CN108768748B - 一种用于电力通信服务的故障诊断方法、装置及存储介质 - Google Patents
一种用于电力通信服务的故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN108768748B CN108768748B CN201810635315.1A CN201810635315A CN108768748B CN 108768748 B CN108768748 B CN 108768748B CN 201810635315 A CN201810635315 A CN 201810635315A CN 108768748 B CN108768748 B CN 108768748B
- Authority
- CN
- China
- Prior art keywords
- power communication
- fault diagnosis
- virtual network
- fault
- communication service
- 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
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Abstract
本发明公开了一种用于电力通信网的故障诊断方法,先预先确定电力通信服务网的故障诊断模型,然后对故障诊断模型进行分割得到多个故障诊断子模型,最后以预定义规则对各故障诊断子模型进行求解得到与电力通信服务网对应的故障集合。因此,采用本方案,在将故障诊断模型分割为多个故障诊断子模型后,各个故障诊断子模型结构更为简单,用于结构简单的故障诊断子模型进行电力通信服务网的求解时,所需的诊断时间在一定程度上减少很多,提高了电力通信网的故障诊断效率。此外,本发明还公开了一种用于电力通信网的故障诊断装置及存储介质,效果如上。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种用于电力通信服务的故障诊断方法、装置及存储介质。
背景技术
在智能电网中,电力通信网主要用来承载电量信息采集、配电网监控、网络运行状态监测等电力通信业务。随着智能电网的快速发展,在网络的可靠性和性能方面,给电力通信网提出了更高的要求。虚拟化技术作为网络转型的关键技术,有效的保障了业务QoS要求,提高了底层基础网络资源利用率。
在网络虚拟化环境下,每个底层基础网络上承载多个虚拟网络,虚拟网络由承载在底层网元上的虚拟网元构成,每个虚拟网络上承载多个电力通信服务和多个虚拟网元,网络虚拟化环境下,网络虚拟化模型中的虚拟网元出现故障时,电力通信网中的电力通信服务也会出现故障。一般的,电力通信网的故障诊断模型是以虚拟网元和电力通信服务为基础建立的。因此,网络虚拟化环境下,由于虚拟网络的多样性导致电力服务网的故障诊断模型一般都较为复杂,而故障诊断模型的复杂程度与电力通信网的故障诊断时长成正比,即在故障诊断模型较复杂的情况下,电力通信网的故障诊断时长也会更长。因此,在对电力通信网的进行故障诊断时,会耗费大量的时间,导致电力通信网的故障诊断效率较低。
因此,如何提高电力通信网的故障诊断效率是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供及一种用于电力通信服务的故障诊断方法、装置及存储介质,提高了电力通信网的故障诊断效率。
为实现上述目的,本发明实施例提供了如下技术方案:
本发明实施例提供了一种用于电力通信服务的故障诊断方法,包括:
预先确定电力通信服务网的故障诊断模型;
对所述故障诊断模型进行分割得到多个故障诊断子模型;
以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合。
优选的,所述预先确定电力通信服务网的故障诊断模型包括:
确定与所述电力通信网对应的电力通信服务集合以及与所述电力通信网对应的虚拟网节点集合;
根据所述电力通信服务集合与所述虚拟网节点集合确定所述故障诊断模型;其中,所述故障诊断模型为贝叶斯网故障诊断模型。
优选的,所述根据所述电力通信服务集合与所述虚拟网节点集合确定所述故障诊断模型包括:
确定所述电力通信服务集合中的非正常电力通信服务的数量并确定非正常电力通信服务集合;
利用所述电力通信服务集合、所述非正常电力通信服务集合以及所述非正常电力通信服务的数量求解所述虚拟网节点集合中各虚拟网元的故障率;
根据所述电力通信服务集合、所述虚拟网节点集合以及所述虚拟网节点集合中各所述虚拟网元的故障率确定所述贝叶斯网故障诊断模型。
优选的,所述对所述故障诊断模型进行分割得到多个故障诊断子模型包括:
从各所述虚拟网元中确定目标虚拟网元;
将所述目标虚拟网元作为分割节点并根据所述分割节点对所述贝叶斯网故障诊断模型进行分割。
优选的,所述从各所述虚拟网元中确定目标虚拟网元包括:
确定与各所述虚拟网元对应的电力通信服务数量与所述电力通信服务集合中目标电力通信服务数量的第一比值,和与各所述虚拟网元对应的电力通信服务中状态一致的电力通信服务和与各所述虚拟网元对应的电力通信服务的第二比值;
判断各所述第一比值是否大于第一预设值和各所述第二比值是否大于第二预设值;
将所述第一比值大于所述第一预设值且所述第二比值大于所述第二预设值的虚拟网元作为所述目标虚拟网元。
优选的,所述以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合包括:
确定与所述非正常电力通信服务集合中的各非正常电力通信服务对应的故障诊断子模型;
计算与各所述非正常电力通信服务对应的故障诊断子模型中各虚拟网元的极大故障似然值;
根据各所述极大故障似然值确定各所述故障诊断子模型中的故障虚拟网元;
将各所述故障虚拟网元组成所述故障集合。
优选的,所述以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合之后,还包括:
对所述故障集合的准确率进行分析;
若所述故障集合的所述准确率未达到第一设定值;
则执行所述预先确定电力通信服务网的故障诊断模型的步骤。
优选的,所述以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合之后,还包括:
对所述故障集合的误报率进行分析;
若所述故障集合的所述误报率超过第二设定值;
则执行所述预先确定电力通信服务网的故障诊断模型的步骤。
其次,本发明实施例提供了一种用于电力通信服务的故障诊断装置,包括:
故障诊断模型确定模块,用于预先确定电力通信服务网的故障诊断模型;
分割模块,用于对所述故障诊断模型进行分割得到多个故障诊断子模型;
求解模块,用于以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合。
最后,本发明实施例公开了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上任一项所述的用于电力通信服务的故障诊断方法的步骤。
可见,本发明公开的一种用于电力通信网的故障诊断方法,先预先确定电力通信服务网的故障诊断模型,然后对故障诊断模型进行分割得到多个故障诊断子模型,最后以预定义规则对各故障诊断子模型进行求解得到与电力通信服务网对应的故障集合。因此,采用本方案,在将故障诊断模型分割为多个故障诊断子模型后,各个故障诊断子模型结构更为简单,用于结构简单的故障诊断子模型进行电力通信服务网的求解时,所需的诊断时间在一定程度上减少很多,提高了电力通信网的故障诊断效率。此外,本发明还公开了一种用于电力通信网的故障诊断装置及存储介质,效果如上。
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简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明实施例公开的一种用于电力通信网的故障诊断方法流程示意图;
图2为本发明实施例公开的一种贝叶斯网络故障诊断模型初始结构示意图;
图3为本发明实施例公开的一种用于电力通信网的故障诊断方法的诊断准确率对比曲线图;
图4为本发明实施例公开的一种用于电力通信网的故障诊断方法的诊断误报率对比曲线图;
图5为本发明实施例公开的一种用于电力通信网的故障诊断方法的诊断执行时间对比曲线图;
图6为本发明实施例公开的一种用于电力通信网的故障诊断装置结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。用于本发明中的实施例,本领域普通技术人员在没有做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。
本发明实施例公开了一种用于电力通信服务的故障诊断方法、装置及存储介质,提高了电力通信网的故障诊断效率。
请参见图1,图1为本发明实施例公开的一种用于电力通信网的故障诊断方法流程示意图,该方法包括:
S101、预先确定电力通信服务网的故障诊断模型。
具体的,本实施例中,电力通信服务网的故障诊断模型可以为以贝叶斯理论为基础建立的故障诊断模型,二分故障诊断模型等。由于在网络虚拟化环境下,存在多种虚拟网络,因此本实施例中的故障诊断模型的结构也是较为复杂的。本实施例中,作为优选的实施例,步骤S101包括:确定与电力通信网对应的电力通信服务集合以及与电力通信网对应的虚拟网节点集合;根据电力通信服务集合与虚拟网节点集合确定故障诊断模型;故障诊断模型为贝叶斯网故障诊断模型。作为优选的实施例,根据电力通信服务集合与虚拟网节点集合确定故障诊断模型包括:确定电力通信服务集合中的非正常电力通信服务的数量并确定非正常电力通信服务集合;利用电力通信服务集合、非正常电力通信服务集合以及非正常地啊你通信服务的数量求解虚拟网节点集合中各虚拟网元的故障率;根据电力通信服务集合、虚拟网节点集合以及虚拟网节点集合中各虚拟网元的故障率确定贝叶斯网故障诊断模型。其中,贝叶斯网的故障诊断模型的建立本申请作以下详细说明,具体过程如下:
首先,本实施例中,电力通信网中的电力通信服务集合为:S={s1,s2,...,sn},其中,n为大于等于1的正整数,s1至sn为电力通信服务,每个电力通信服务均对应有{0,1}两种状态,0代表的是电力通信服务正常,1代表的是电力通信服务不正常。电力通信网中的虚拟网节点集合为:X={x1,x2,...,xn},其中,n为大于等于1的正整数,x1至xn代表虚拟网节点中的虚拟网元。每个虚拟网元均对应有{0,1}两种状态,0代表的是虚拟网元正常,1代表的是虚拟网元不正常。基于此,构建贝叶斯网故障诊断模型,请参见图2,图2为本发明实施例公开的一种贝叶斯网络故障诊断模型初始结构示意图,图2中,该贝叶斯网络故障诊断模型由各个电力通信服务构成的子节点,各个虚拟网元构成的父节点,以及父节点指向子节点的有向边组成。其中,各个子节点以及各个父节点均有{0,1}两种状态,父节点指向子节点的有向边表示子节点与父节点之间的因果关系,该因果关系表示父节点出现故障时,子节点也出现故障的可能性。需要说明的是,图2中只列举出5个虚拟网元与4个电力通信服务之间的对应关系,即x1至x5,以及s1至s4;但并不代表虚拟网元的数量和电力通信服务的数量只能为以上提到的数量。进一步,虚拟网元x1至x5与电力通信服务s1至s4之间的数字代表,在虚拟网元发生故障后,电力通信服务发生故障的可能性。如,在虚拟网元x1出现故障后,与虚拟网元x1对应的电力通信服务s1发生故障的可能性为0.8;依次类推。
以上述本实施例提到的以贝叶斯网络故障诊断模型为基础,对本发明实施例的故障诊断模型的原理进行了详细说明,确定电力服务网中的电力通信服务集合S={s1,s2,...,sn}后,将电力服务通信集合S={s1,s2,...,sn}中的非正常电力通信服务放入非正常电力通信服务集合S',并确定非正常电力通信服务的数量|S'|;在得到非正常电力通信服务的数量|S'|后,结合电力通信服务集合S={s1,s2,...,sn},对虚拟网节点集合X={x1,x2,...,xn}中的每个虚拟网元xi,求解每个虚拟网元xi引发的非正常电力通信服务的数量,虚拟网节点集合X={x1,x2,...,xn}中的所有的虚拟网元引发的非正常通信服务的数量为|Sx'|,然后利用以下公式计算虚拟网节点集合X={x1,x2,...,xn}中的每个虚拟网元xi的故障率,每个虚拟网元xi的故障率pv(xi)计算公式为:
表示每个虚拟网元xi至少引发一个电力通信服务为不正常状态的概率,其中,pro(x)的计算公式如下:
其中,p(sj)表示电力通信服务集合S={s1,s2,...,sn}中的电力通信服务sj的不正常的概率,其可以根据历史数据进行确定;Sx表示由X={x1,x2,...,xn}中的所有的虚拟网元引发的所有的非正常电力通信服务,p(xi|sj)表示电力通信服务sj处于不正常状态时,虚拟网元xi发生故障的相对概率,虚拟网元xi发生故障的相对概率p(xi|sj)可以采用下式进行计算:
其中,XS表示X={x1,x2,...,xn}下的所有的电力通信服务,p(sj|xi)表示虚拟网元xi下sj处于不正常状态的概率,其概率值的大小可以由历史数据进行确定。需要说明的是,由于虚拟网络服务不能获得底层基础网络的状态,所以
就不能获得底层节点的先验故障概率p(xi),因此将公式:
进行化简得到p(xi|sj)化简后的计算公式:
因此,通过以上各个式子计算出虚拟网节点集合X={x1,x2,...,xn}中的每个虚拟网元xi的故障率之后,结合电力通信服务集合S={s1,s2,...,sn}、虚拟网节点集合X={x1,x2,...,xn}以及虚拟网节点集合中各虚拟网元xi的故障率pv(xi)构建(确定)贝叶斯网故障诊断模型。
S102、对故障诊断模型进行分割得到多个故障诊断子模型。
具体的,本实施例中,对故障诊断模型进行分割可以基于条件独立原则和D-分割原则,对故障诊断模型进行分割的主要逻辑是,选取近似可观测节点(目标虚拟网元),其中,目标虚拟网元的选取的主要评判标准是:每个虚拟网元对应的电力通信服务占电力通信服务集合S={s1,s2,...,sn}中所有的电力通信服务的第一比值,以及与各虚拟网元对应的电力通信服务状态一致的电力通信服务的数量占与各虚拟网元对应的电力通信服务的数量的第二比值两个标准来选取。关于此部分内容,将在下文进行详细介绍,本实施例在此暂不作说明。在得到近似可观测节点(为多个),在得到多个近似可观测节点之后,以各个近似可观测节点为界限,将故障诊断模型分割为多个故障诊断子模型。
S103、以预定义规则对各故障诊断子模型进行求解得到与电力通信服务网对应的故障集合。
具体的,本实施例中,在得到故障诊断子模型后,简化了故障诊断模型,从而在求解故障诊断子模型时,所需的时间会较短。本步骤中,故障子模型的求解主要分为两个阶段,即对于非正常电力通信服务集合,取出与非正常电力通信服务对应的故障诊断子模型,然后对于与非正常电力通信服务对应的故障诊断子模型进行极大似然值假设,从而求得故障诊断子模型中的非正常电力通信服务,然后将该故障诊断子模型中的非正常电力通信服务对应的非正常虚拟网元,然后将该非正常虚拟网元作为电力通信网的故障网元并放入故障集合,关于此部分内容,将在下文中的实施例进行详细说明,在此,本发明实施例暂不作说明。其中,对于故障诊断子模型进行求解时,可以同时进行求解,也可以逐一进行求解。在此,本发明实施例暂不作限定。
可见,本发明公开的一种用于电力通信网的故障诊断方法,先预先确定电力通信服务网的故障诊断模型,然后对故障诊断模型进行分割得到多个故障诊断子模型,最后以预定义规则对各故障诊断子模型进行求解得到与电力通信服务网对应的故障集合。因此,采用本方案,在将故障诊断模型分割为多个故障诊断子模型后,各个故障诊断子模型结构更为简单,用于结构简单的故障诊断子模型进行电力通信服务网的求解时,所需的诊断时间在一定程度上减少很多,提高了电力通信网的故障诊断效率。
基于上述实施例,作为优选的实施例,对故障诊断模型进行分割得到多个故障诊断子模型包括:
从各虚拟网元中确定目标虚拟网元。
将目标虚拟网元作为分割节点并根据分割节点对故障诊断模型进行分割。
其中,作为优选的实施例,从各虚拟网元中确定目标虚拟网元包括:
确定与各虚拟网元对应的电力通信服务数量与电力通信服务集合中目标电力通信服务数量的第一比值,和与各虚拟网元对应的电力通信服务中状态一致的电力通信服务和与各虚拟网元对应的电力通信服务的第二比值;判断各第一比值是否大于第一预设值和各第二比值是否大于第二预设值;将第一比值大于第一预设值且第二比值大于第二预设值的虚拟网元作为目标虚拟网元。
具体的,本实施例中,基于现有技术中的条件独立的概念,假设节点变量x1通过x2和x3相连接,那么这三个节点存在顺连、分连、逆连等三种连接关系。其中,顺连表示为x1→x2→x3、分连表示为x1←x2→x3、逆连表示为x1→x2←x3。在x1、x2和x3通过x2逆连时,假设存在节点集合A,不包含x2及其后继节点,那么集合A阻隔了x1和x3。在x1、x2和x3通过x2顺连、分连时,假设存在节点集合A包含x2,那么集合A阻隔了x1和x3。公知的是,当存在集合A阻隔x1和x3时,这种情况被称为集合A对x1和x3进行了D-分割,此时,x1和x3是条件独立的。基于此理论,由图2中的故障诊断模型可知,电力通信服务集合中的各电力通信服务之间相互独立,虚拟网节点集合中各虚拟网元相互独立,任意两个电力通信服务之间通过一个虚拟网元连接,因此,本实施例中,便可以基于条件独立的原则对故障诊断模型进行D-分割。由图2的故障诊断模型可知,任意两个电力通信服务sj都被虚拟网元xi所阻隔,所以需要从各个虚拟节点xi中选取目标虚拟网元(可观测节点)。然后以目标虚拟网元为基准,对故障诊断模型进行分割。其中,目标虚拟网元的选取过程如下:
首先,计算虚拟网元xi对应的电力通信服务sj的数量与电力通信服务集合中目标电力通信服务数量的第一比值δi(虚拟网元承载电力通信服务占比)以及各虚拟网元xi对应的电力通信服务中电力通信服务和与各虚拟网元xi对应的电力通信服务的第二比值βi(虚拟网元xi承载的电力通信服务中状态一致的占比)。其中,第一比值δi可以通过以下公式计算:
第二比值βi可以通过下式计算:
其中,SO为被观测到的电力通信服务集合(SO即为目标电力通信服务数量),S为所有的电力通信服务集合,child(xi)为虚拟网元xi对应的电力通信服务节点。第一比值δi和第二比值βi的取值可以为(0,1)。
在计算出第一比值δi和第二比值βi之后,将第一比值δi大于第一预设值δ且第二比值βi大于第二预设值β的虚拟网元作为目标虚拟网元。
目标虚拟网元的数量可以为多个,在得到目标虚拟网元后,将故障诊断模型划分为多个故障诊断子模型。
基于上述实施例,作为优选的实施例,步骤S103包括:
确定与非正常电力通信服务集合中的各非正常电力通信服务对应的故障诊断子模型;
计算与各非正常电力通信服务对应的故障诊断子模型中的各虚拟网元的极大故障似然值;
根据各极大故障似然值确定各所述故障诊断子模型中的故障虚拟网元;
将各故障虚拟网元组成故障集合。
具体的,本实施例中,对于非正常电力通信服务集合S'中的各非正常电力通信服务,取出对应的故障诊断子模型集合M';对于故障诊断子模型集合M'中的每一个子模型,可以使用以下公式计算极大故障似然值,极大故障似然值的大小用于解释故障诊断子模型集合M'中的非正常电力通信服务的疑似故障网元的概率,将极大故障似然值中的最大值或满足条件的值对应的虚拟网元作为故障网元并放入故障集合X'。其中,极大故障似然值C(H)可以采用下式进行计算:
其中,表示假设集合H中的所有虚拟网元为故障虚拟网元的概率,假设集合为H={x1,x2,...,xk},其中,假设集合为虚拟网节点集合X={x1,x2,...,xn}的子集;表示假设集合H中所有虚拟网元没有导致电力通信服务不正常的概率;表示非正常电力通信服务集合S'中每个非正常电力通信服务均由假设集合H中的至少一个虚拟网元引发的概率。
根据以上公式对子模型进行求解后,便可以得到与每个故障诊断子模型对应的故障虚拟网元,再将各个故障虚拟网元组成电力通信服务网的故障集合,从而达到对电力通信网的故障诊断的目的。
基于上述实施例,作为优选的实施例,步骤S103之后,还包括:
对故障集合的准确率进行分析;
若故障集合的准确率未达到第一设定值,则执行预先确定电力通信网的故障诊断模型的步骤。
具体的,本实施例中是以LLRDI模型对本实施例中的故障诊断方法进行验证,具体过程如下:
本发明实施例为了模拟虚拟化环境下的电力通信服务仿真环境,采用BRITE工具生成网络拓扑环境,包括底层基础网络、虚拟网络、电力通信服务。其中,底层基础网络的节点规模服从(10,50)的均匀分布,从每个底层基础网络节点中选择10%-20%的节点构成虚拟网元节点,选取10%的节点构成虚拟网元的源点,对每个源点,选择不同的虚拟网元节点作为终点,使用源点和终点之间的最短路径仿真电力通信服务,使用LLRDI模型对底层基础网络和虚拟网络注入故障,底层基础网络和虚拟网络的节点的先验故障概率服从(0.01,0.003)的均匀分布。为了模拟噪声,以0.6%的概率进行故障信息的丢失和生成虚假故障。
其中,可以采用以下公式计算准确率:
准确率=|被检测的虚拟网元故障集∩实际的虚拟网元故障集|/|实际的虚拟网元故障集|
即|被检测的虚拟网元故障集∩实际的虚拟网元故障集|与|实际的虚拟网元故障集|的比值。
其中,被检测的虚拟网元故障集为故障诊断模型中检测出来的虚拟网元故障集,而实际的虚拟网元故障集为注入至故障诊断模型中的所有的虚拟网元故障集。
基于上述实施例,作为优选的实施例,步骤S103之后,还包括:
对故障集合的误报率进行分析。
若故障集合的误报率超过第二设定值,则执行预先确定电力通信网的故障诊断模型的步骤。
具体的,本实施例中,误报率可以采用下式进行计算:
误报率=|被检测的虚拟网元故障集中的虚假故障集|/|被检测的虚拟网元故障集|
即|被检测的虚拟网元故障集中的虚假故障集|与|被检测的虚拟网元故障集|的比值。
其中,被检测的虚拟网元故障集中的虚假故障集为并非真正的故障虚拟网元的故障集合。
此外,本发明实施例还可以通过故障诊断模型中的故障诊断所需的执行时间来判断本方案的可行性。为了验证本发明技术方案的可行性,本发明实施例从准确率、误报率以及执行时间三个方面对本方案进行了验证,具体的过程如下:
本发明中提出的故障诊断方法可以称为ACMSaFD,为了使本发明的技术方案有可比性,本发明实施例中将以SFDoIC作为对比。其中,ACMSaFD模拟SFDoIC方法,将第一预设值δ取为0.2,第二预设值β分别取为0.6,0.7,0.8。请参见图3,图3为本发明实施例公开的一种用于电力通信网的故障诊断方法的诊断准确率对比曲线图;其中,图3的横轴代表虚拟网元的数量,纵轴代表准确率的大小;ACMSaFD(β=0.6)代表β=0.6时对应的虚拟网元数量与准确率之间的关系曲线图;ACMSaFD(β=0.7)代表β=0.7时对应的虚拟网元数量与准确率之间的关系曲线图;ACMSaFD(β=0.8)代表β=0.8时对应的虚拟网元数量与准确率之间的关系曲线图;SFDoIC代表虚拟网元的数量与准确率之间的关系曲线图;由图3可知,ACMSaFD在β为0.7时,的平均准确率与SFDoIC的平均准确率相近,且优于ACMSaFD在β为0.6和β为0.8时的平均准确率。请参见图4,图4为本发明实施例公开的一种用于电力通信网的故障诊断方法的诊断误报率对比曲线图,其中,图4的横轴代表虚拟网元的数量,纵轴代表误报率的大小;ACMSaFD(β=0.6)代表β=0.6时对应的虚拟网元数量与误报率之间的关系曲线图;ACMSaFD(β=0.7)代表β=0.7时对应的虚拟网元数量与误报率之间的关系曲线图;ACMSaFD(β=0.8)代表β=0.8时对应的虚拟网元数量与误报率之间的关系曲线图;SFDoIC代表虚拟网元的数量与误报率之间的关系曲线图;由图4可知,ACMSaFD在β为0.7时平均误报率略高于SFDoIC的平均误报率,且优于ACMSaFD在β为0.6和β为0.8时的平均误报率。但是ACMSaFD在β为0.7时平均误报率略与SFDoIC的平均误报率相差并不是特别大。请参见图5,图5为本发明实施例公开的一种用于电力通信网的故障诊断方法的诊断执行时间对比曲线图;其中,图5的横轴代表虚拟网元的数量,纵轴代表执行时间的长短;ACMSaFD(β=0.6)代表β=0.6时对应的虚拟网元数量与执行时间之间的关系曲线图;ACMSaFD(β=0.7)代表β=0.7时对应的虚拟网元数量与执行时间之间的关系曲线图;ACMSaFD(β=0.8)代表β=0.8时对应的虚拟网元数量与执行时间之间的关系曲线图;SFDoIC代表虚拟网元的数量与执行时间之间的关系曲线图;由图5可知,ACMSaFD在β分别为0.6,0.7,0.8的情况下,其诊断时间都比SFDoIC的诊断时间短,明显优于SFDoIC的诊断时间,提高了电力通信网的故障诊断效率。
需要说明的是,本实施例中仅以SFDoIC作为对比,且具有积极的有益效果,对于现有技术中的其他的故障诊断方法,本发明的技术方案也具有相同的技术效果。且本实施例中第一预设值δ和第二预设值β也可以取其他的值,在此,本发明实施例并不作限定。
下面对本发明实施例公开的一种用于电力通信网的故障诊断装置进行介绍,请参见图6,图6为本发明实施例公开的一种用于电力通信网的故障诊断装置结构示意图,该装置包括
故障诊断模型确定模块601,用于预先确定电力通信服务网的故障诊断模型;
分割模块602,用于对故障诊断模型进行分割得到多个故障诊断子模型;
求解模块603,用于以预定义规则对各故障诊断子模型进行求解得到与电力通信服务网对应的故障集合。
可见,本发明实施例公开的一种用于电力通信网的故障诊断装置,故障诊断模型确定模块先预先确定电力通信服务网的故障诊断模型,然后分割模块对故障诊断模型进行分割得到多个故障诊断子模型,最后求解模块以预定义规则对各故障诊断子模型进行求解得到与电力通信服务网对应的故障集合。因此,采用本方案,在将故障诊断模型分割为多个故障诊断子模型后,各个故障诊断子模型结构更为简单,因此,用于结构简单的故障诊断子模型进行电力通信服务网的求解时,所需的诊断时间在一定程度上减少很多,提高了电力通信网的故障诊断效率。
为了更好地理解本方案,本发明实施例提供的一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上任一实施例提到的用于电力通信网的故障诊断方法的步骤。
需要说明的是,本实施例提供的一种计算机可读存储介质,具有如以上用于电力通信网的故障诊断方法相同的技术效果,本发明实施例在此不再赘述。
以上对本申请所提供的一种用于电力通信网的故障诊断方法、装置及可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种用于电力通信网的故障诊断方法,其特征在于,包括:
预先确定电力通信服务网的故障诊断模型;
对所述故障诊断模型进行分割得到多个故障诊断子模型;
以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合;
所述预先确定电力通信服务网的故障诊断模型包括:
确定与所述电力通信网对应的电力通信服务集合以及与所述电力通信网对应的虚拟网节点集合;
根据所述电力通信服务集合与所述虚拟网节点集合确定所述故障诊断模型;其中,所述故障诊断模型为贝叶斯网故障诊断模型;
所述根据所述电力通信服务集合与所述虚拟网节点集合确定所述故障诊断模型包括:
确定所述电力通信服务集合中的非正常电力通信服务的数量并确定非正常电力通信服务集合;
利用所述电力通信服务集合、所述非正常电力通信服务集合以及所述非正常电力通信服务的数量求解所述虚拟网节点集合中各虚拟网元的故障率;
根据所述电力通信服务集合、所述虚拟网节点集合以及所述虚拟网节点集合中各所述虚拟网元的故障率确定所述贝叶斯网故障诊断模型。
2.根据权利要求1所述的用于电力通信网的故障诊断方法,其特征在于,所述对所述故障诊断模型进行分割得到多个故障诊断子模型包括:
从各所述虚拟网元中确定目标虚拟网元;
将所述目标虚拟网元作为分割节点并根据所述分割节点对所述贝叶斯网故障诊断模型进行分割。
3.根据权利要求2所述的用于电力通信网的故障诊断方法,其特征在于,所述从各所述虚拟网元中确定目标虚拟网元包括:
确定与各所述虚拟网元对应的电力通信服务数量与所述电力通信服务集合中目标电力通信服务数量的第一比值,和与各所述虚拟网元对应的电力通信服务中状态一致的电力通信服务和与各所述虚拟网元对应的电力通信服务的第二比值;
判断各所述第一比值是否大于第一预设值和各所述第二比值是否大于第二预设值;
将所述第一比值大于所述第一预设值且所述第二比值大于所述第二预设值的虚拟网元作为所述目标虚拟网元。
4.根据权利要求1所述的用于电力通信网的故障诊断方法,其特征在于,所述以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合包括:
确定与所述非正常电力通信服务集合中的各非正常电力通信服务对应的故障诊断子模型;
计算与各所述非正常电力通信服务对应的故障诊断子模型中各虚拟网元的极大故障似然值;
根据各所述极大故障似然值确定各所述故障诊断子模型中的故障虚拟网元;
将各所述故障虚拟网元组成所述故障集合。
5.根据权利要求1所述的用于电力通信网的故障诊断方法,其特征在于,所述以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合之后,还包括:
对所述故障集合的准确率进行分析;
若所述故障集合的所述准确率未达到第一设定值,则重新执行如下步骤:所述预先确定电力通信服务网的故障诊断模型。
6.根据权利要求1所述的用于电力通信网的故障诊断方法,其特征在于,所述以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合之后,还包括:
对所述故障集合的误报率进行分析;
若所述故障集合的所述误报率超过第二设定值,则重新执行如下步骤:所述预先确定电力通信服务网的故障诊断模型。
7.一种用于电力通信网的故障诊断装置,其特征在于,包括:
故障诊断模型确定模块,用于预先确定电力通信服务网的故障诊断模型;
分割模块,用于对所述故障诊断模型进行分割得到多个故障诊断子模型;
求解模块,用于以预定义规则对各所述故障诊断子模型进行求解得到与所述电力通信服务网对应的故障集合;
所述故障诊断模型确定模块包括:
确定与所述电力通信网对应的电力通信服务集合以及与所述电力通信网对应的虚拟网节点集合;
根据所述电力通信服务集合与所述虚拟网节点集合确定所述故障诊断模型;其中,所述故障诊断模型为贝叶斯网故障诊断模型;
所述根据所述电力通信服务集合与所述虚拟网节点集合确定所述故障诊断模型包括:
确定所述电力通信服务集合中的非正常电力通信服务的数量并确定非正常电力通信服务集合;
利用所述电力通信服务集合、所述非正常电力通信服务集合以及所述非正常电力通信服务的数量求解所述虚拟网节点集合中各虚拟网元的故障率;
根据所述电力通信服务集合、所述虚拟网节点集合以及所述虚拟网节点集合中各所述虚拟网元的故障率确定所述贝叶斯网故障诊断模型。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行以实现如权利要求1至6任一项所述的用于电力通信网的故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635315.1A CN108768748B (zh) | 2018-06-20 | 2018-06-20 | 一种用于电力通信服务的故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635315.1A CN108768748B (zh) | 2018-06-20 | 2018-06-20 | 一种用于电力通信服务的故障诊断方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108768748A CN108768748A (zh) | 2018-11-06 |
CN108768748B true CN108768748B (zh) | 2021-05-11 |
Family
ID=63979040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810635315.1A Active CN108768748B (zh) | 2018-06-20 | 2018-06-20 | 一种用于电力通信服务的故障诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108768748B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110336590A (zh) * | 2019-07-23 | 2019-10-15 | 广东电网有限责任公司 | 一种电力通信网的故障定位方法、装置及设备 |
CN112866009B (zh) * | 2021-01-04 | 2023-03-10 | 国网山东省电力公司青岛供电公司 | 一种综合服务站虚拟网络故障诊断方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201002634D0 (en) * | 2010-02-17 | 2010-03-31 | Sidonis Ltd | Network analysis |
CN102522819A (zh) * | 2011-11-24 | 2012-06-27 | 浙江省电力公司 | 智能变电站故障录波装置的录波模型建模方法 |
CN105354675A (zh) * | 2015-11-17 | 2016-02-24 | 南方电网科学研究院有限责任公司 | 基于关键输电断面识别的交直流电网连锁故障分析方法 |
CN105656198A (zh) * | 2015-12-29 | 2016-06-08 | 中国电力科学研究院 | 一种电力通信网络冗余路径策略的获取方法 |
CN106446393A (zh) * | 2016-09-18 | 2017-02-22 | 广东电网有限责任公司电力科学研究院 | 一种输电网元件故障诊断方法 |
CN106872867A (zh) * | 2017-03-10 | 2017-06-20 | 华北电力大学 | 电力设备局部放电故障的识别方法、装置及系统 |
CN107507194A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 |
CN107621594A (zh) * | 2017-11-13 | 2018-01-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于故障录波数据与贝叶斯网络的电网故障诊断方法 |
-
2018
- 2018-06-20 CN CN201810635315.1A patent/CN108768748B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201002634D0 (en) * | 2010-02-17 | 2010-03-31 | Sidonis Ltd | Network analysis |
CN102522819A (zh) * | 2011-11-24 | 2012-06-27 | 浙江省电力公司 | 智能变电站故障录波装置的录波模型建模方法 |
CN105354675A (zh) * | 2015-11-17 | 2016-02-24 | 南方电网科学研究院有限责任公司 | 基于关键输电断面识别的交直流电网连锁故障分析方法 |
CN105656198A (zh) * | 2015-12-29 | 2016-06-08 | 中国电力科学研究院 | 一种电力通信网络冗余路径策略的获取方法 |
CN106446393A (zh) * | 2016-09-18 | 2017-02-22 | 广东电网有限责任公司电力科学研究院 | 一种输电网元件故障诊断方法 |
CN106872867A (zh) * | 2017-03-10 | 2017-06-20 | 华北电力大学 | 电力设备局部放电故障的识别方法、装置及系统 |
CN107507194A (zh) * | 2017-08-07 | 2017-12-22 | 广东电网有限责任公司珠海供电局 | 一种基于红外图像温度分布规律和bp神经网络的绝缘子串故障检测方法 |
CN107621594A (zh) * | 2017-11-13 | 2018-01-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于故障录波数据与贝叶斯网络的电网故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
一种改进的电网故障诊断解析模型研究;于雪雪等;《电工电气》;20171130;全文 * |
基于卷积神经网络的网络故障诊断模型;李酉戌;《软件导刊》;20171231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108768748A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503368B (zh) | 一种基于故障机理相关的多状态系统可靠性建模方法 | |
CN107632590B (zh) | 一种基于优先级的底事件排序方法 | |
CN103870659B (zh) | 一种数控机床故障分析方法 | |
CN106168797B (zh) | 一种模块化获取核电站故障树顶事项失效概率的方法 | |
CN110380903B (zh) | 一种电力通信网故障探测方法、装置及设备 | |
CN111475953B (zh) | 供能可靠性影响分析方法、装置设备及存储介质 | |
CN108768748B (zh) | 一种用于电力通信服务的故障诊断方法、装置及存储介质 | |
CN104657418A (zh) | 一种基于隶属度传播的复杂网络模糊社团挖掘方法 | |
CN102684902B (zh) | 基于探针预测的网络故障定位方法 | |
CN104868465A (zh) | 基于模糊机会约束的电力系统网架重构优化方法 | |
CN110048901A (zh) | 一种电力通信网的故障定位方法、装置及设备 | |
CN116298686A (zh) | 应用于配电网的故障定位方法、装置、设备及介质 | |
CN112312444A (zh) | 一种5g网络切片下资源备份方法 | |
CN115373888A (zh) | 故障定位方法、装置、电子设备和存储介质 | |
Zhou et al. | Robustness analysis of power system dynamic process and repair strategy | |
CN105677952B (zh) | 一种考虑失稳位置不确定的输电线路故障概率评估方法 | |
CN104267936A (zh) | 基于树语义的异步动态下推网络可达性分析方法 | |
CN111600752B (zh) | 一种电力通信业务可靠性优化方法及相关装置 | |
CN103812719B (zh) | 集群系统的失效预测方法及装置 | |
CN103593249B (zh) | 一种ha预警方法及虚拟资源管理器 | |
CN104218546B (zh) | 一种智能配电网的自愈恢复控制方法 | |
Papadopoulou et al. | A machine-learning approach for communication prediction of large-scale applications | |
CN104217374B (zh) | 一种输电网网损灵敏度方案优选方法及系统 | |
CN107818414B (zh) | 一种大规模交直流混联电网n-2预想事故集的生成方法 | |
CN106789285B (zh) | 一种在线社会网络多尺度社区发现方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |