CN110048901A - 一种电力通信网的故障定位方法、装置及设备 - Google Patents

一种电力通信网的故障定位方法、装置及设备 Download PDF

Info

Publication number
CN110048901A
CN110048901A CN201910481431.7A CN201910481431A CN110048901A CN 110048901 A CN110048901 A CN 110048901A CN 201910481431 A CN201910481431 A CN 201910481431A CN 110048901 A CN110048901 A CN 110048901A
Authority
CN
China
Prior art keywords
detection
network
power communication
communication network
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.)
Granted
Application number
CN201910481431.7A
Other languages
English (en)
Other versions
CN110048901B (zh
Inventor
刘新展
施展
李伟坚
张正峰
曾瑛
亢中苗
李溢杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910481431.7A priority Critical patent/CN110048901B/zh
Publication of CN110048901A publication Critical patent/CN110048901A/zh
Application granted granted Critical
Publication of CN110048901B publication Critical patent/CN110048901B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Locating Faults (AREA)

Abstract

本申请公开了一种电力通信网的故障定位方法，能够对电力通信网进行探测并获取探测结果，进而根据探测结果和在电力通信网中各网络设备发生故障时探测结果为异常的先验概率，生成基于贝叶斯网络的故障定位模型，最终根据故障定位模型确定故障定位结果。可见，该方法针对电力通信网的不确定环境，利用基于贝叶斯算法的故障定位模型实现故障定位，通过对故障探测与故障定位进行融合，有效提升了故障定位的效率和准确率。此外，本申请还提供了一种电力通信网的故障定位装置、设备及计算机可读存储介质，其作用与上述方法相对应。

Description

一种电力通信网的故障定位方法、装置及设备
技术领域
本申请涉及通信领域，特别涉及一种电力通信网的故障定位方法、装置、设备及计算机可读存储介质。
背景技术
随着电力通信网的快速扩大，网管系统在电力通信网运营中的作用越来越大。尤其是网管系统中的故障管理功能，对于电力通信网的正常运行起到了关键作用。因为较大的网络规模容易受到环境的影响，导致故障管理系统中的故障信息和症状信息不一致，给故障诊断带来了挑战。如何在故障和症状信息不一致的情况下，准确定位故障已成为当前急需解决的问题。
为解决不确定环境下的故障定位问题，已有相关研究机构进行了深入研究，并取得了较多的成果。根据采用的技术不同，可以分为下面两种：
基于案例分析的专家系统，该方案主要基于网络管理系统长期运营的数据集，整理出典型的故障案例，便于维护人员学习和使用，此种方法的优点是可用性较高，但是不便于处理未知故障，可扩展性不好；
基于机器学习的智能系统，该方案主要特点是采用贝叶斯、神经网络、随机森林等机器学习算法进行故障定位，此种方法的优点是可以根据环境的变化，自动挖掘故障和症状的隐藏关系，但是电力通信网处于不确定环境，环境影响为故障定位带来了干扰，导致故障定位准确性较低。
综上，由于电力通信网为不确定环境，存在较多干扰信息，导致现有的故障定位方案的定位性能较低。
发明内容
本申请的目的是提供一种电力通信网的故障定位方法、装置、设备及计算机可读存储介质，用以解决现有的故障定位方案对不确定环境下的电力通信网的定位性能的问题。具体方案如下：
第一方面，本申请提供了一种电力通信网的故障定位方法，包括：
对电力通信网进行探测以获取探测结果；
根据所述探测结果和先验概率，生成基于贝叶斯网络的故障定位模型，其中，所述先验概率为在所述电力通信网中各网络设备发生故障时所述探测结果为异常的概率；
根据所述故障定位模型确定故障定位结果。
优选的，所述对电力通信网进行探测以获取探测结果，包括：
确定电力通信网的网络设备集合、候选探测集合、所述候选探测集合的探测依赖矩阵，其中所述探测依赖矩阵用于描述所述候选探测集合中各个探测经过的网络设备；
根据所述网络设备集合、所述候选探测集合、所述探测依赖矩阵，确定所述电力通信网的最小探测集合；
依据所述最小探测集合对所述电力通信网进行探测以获取探测结果。
优选的，所述根据所述网络设备集合、所述候选探测集合、所述探测依赖矩阵，确定所述电力通信网的最小探测集合，包括：
利用基于向量扩张理论的启发式探测选择方法，根据所述探测依赖矩阵，重复执行从所述网络设备集合和所述候选探测集合中分别选择网络设备和探测的操作，直至所述网络设备集合中的全部网络设备至少被一个探测经过，得到最小探测集合。
优选的，所述根据所述故障定位模型确定故障定位结果，包括：
根据所述故障定位模型，确定候选故障网络设备集合；
利用解释能力目标函数确定所述候选故障网络设备集合的最优子集，以作为故障定位结果。
优选的，所述利用解释能力目标函数确定所述候选故障网络设备集合的最优子集，以作为故障定位结果，包括：
根据所述电力通信网中各网络设备发生故障的概率和所述先验概率，确定在所述探测结果异常时所述电力通信网中各网络设备发生故障的后验概率；
根据所述后验概率和所述先验概率，利用解释能力目标函数确定所述候选故障网络设备集合的最优子集，以作为故障定位结果。
第二方面，本申请提供了一种电力通信网的故障定位装置，包括：
探测模块：用于对电力通信网进行探测以获取探测结果；
故障定位模型生成模块：用于根据所述探测结果和先验概率，生成基于贝叶斯网络的故障定位模型，其中，所述先验概率为在所述电力通信网中各网络设备发生故障时所述探测结果为异常的概率；
故障定位模块：用于根据所述故障定位模型确定故障定位结果。
优选的，所述探测模块包括：
探测依赖确定单元：用于确定电力通信网的网络设备集合、候选探测集合、所述候选探测集合的探测依赖矩阵，其中所述探测依赖矩阵用于描述所述候选探测集合中各个探测经过的网络设备；
最小探测确定单元：用于根据所述网络设备集合、所述候选探测集合、所述探测依赖矩阵，确定所述电力通信网的最小探测集合；
探测单元：用于依据所述最小探测集合对所述电力通信网进行探测以获取探测结果。
优选的，所述最小探测确定单元具体用于：
利用基于向量扩张理论的启发式探测选择方法，根据所述探测依赖矩阵，重复执行从所述网络设备集合和所述候选探测集合中分别选择网络设备和探测的操作，直至所述网络设备集合中的全部网络设备至少被一个探测经过，得到最小探测集合。
第三方面，本申请还提供了一种电力通信网的故障定位设备，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序，以实现如上所述的一种电力通信网的故障定位方法的步骤。
第四方面，本申请提供了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，所述计算机程序被处理器执行时用于实现如上所述的一种电力通信网的故障定位方法的步骤。
本申请所提供的一种电力通信网的故障定位方法，能够对电力通信网进行探测并获取探测结果，进而根据探测结果和在电力通信网中各网络设备发生故障时探测结果为异常的先验概率，生成基于贝叶斯网络的故障定位模型，最终根据故障定位模型确定故障定位结果。可见，该方法针对电力通信网的不确定环境，利用基于贝叶斯算法的故障定位模型实现故障定位，通过对故障探测与故障定位进行融合，有效提升了故障定位的效率和准确率。
此外，本申请还提供了一种电力通信网的故障定位装置、设备及计算机可读存储介质，其作用与上述方法相对应，这里不再赘述。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请所提供的一种电力通信网的故障定位方法实施例一的实现流程图；
图2为本申请所提供的一种电力通信网的故障定位方法实施例二的实现流程图；
图3为本申请所提供的一种电力通信网的故障定位方法实施例二中故障定位模型的示意图；
图4为本申请所提供的一种电力通信网的故障定位方法实施例三的实现流程图；
图5为本申请所提供的对比实验的准确率结果对比示意图；
图6为本申请所提供的对比实验的误报率结果对比示意图；
图7为本申请所提供的一种电力通信网的故障定位装置实施例的功能框图；
图8为本申请所提供的一种电力通信网的故障定位设备实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，电力通信网处于不确定环境，存在较多干扰信息，导致现有的故障定位方案无法对电力通信网进行准确的故障定位。针对该问题，本申请提供了一种电力通信网的故障定位方法、装置、设备及计算机可读存储介质，显著提升了故障定位的效率和准确性。
下面对本申请提供的一种电力通信网的故障定位方法实施例一进行介绍，参见图1，实施例一包括：
步骤S101：对电力通信网进行探测以获取探测结果；
探测是指从源端发出到指定目的端的一个端到端的请求或指令，该请求或指令会从目的端得到一个返回信息给源端，本实施例主要用于实现对电力通信网中一个或多个网络设备的探测，每个探测经过一个或多个网络设备的路径。具体的发起探测的源端可以是电力通信网中的探测节点，也可以是电力通信网的外部设备，其中探测节点是指电力通信网中具备探测功能的软件和硬件要求的网络设备。
在获取到探测返回的结果后，可以判定该探测所经过路径上的网络节点运行情况。具体的，探测结果包括返回值正常、返回值异常两种情况，当返回值正常时，表明探测所经过的所有网络设备均处于正常状态；当返回值异常时，表明探测所经过的网络设备中存在不正常状态的网络设备。值得一提的是，在实际应用场景中，一般需要对电力通信网进行多项探测才能实现故障定位的目的，本实施例不限定选取何种探测以及探测的数量，具体依据实际需求确定即可。
步骤S102：根据所述探测结果和先验概率，生成基于贝叶斯网络的故障定位模型，其中，所述先验概率为在所述电力通信网中各网络设备发生故障时所述探测结果为异常的概率；
如上所述，在实际应用场景中一般会执行多个探测，因此本实施例获取到的探测结果实际上为多个探测的探测结果。考虑到贝叶斯网络具有图形化描述便于理解、解决不确定环境下的概率推理问题，本实施例基于贝叶斯网络建立探测结果之间的关联关系，得到故障定位模型。首先，本实施例对多个探测的探测结果进行分析，确定正常网络设备、疑似故障网络设备、正常探测结果、疑似故障探测结果，然后基于上述四个结果之间隐含的关联性进行故障定位，创建故障定位模型，该模型包括父节点、子节点、父节点和子节点之间的连线，其中，父节点表示正常探测结果或疑似故障探测结果，子节点表示正常网络设备或疑似故障网络设备，父节点和子节点之间的连线表示网络设备故障时各个探测的探测结果为异常的概率，即上述先验概率。
步骤S103：根据所述故障定位模型确定故障定位结果。
考虑到电力通信网中干扰信息较多，因此在上述步骤中根据多个探测的探测结果确定的疑似故障网络设备不能直接作为故障定位结果，因此，本实施例通过分析前述构建得到的故障定位模型，来确定疑似故障网络设备中真正的故障网络设备，最终将真正故障的网络设备作为故障定位结果。作为一种具体的实施方式，可以根据探测结果异常的概率、网络设备发生故障的概率、前述先验概率，结合上述故障定位模型，确定最终的故障定位结果。
本实施例所提供一种电力通信网的故障定位方法，能够对电力通信网进行探测并获取探测结果，进而根据探测结果和在电力通信网中各网络设备发生故障时探测结果为异常的先验概率，生成基于贝叶斯网络的故障定位模型，最终根据故障定位模型确定故障定位结果。可见，该方法针对电力通信网的不确定环境，利用基于贝叶斯算法的故障定位模型实现故障定位，通过对故障探测与故障定位进行融合，有效提升了故障定位的效率和准确率。
下面开始详细介绍本申请提供的一种电力通信网的故障定位方法实施例二，实施例二基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。
参见图2，实施例二具体包括以下步骤：
步骤S201：对电力通信网进行探测以获取探测结果；
在大规模电力通信网的运营过程中，网络管理系统获取的告警信息容易受到外界环境的影响，导致故障和症状的依赖关系变得更加复杂。为了将故障探测与故障定位两个阶段进行融合，提升故障定位的效率和性能，下面给出本实施例涉及的关键概念：
探测是指从源端发出到指定目的端的一个端到端的请求或指令，该请求或指令会从目的端得到一个返回信息给源端。探测经过的路径可以包括一个或多个设备，源端接收到返回信息后，可以判定该条路径上的设备运行情况。本实施例中，上述源端主要指电力通信网中具备探测功能的网络设备，上述目的端主要指除源端之外的网络设备。
探测站点是指执行探测的源端网络设备，该源端网络设备需要具备一定的硬件配置和软件功能，从而更好的实现探测信息的发出、以及从目的端的返回信息中分析探测路径上网络设备的运行情况。
探测依赖矩阵是指描述探测、探测站点关联关系的矩阵，该矩阵的行代表探测经过的网络设备信息、以及探测的返回值信息。该矩阵的列代表电力通信网的网络设备。基于探测依赖矩阵，本实施例可以将电力通信网的故障定位问题抽象为依赖矩阵的行列分析问题。
表1
下面以表1为例，说明上述三个关键概念。表1为一个简单的探测依赖矩阵，其中，P1、P2、P3、P4代表了四个探测，N1、N2、N3、N4、N5代表了五个网络设备，其中N1被选择为四个探测的探测站点。探测P1和探测P2经过N1、N3两个网络设备，探测P2经过N1、N3、N3三个网络设备，探测P4经过N1、N2、N3、N5四个网络设备。本实施例使用C(Mp)表示探测依赖矩阵Mp的列向量，使用R(Mp)表示探测依赖矩阵Mp的行向量。
如前文所述，在电力通信网中存在一定数量的可执行的探测，在执行探测之前，可以依据实际需求选择预期执行的探测。在选择好探测之后，作为一种可选的实施方式，可以利用网络管理系统执行这些探测。然后接收各个探测返回的探测结果，探测结果具体包括返回值正常、返回值异常两种情况，当返回值正常时，表明探测所经过的所有网络设备均处于正常状态；当返回值异常时，表明该探测所经过的网络设备中存在不正常状态的网络设备。
步骤S202：根据所述探测结果和先验概率，生成基于贝叶斯网络的故障定位模型；
具体的，本实施例预先建立正常网络节点集合Npn、疑似网络节点集合Nsn、正常探测状态集合Ppn、疑似探测状态集合Psn，并根据上述探测结果，将正常状态的网络设备加入Npn集合，将不正常状态的网络设备加入Nsn集合；将正常状态的探测加入Ppn集合，将不正常状态的探测加入Psn集合。因为电力通信网络中存在不确定因素，所以，本实施例基于上述四个集合中的元素以及元素之间隐含的关联性进行故障定位。
考虑到贝叶斯网络模型具有图形化描述便于理解、擅长解决不确定环境下的概率推理问题，结合不确定环境下探测结果集合的特征，本实施例基于贝叶斯网络建立探测结果集合之间的关联关系。具体的，本实施例基于探测结果集合构建故障定位模型，如图3所示，该模型包括父节点P、子节点N、父节点和子节点之间的连线。子节点N包括正常网络节点集合Npn、疑似网络节点集合Nsn；父节点P包括正常探测状态集合Ppn、疑似探测状态集合Psn；父节点和子节点之间的连线使用r(Pj|Ni)表示。其中r(Pj|Ni)表示不确定环境下子节点发生故障时，父节点出现异常的概率，也就是在所述电力通信网中各网络设备发生故障时所述探测结果为异常的先验概率，r(Pj)表示探测不正常的概率，r(Ni)表示节点不正常的概率，r(Pj)、r(Ni)、r(Pj|Ni)的取值可以基于网管系统长期运行记录获得。
步骤S203：根据所述故障定位模型，确定候选故障网络设备集合；
本实施例中，上述候选故障网络设备集合即上述疑似网络节点集合Nsn。
步骤S204：根据所述电力通信网中各网络设备发生故障的概率和所述先验概率，确定在所述探测结果异常时所述电力通信网中各网络设备发生故障的后验概率；
本实施例中，r(Ni|Pj)表示探测结果不正常时，网络设备出现故障的概率,即上述在所述探测结果异常时所述电力通信网中各网络设备发生故障的后验概率，具体可以根据公式(1)计算得到：
步骤S205：根据所述后验概率和所述先验概率，利用解释能力目标函数确定所述候选故障网络设备集合的最优子集，以作为故障定位结果。
上述最优子集是疑似故障集合Nsn的一个子集，本实施例预先定义了解释能力目标函数，即衡量疑似故障集合的各个子集对异常探测的解释能力的目标函数具体如下所示：
其中，表示疑似故障集合中全部网络设备均为故障网络设备的概率；表示疑似故障集合中全部网络设备均不会导致探测异常的概率；表示不正常探测集合中每个探测是由于疑似故障集合中至少一个网络设备故障而导致的概率；pro(Ni)表示网络设备Ni故障至少引发一个探测不正常的概率，使用公式(3)进行计算：
可见，本实施例提供的一种电力通信网的故障定位方法，结合不确定环境下电力通信网故障定位特点，将故障探测与故障定位两个阶段进行融合，实现了高效的电力通信网故障定位。此外，在实施例一的基础上，本实施例预先构建了探测依赖矩阵，提高了后续故障分析的效率，本实施例还提出了利用解释能力目标函数确定疑似故障网络节点的最优子集，实现了准确定位故障网络设备的目的。
下面开始详细介绍本申请提供的一种电力通信网的故障定位方法实施例三，实施例三基于上述实施例一实现，并在实施例一的基础上进行了一定程度上的拓展。
参见图4，实施例三具体包括：
步骤S301：确定电力通信网的网络设备集合、候选探测集合、所述候选探测集合的探测依赖矩阵，其中所述探测依赖矩阵用于描述所述候选探测集合中各个探测经过的网络设备；
具体的，本实施例考虑到探测会对电力通信网的运营增加额外的通信压力，所以尽量减少探测的数量。例如，在表1所示的探测依赖矩阵中，探测P1和探测P2经过相关的网络设备，给网络造成了两次相同的通信负担。所以，本实施例在将故障探测与故障定位两个阶段进行融合时，不仅考虑如何实现准确故障定位的目标，还要考虑尽可能减少探测对电力通信网业务的影响。
为了更好的研究上述问题，下面先对一些关键概念进行介绍：
候选探测节点集合，是指电力通信网中满足探测功能的软件和硬件要求的网络设备。
候选探测集合，是指候选探测节点集合中的每一个网络设备作为源端，向其它所有网络设备发出的探测构成的集合。
最小探测集合，是指能够覆盖电力通信网所有网络设备的探测构成的最小探测集合。
候选探测集合的探测依赖矩阵，是表示候选探测集合对应的探测依赖矩阵。
最小探测集合的探测依赖矩阵，是表示最小探测集合对应的探测依赖矩阵。
从上述定义可知，在探测选择阶段的最优目标是求解最小探测集合。因为最小探测集合是能够覆盖电力通信网所有网络设备的探测构成的最小集合，所以，最小探测集合需要具备下面两个特点：第一，最小探测集合和候选探测集合具有相同的网络设备，即探测依赖矩阵中具有相同的列数，可以覆盖所有的电力通信网的网络设备；第二，最小探测集合中没有冗余的探测，即最小探测集合中任意列之间或操作得到的向量都是不同的列向量，并且该列向量仍然属于当前的依赖矩阵。满足该条件的物理意义为最小探测集合对于网络设备上发生的故障具有定位到单台网络设备的能力。
步骤S302：利用基于向量扩张理论的启发式探测选择方法，根据所述探测依赖矩阵，重复执行从所述网络设备集合和所述候选探测集合中分别选择网络设备和探测的操作，直至所述网络设备集合中的全部网络设备至少被一个探测经过，得到最小探测集合；
最小探测集合中的任意两个列向量进行或操作之后得到的列向量仍然属于当前的依赖矩阵，具有该性质的向量被称为向量扩张。从探测依赖矩阵的定义可知，探测依赖矩阵的每一个列向量代表一个网络设备是否被所有探测经过。当探测经过当前网络设备时，探测所在的行与网络设备所在的列取值为1，否则为0。基于此，将每一个列向量的取值相加，就可以获得经过该网络设备的探测数量。
基于探测依赖矩阵的上述特征，本实施例提出基于向量扩张理论的启发式探测选择算法，该算法从候选探测节点集合和候选探测集合中重复执行挑选节点和挑选探测两个过程，直到所有的网络设备都被至少一个探测经过。具体的，本实施例提出的基于向量扩张理论的启发式探测选择算法包括下面三个步骤：
挑选节点阶段，对探测依赖矩阵中每个列向量进行求和，并按照求和值升序排列。求和值越小，表示当前的网络设备被较少的探测经过，在选择探测时，此种节点的探测将需要首先被考虑。
挑选探测阶段，对于经过探测最少的网络设备的所有探测，求解其行向量的加权值，并降序排列。加权值越大，表示当前探测经过的网络设备越多，该探测在执行探测时对电力通信网带来的额外开销将越小，所以，将该探测加入最小探测集合中。
网络设备集合更新，将新加入的探测经过的所有网络设备从网络设备集合中删除。更新之后，网络设备集合不空，表示该集合中剩余的网络设备都未被至少一个探测经过，需要返回到挑选节点阶段进行重复执行。
步骤S303：依据所述最小探测集合对所述电力通信网进行探测以获取探测结果；
步骤S304：根据所述探测结果和先验概率，生成基于贝叶斯网络的故障定位模型，其中，所述先验概率为在所述电力通信网中各网络设备发生故障时所述探测结果为异常的概率；
步骤S305：根据所述故障定位模型确定故障定位结果。
综上，本实施例提供的一种电力通信网的故障定位方法，在实施例一的基础上，通过选择能够覆盖电力通信网所有网络设备的探测构成的最小探测集合，有效避免了不必要的探测给电力通信网带来的通信压力。
为了验证本申请方案的实施效果，本申请还提供了对比实验。实验中使用Inet3.0工具生成网络拓扑信息，使用Java语言实现不确定网络环境和故障定位。为验证本申请方案的性能，从故障诊断的准确率和误报率两个方面，与相关学者提出的网络虚拟化环境下的服务故障诊断算法(简称SFDoIC)进行了比较。其中，准确率的计算公式如公式(4)所示，误报率的计算公式如公式(5)所示：
为比较不同网络拓扑规模下，两种算法的故障诊断性能，本申请使用Inet3.0工具生成了10种网络拓扑，网络拓扑的关键参数信息如表2所示。
表2
网络序号 边数(条) 节点数(个) 节点平均度数
1 108 77 2.573
2 211 146 2.671
3 312 219 2.676
4 413 288 2.670
5 512 359 2.725
6 611 428 2.739
7 702 502 2.753
8 803 577 2.776
9 915 641 2.782
10 998 696 2.797
本申请方案与算法SFDoIC在准确率和误报率两个方面的比较结果如图5和图6所示，在10种网络拓扑环境下，本申请方案的准确率和误报率都比算法SFDoIC有所提升。算法受网络规模影响方面，随着网络拓扑规模的增加，本申请方案在准确率方面的性能有所提升，在误报率方面的性能比较稳定，说明本申请方案适合于解决大规模电力通信网环境下的故障诊断问题。
下面对本申请实施例提供的一种电力通信网的故障定位装置进行介绍，下文描述的一种电力通信网的故障定位装置与上文描述的一种电力通信网的故障定位方法可相互对应参照。
如图7所示，该装置包括：
探测模块701：用于对电力通信网进行探测以获取探测结果；
故障定位模型生成模块702：用于根据所述探测结果和先验概率，生成基于贝叶斯网络的故障定位模型，其中，所述先验概率为在所述电力通信网中各网络设备发生故障时所述探测结果为异常的概率；
故障定位模块703：用于根据所述故障定位模型确定故障定位结果。
作为一种具体的实施方式，探测模块701具体包括：
探测依赖确定单元：用于确定电力通信网的网络设备集合、候选探测集合、所述候选探测集合的探测依赖矩阵，其中所述探测依赖矩阵用于描述所述候选探测集合中各个探测经过的网络设备；
最小探测确定单元：用于根据所述网络设备集合、所述候选探测集合、所述探测依赖矩阵，确定所述电力通信网的最小探测集合；
探测单元：用于依据所述最小探测集合对所述电力通信网进行探测以获取探测结果。
作为一种具体的实施方式，，所述最小探测确定单元具体用于：
利用基于向量扩张理论的启发式探测选择方法，根据所述探测依赖矩阵，重复执行从所述网络设备集合和所述候选探测集合中分别选择网络设备和探测的操作，直至所述网络设备集合中的全部网络设备至少被一个探测经过，得到最小探测集合。
本实施例的电力通信网的故障定位装置用于实现前述的电力通信网的故障定位方法，因此该装置中的具体实施方式可见前文中的电力通信网的故障定位方法的实施例部分，例如，探测模块701、故障定位模型生成模块702、故障定位模块703，分别用于实现上述电力通信网的故障定位方法中步骤S101，S102，S103。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的电力通信网的故障定位装置用于实现前述的电力通信网的故障定位方法，因此其作用与上述方法的作用相对应，这里不再赘述。
此外，本申请还提供了一种电力通信网的故障定位设备，如图8所示，包括：
存储器801：用于存储计算机程序；
处理器802：用于执行所述计算机程序，以实现如上所述的一种电力通信网的故障定位方法的步骤。
最后，本申请还提供了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，所述计算机程序被处理器执行时用于实现如上所述的一种电力通信网的故障定位方法的步骤。
本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它实施例的不同之处，各个实施例之间相同或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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍，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；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种电力通信网的故障定位方法，其特征在于，包括：
对电力通信网进行探测以获取探测结果；
根据所述探测结果和先验概率，生成基于贝叶斯网络的故障定位模型，其中，所述先验概率为在所述电力通信网中各网络设备发生故障时所述探测结果为异常的概率；
根据所述故障定位模型确定故障定位结果。
2.如权利要求1所述的方法，其特征在于，所述对电力通信网进行探测以获取探测结果，包括：
确定电力通信网的网络设备集合、候选探测集合、所述候选探测集合的探测依赖矩阵，其中所述探测依赖矩阵用于描述所述候选探测集合中各个探测经过的网络设备；
根据所述网络设备集合、所述候选探测集合、所述探测依赖矩阵，确定所述电力通信网的最小探测集合；
依据所述最小探测集合对所述电力通信网进行探测以获取探测结果。
3.如权利要求2所述的方法，其特征在于，所述根据所述网络设备集合、所述候选探测集合、所述探测依赖矩阵，确定所述电力通信网的最小探测集合，包括：
利用基于向量扩张理论的启发式探测选择方法，根据所述探测依赖矩阵，重复执行从所述网络设备集合和所述候选探测集合中分别选择网络设备和探测的操作，直至所述网络设备集合中的全部网络设备至少被一个探测经过，得到最小探测集合。
4.如权利要求1所述的方法，其特征在于，所述根据所述故障定位模型确定故障定位结果，包括：
根据所述故障定位模型，确定候选故障网络设备集合；
利用解释能力目标函数确定所述候选故障网络设备集合的最优子集，以作为故障定位结果。
5.如权利要求4所述的方法，其特征在于，所述利用解释能力目标函数确定所述候选故障网络设备集合的最优子集，以作为故障定位结果，包括：
根据所述电力通信网中各网络设备发生故障的概率和所述先验概率，确定在所述探测结果异常时所述电力通信网中各网络设备发生故障的后验概率；
根据所述后验概率和所述先验概率，利用解释能力目标函数确定所述候选故障网络设备集合的最优子集，以作为故障定位结果。
6.一种电力通信网的故障定位装置，其特征在于，包括：
探测模块：用于对电力通信网进行探测以获取探测结果；
故障定位模型生成模块：用于根据所述探测结果和先验概率，生成基于贝叶斯网络的故障定位模型，其中，所述先验概率为在所述电力通信网中各网络设备发生故障时所述探测结果为异常的概率；
故障定位模块：用于根据所述故障定位模型确定故障定位结果。
7.如权利要求6所述的装置，其特征在于，所述探测模块包括：
探测依赖确定单元：用于确定电力通信网的网络设备集合、候选探测集合、所述候选探测集合的探测依赖矩阵，其中所述探测依赖矩阵用于描述所述候选探测集合中各个探测经过的网络设备；
最小探测确定单元：用于根据所述网络设备集合、所述候选探测集合、所述探测依赖矩阵，确定所述电力通信网的最小探测集合；
探测单元：用于依据所述最小探测集合对所述电力通信网进行探测以获取探测结果。
8.如权利要求7所述的装置，其特征在于，所述最小探测确定单元具体用于：
利用基于向量扩张理论的启发式探测选择方法，根据所述探测依赖矩阵，重复执行从所述网络设备集合和所述候选探测集合中分别选择网络设备和探测的操作，直至所述网络设备集合中的全部网络设备至少被一个探测经过，得到最小探测集合。
9.一种电力通信网的故障定位设备，其特征在于，包括：
存储器：用于存储计算机程序；
处理器：用于执行所述计算机程序，以实现如权利要求1-5任意一项所述的一种电力通信网的故障定位方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-5任意一项所述的一种电力通信网的故障定位方法的步骤。
CN201910481431.7A 2019-06-04 2019-06-04 一种电力通信网的故障定位方法、装置及设备 Active CN110048901B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910481431.7A CN110048901B (zh) 2019-06-04 2019-06-04 一种电力通信网的故障定位方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910481431.7A CN110048901B (zh) 2019-06-04 2019-06-04 一种电力通信网的故障定位方法、装置及设备

Publications (2)

Publication Number Publication Date
CN110048901A true CN110048901A (zh) 2019-07-23
CN110048901B CN110048901B (zh) 2022-03-22

Family

ID=67284455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910481431.7A Active CN110048901B (zh) 2019-06-04 2019-06-04 一种电力通信网的故障定位方法、装置及设备

Country Status (1)

Country Link
CN (1) CN110048901B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110391947A (zh) * 2019-08-21 2019-10-29 广东电网有限责任公司 一种多控制器协作的电力通信网设备故障诊断方法
CN111404603A (zh) * 2020-06-03 2020-07-10 广东电网有限责任公司佛山供电局 一种基于最大匹配度的通信网故障快速定位方法
CN112653580A (zh) * 2020-12-16 2021-04-13 国网河南省电力公司信息通信公司 网络切片下基于主动探测的虚拟网资源分配方法
CN113315663A (zh) * 2021-05-28 2021-08-27 广东电网有限责任公司 一种基于业务特征的载波网络故障诊断方法及系统
CN114004528A (zh) * 2021-11-09 2022-02-01 北京国网信通埃森哲信息技术有限公司 一种基于ai分析的变电设备状态预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2626993A1 (en) * 2005-10-25 2007-05-03 The Trustees Of Columbia University In The City Of New York Methods, media and systems for detecting anomalous program executions
CN101394314A (zh) * 2008-10-20 2009-03-25 北京邮电大学 一种Web应用系统的故障定位方法
BRPI0703844A2 (pt) * 2007-09-06 2009-05-05 Fundacao Cpqd Ct De Pesquisa E método de monitoração, localização e gerenciamento de falhas e degradações em sistemas wdm
CN103501257A (zh) * 2013-10-11 2014-01-08 北京邮电大学 一种ip网络故障探针的选择方法
CN106100925A (zh) * 2016-08-22 2016-11-09 西安电子科技大学 一种基于延时的链路故障诊断方法
CN106130780A (zh) * 2016-07-18 2016-11-16 安徽农业大学 一种基于静态贝叶斯模型的ip网络故障定位方法
CN106452877A (zh) * 2016-10-19 2017-02-22 国网江苏省电力公司南京供电公司 电力信息网故障定位方法
CN106452930A (zh) * 2016-12-16 2017-02-22 北京邮电大学 一种基于探测的服务功能链的故障诊断方法及系统
CN206773127U (zh) * 2017-05-17 2017-12-19 国网山东省电力公司莱芜供电公司 一种与站内设备配合的配电网接地故障定位系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2626993A1 (en) * 2005-10-25 2007-05-03 The Trustees Of Columbia University In The City Of New York Methods, media and systems for detecting anomalous program executions
BRPI0703844A2 (pt) * 2007-09-06 2009-05-05 Fundacao Cpqd Ct De Pesquisa E método de monitoração, localização e gerenciamento de falhas e degradações em sistemas wdm
CN101394314A (zh) * 2008-10-20 2009-03-25 北京邮电大学 一种Web应用系统的故障定位方法
CN103501257A (zh) * 2013-10-11 2014-01-08 北京邮电大学 一种ip网络故障探针的选择方法
CN106130780A (zh) * 2016-07-18 2016-11-16 安徽农业大学 一种基于静态贝叶斯模型的ip网络故障定位方法
CN106100925A (zh) * 2016-08-22 2016-11-09 西安电子科技大学 一种基于延时的链路故障诊断方法
CN106452877A (zh) * 2016-10-19 2017-02-22 国网江苏省电力公司南京供电公司 电力信息网故障定位方法
CN106452930A (zh) * 2016-12-16 2017-02-22 北京邮电大学 一种基于探测的服务功能链的故障诊断方法及系统
CN206773127U (zh) * 2017-05-17 2017-12-19 国网山东省电力公司莱芜供电公司 一种与站内设备配合的配电网接地故障定位系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110391947A (zh) * 2019-08-21 2019-10-29 广东电网有限责任公司 一种多控制器协作的电力通信网设备故障诊断方法
CN111404603A (zh) * 2020-06-03 2020-07-10 广东电网有限责任公司佛山供电局 一种基于最大匹配度的通信网故障快速定位方法
CN111404603B (zh) * 2020-06-03 2020-11-27 广东电网有限责任公司佛山供电局 一种基于最大匹配度的通信网故障快速定位方法
CN112653580A (zh) * 2020-12-16 2021-04-13 国网河南省电力公司信息通信公司 网络切片下基于主动探测的虚拟网资源分配方法
CN113315663A (zh) * 2021-05-28 2021-08-27 广东电网有限责任公司 一种基于业务特征的载波网络故障诊断方法及系统
CN113315663B (zh) * 2021-05-28 2022-05-10 广东电网有限责任公司 一种基于业务特征的载波网络故障诊断方法及系统
CN114004528A (zh) * 2021-11-09 2022-02-01 北京国网信通埃森哲信息技术有限公司 一种基于ai分析的变电设备状态预测方法

Also Published As

Publication number Publication date
CN110048901B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN110048901B (zh) 一种电力通信网的故障定位方法、装置及设备
JP7545451B2 (ja) 電力網アセットの状態分類を行うための方法および装置
JP5910727B2 (ja) 運用管理装置、運用管理方法、及び、プログラム
US7529974B2 (en) Grouping failures to infer common causes
CN107124289B (zh) 网络日志时间对齐方法、装置及主机
CN109032872B (zh) 基于贝叶斯网络的设备故障诊断方法及系统
CN110380903B (zh) 一种电力通信网故障探测方法、装置及设备
CN103763132B (zh) 基于症状与故障相关性的网络虚拟化环境故障诊断方法
CN104471902A (zh) 确定性网络故障检测
Weng et al. Data-driven topology estimation
CN108957315A (zh) 风力发电机组的故障诊断方法和设备
KR20190132223A (ko) 네트워크 장애 원인 분석 장치 및 방법
CN114257493A (zh) 网络节点的故障预警方法、装置、介质及电子设备
Tati et al. Adaptive algorithms for diagnosing large-scale failures in computer networks
CN110108981A (zh) 一种有源配电网中线路的故障诊断方法和系统
CN109889258B (zh) 一种光网络故障校验方法和设备
EP1545054A1 (en) System and method for selecting measurements of a communication network
CN109067598A (zh) 一种基于图中心度的云计算系统物理设备故障检测方法
Xu et al. Enhancing anomaly detection with adaptive node inspection in large-scale networks with binary sensors
Takai et al. Verification of generalized inference diagnosability for decentralized diagnosis in discrete event systems
CN111240881A (zh) 基于贝叶斯网络的Web服务组合异常诊断方法
WO2023157280A1 (ja) 探索装置、探索方法、及び、探索プログラム
JP7296860B2 (ja) 監視制御装置およびこれを用いた広域監視制御システム
CN114143172B (zh) 虚拟网服务故障诊断方法、设备、介质和程序产品
Yu et al. HRCA: A Heterogeneous Graph-based Adaptive Root Cause Analysis Framework

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