>|</mo>
<msub>
<mo>&Pi;</mo>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>|</mo>
<msub>
<mi>&Psi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mi>F</mi>
<mo>,</mo>
<mi>M</mi>
<mi>F</mi>
<mo>|</mo>
<msub>
<mo>&Pi;</mo>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mi>P</mi>
<mo>{</mo>
<msub>
<mi>Y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>|</mo>
<msub>
<mi>&Psi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>D</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
9.根据权利要求1所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法,其特征在于,步骤3中,将t时刻的电力通信网业务通道上设备和光缆的状态以及各影响因素带入下面的式子就可以预测出t+1时刻的业务可靠性:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>B</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>T</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>F</mi>
<mo>&rsqb;</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>TS</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>F</mi>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>{</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>T</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>)</mo>
<mo>&rsqb;</mo>
<mo>}</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mo>{</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>TS</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<mo>{</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<mi>T</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>|</mo>
<mi>T</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
<munderover>
<mo>&Pi;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mo>{</mo>
<mn>1</mn>
<mo>-</mo>
<mi>P</mi>
<mo>&lsqb;</mo>
<msub>
<mi>TS</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>N</mi>
<mo>|</mo>
<msub>
<mi>TS</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>.</mo>
</mrow>
6
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429259.1A CN107292431A (zh) | 2017-06-08 | 2017-06-08 | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429259.1A CN107292431A (zh) | 2017-06-08 | 2017-06-08 | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292431A true CN107292431A (zh) | 2017-10-24 |
Family
ID=60096136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710429259.1A Pending CN107292431A (zh) | 2017-06-08 | 2017-06-08 | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292431A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108631427A (zh) * | 2018-04-26 | 2018-10-09 | 江苏理工学院 | 基于马氏链和贝叶斯网络的车载复合电源可靠性评估方法 |
CN112101698A (zh) * | 2020-07-23 | 2020-12-18 | 国网浙江省电力有限公司绍兴供电公司 | 一种电力通信光缆运营能力评估方法 |
CN113726599A (zh) * | 2021-08-20 | 2021-11-30 | 国网山东省电力公司无棣县供电公司 | 一种电力通讯网络状态评估系统及方法 |
-
2017
- 2017-06-08 CN CN201710429259.1A patent/CN107292431A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108631427A (zh) * | 2018-04-26 | 2018-10-09 | 江苏理工学院 | 基于马氏链和贝叶斯网络的车载复合电源可靠性评估方法 |
CN108631427B (zh) * | 2018-04-26 | 2021-06-29 | 江苏理工学院 | 基于马氏链和贝叶斯网络的车载复合电源可靠性评估方法 |
CN112101698A (zh) * | 2020-07-23 | 2020-12-18 | 国网浙江省电力有限公司绍兴供电公司 | 一种电力通信光缆运营能力评估方法 |
CN112101698B (zh) * | 2020-07-23 | 2024-04-05 | 国网浙江省电力有限公司双创中心 | 一种电力通信光缆运营能力评估方法 |
CN113726599A (zh) * | 2021-08-20 | 2021-11-30 | 国网山东省电力公司无棣县供电公司 | 一种电力通讯网络状态评估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Asghar et al. | Adaptive neuro-fuzzy algorithm to estimate effective wind speed and optimal rotor speed for variable-speed wind turbine | |
WO2021164118A1 (zh) | 交直流大电网动态安全风险态势滚动前瞻预警方法及系统 | |
CN103617561A (zh) | 一种电网智能变电站二次设备状态评估系统和方法 | |
CN104934968A (zh) | 基于多智能体的配网应灾恢复协调控制方法及装置 | |
CN104616060A (zh) | 基于bp神经网络和模糊逻辑的绝缘子污秽度预测方法 | |
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 | |
CN113759868B (zh) | 一种基于神经网络的工业以太网故障预测方法 | |
CN114142530A (zh) | 一种基于近端策略优化算法的考虑n-1安全约束的风险调度方法 | |
CN111860943A (zh) | 基于数值气象数据与机器学习的电网故障预测方法及系统 | |
CN110097100A (zh) | 一种基于离散动态贝叶斯网络的桥梁状态评估方法 | |
CN112086958A (zh) | 一种基于多步回溯强化学习算法的输电网扩展规划方法 | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
CN110794308A (zh) | 列车电池容量预测方法及装置 | |
CN109583794A (zh) | 一种确定电梯报废时间的方法 | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
He et al. | Similar day selecting based neural network model and its application in short-term load forecasting | |
CN107563096A (zh) | 一种基于fcm的内涝建模分析方法 | |
CN107846034A (zh) | 一种平抑风电场爬坡率的储能出力控制方法 | |
CN115906639A (zh) | 基于线路运行工况的线路运行故障率预测方法、装置 | |
CN115775107A (zh) | 一种考虑连锁故障的电网信息物理系统风险评估方法 | |
CN115759711A (zh) | 面向负荷管理的需求响应执行效果综合评价方法和系统 | |
Lyu et al. | Water level prediction model based on GCN and LSTM | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 | |
CN108521345A (zh) | 一种考虑通信中断的孤岛微电网的信息物理协同应对方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171024 |