CN110336606B - 一种基于参数估计与业务识别的电力光网络故障诊断方法 - Google Patents

一种基于参数估计与业务识别的电力光网络故障诊断方法 Download PDF

Info

Publication number
CN110336606B
CN110336606B CN201811585880.8A CN201811585880A CN110336606B CN 110336606 B CN110336606 B CN 110336606B CN 201811585880 A CN201811585880 A CN 201811585880A CN 110336606 B CN110336606 B CN 110336606B
Authority
CN
China
Prior art keywords
link
optical network
power
power optical
parameters
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
Application number
CN201811585880.8A
Other languages
English (en)
Other versions
CN110336606A (zh
Inventor
马跃
张少军
纪雨彤
彭柏
金燊
杨斌
杨琦
申昉
张东辉
张家乐
韦荣桃
刘俊杰
卢文冰
张艳玲
王进帅
涂昕
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.)
State Grid Corp of China SGCC
North China Electric Power University
Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power University
Information and Telecommunication Branch of State Grid Jibei Electric Power 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 State Grid Corp of China SGCC, North China Electric Power University, Information and Telecommunication Branch of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811585880.8A priority Critical patent/CN110336606B/zh
Publication of CN110336606A publication Critical patent/CN110336606A/zh
Application granted granted Critical
Publication of CN110336606B publication Critical patent/CN110336606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0791—Fault location on the transmission path
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795—Performance monitoring; Measurement of transmission parameters
    • H04B10/07953—Monitoring or measuring OSNR, BER or Q

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开的基于参数估计与业务识别的电力光网络故障诊断模型包括以下步骤：步骤1：进行电力光网络链路节点的监测，将故障引发因子转化为光信噪比值；步骤2：电力业务端口识别，在电力光网络中进行端口识别以实现电力业务的感知并进行配电业务的区分；步骤3：电力光网络链路参数估计，通过链式加权计算，将链路节点的信噪比值乘以对应权值参数后累加并传至计算节点，以进行链路权值参数最小二乘估计；步骤4：链路与业务参数的判定，根据步骤3中电力光网络链路参数估计与电力业务参数动态融合，对电力光网络中的不同业务对应的链路参数进行加权，根据融合参数对电力光网络运行状态进行判别识别网络故障。

Description

一种基于参数估计与业务识别的电力光网络故障诊断方法
技术领域
本发明涉及电力通信技术领域，特别是涉及基于参数估计与业务识别的电力光网络故障诊断方法。
背景技术
光通信传输网是电力系统通信专网的骨干网络，承载了智能电网各个环节十分重要的业务，其安全可靠性始终确保是电网安全运行的首要条件。目前，随着智能电网规模日益庞大，电力业务日益深化，为了充分利用电网中有限的光网络资源，为电网业务提供更优质的服务，频谱分配、电力光网络等技术得到了快速发展。而随着电力光网络的复杂性与日俱增，其网络故障对智能电网所造成的安全风险已成为亟待解决的问题。
在光网络故障监测方面，国内外众多研究单位针对光网络故障监测进行了大量研究，有研究采用单节点分布式故障定位方法来减少定位所需时间和拓展适用范围；也有人采用基于二进制树的方法来达到多故障定位的目的；还有研究提出一种基于光通路状态感知的分簇式故障定位体系；此外也有提出了在多域全光网络方面进行应用的多链路故障定位方式的。上述研究成果和方法，主要针对公共通信网络故障进行研究。
因此需要建立基于参数估计与业务识别的电力光网络故障诊断方法以保障电力设备的正常工作，提高智能电网安全性和可靠性。
发明内容
本发明公开的基于参数估计与业务识别的电力光网络故障诊断方法，所述电力光网络故障诊断方法包括以下步骤：
步骤1：进行电力光网络链路节点的监测，以链路节点监测到的光信噪比值作为所述电力光网络故障诊断方法的主要衡量因子，将故障引发因子转化为光信噪比值；
步骤2：电力业务端口识别，在电力光网络中进行端口识别以实现电力业务的感知并进行配电业务的区分；
步骤3：电力光网络链路参数估计，通过链式加权计算，将链路节点的信噪比值乘以对应权值参数后累加并传至计算节点，以进行链路权值参数最小二乘估计；
步骤4：链路与业务参数的判定，根据步骤3中电力光网络链路参数估计与电力业务参数动态融合，对电力光网络中的不同业务对应的链路参数进行加权，根据融合参数对电力光网络运行状态进行判别以识别网络故障。
优选地,所述步骤1中的故障引发因子包括：放大的自发辐射噪声，非理想光器件间的串扰以及四波混频。
优选地,所述步骤2的电力业务端口识别将每一个配电网业务包中的端口号与己有的端口库进行比较，以实现电力业务和不同业务参数βi的识别。
优选地，所述步骤3的链式加权计算公式为：
y＝θ1x1+θ2x2+…+θixi+…+θnxn+e (1)
式中y为系统输出；x为电力光网络链路节点监测的光信噪比值，作为系统输入；θi为电力光网络链路权值参数；e为网络噪声。
优选地,所述步骤3进行链路权值参数最小二乘估计包括以下步骤：
对同一条电力光网络链路进行K次观测，则输入序列、输出序列和残差序列为公式(2)：
Figure GDA0002662748060000021
式中y(i),x(i),e(i)为第i次观测时的y,x,e，根据公式(2)的输入序列、输出序列和残差序列可知公式(3)：
Y(K)＝X(K)θ+ε (3)
由此得链路权值参数最小二乘估计公式(4)：
Figure GDA0002662748060000022
为便于计算机在线处理，令
Figure GDA0002662748060000031
并且引入遗忘因子，递推算公式(5)为：
Figure GDA0002662748060000032
式中α为遗忘因子，它使估计能适应时变参数；对于H(K+1)和P(K+1)的定义，其存在仅仅是为了方便计算机的在线迭代处理，H(K+1)为状态关系矩阵，表示P(K)与x(K)之间的关系，P(K+1)只是在运算过程中增加了状态变量的个数，为状态关系矩阵的维度增加。
优选地，所述步骤4对电力光网络中的不同业务对应的链路参数进行加权，如公式(6)：
Figure GDA0002662748060000033
式中βi为光链路估计参数
本发明基于电力光网络的故障监测方法与光纤链路故障建模思想，公开了一种基于参数估计与端口识别的电力光网络故障诊断方法，以光信噪比(OSNR)作为衡量因子，通过最小二乘参数估计算法对光信噪比链路参数进行估计，并结合基于端口识别的业务识别方法，将得出的光链路参数和业务识别参数进行融合以作为故障的判决依据。电力光网络的故障诊断探索能够保障电力设备的正常工作，研究电力光网络的故障方法，对提高智能电网安全性和可靠性，具有十分重要的指导意义。
附图说明
图1是电力光网络的网络故障方法示意图。
图2是基于参数估计与业务识别的电力光网络故障诊断方法示意图。
图3是电力光网络故障诊断流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在对电力光网络的故障进行研究的过程中，主要考虑光纤链路发生故障的情况。作为光网络故障研究的重点，光纤链路故障能够根据故障发生的范围划分成单链路故障和多链路故障两种类型。单链路故障指的是在一个故障修复周期内，网络中最多只有一条光纤链路发生故障，因此为业务配置的工作路径与保护路径不会同时发生故障。如图1(a)，如果工作链路1-5故障，则网络中其它全部链路此时都不会发生故障，保护路径1-2-5不会出现故障，这样就能够实现100％的单链路故障保护。同时，随着网络规模的不断扩大化、复杂化，光网络出现多链路故障问题越来越严重，成为了一个不可忽视的问题。多链路故障意味着在一个故障修复周期内，网络中的多个链路可能会发生故障。如图1(b)，如果工作链路5-4出现故障，其它链路仍然有可能会出现故障，如保护链路2-4也可能会出现故障，此时只能实现概率保护。
在单链路故障场景中，一般要求实现100％的可靠性，因此网络采用100％保护方案，一旦网络为某个业务提供服务，它必须确保其服务的100％可靠性。在多链路故障场景中，100％保护需要消耗大量的频谱资源和物理器件，代价高昂，因此一般只要求网络提供概率保护。根据不同的网络故障场景和可靠性要求，电力光网络的故障诊断问题又分为单链路故障100％诊断问题和多链路故障概率诊断问题。
本发明所提出的参数估计与业务识别的电力光网络故障诊断方法如图2所示。端口识别技术实现简单，仅仅需要将端口号从每一个业务包中提出，与己有的端口库进行比较，就能实现对不同电力业务的精准识别。端口识别技术的计算开销小，处理时延小。而基于参数估计的故障诊断技术因其具备高效的、快速的故障恢复速度，无论是单链路故障，还是多链路故障，基于参数估计的故障诊断技术都能很好地提高网络的可靠性，满足用户的QoS。因此，对于网络故障场景的差异性，本发明采用电力业务端口识别与参数估计相结合的方法进行电力光网络故障诊断，通过将端口识别的电力业务参数与电力光网络链路参数相融合，对电力光网络的链路级到网络级的参数估计，进行电力光网络故障诊断，具有良好的有效性和准确性，进一步提高了电力光网络的可靠性，能够为坚强智能电网的正常稳定运行提供必要保证。
由于光纤链路上承载着巨大的数据流量，电力光网络故障的发生会造成巨大的安全隐患，因此亟待建立电力光网络的故障诊断方法。本发明的核心思想是将业务端口识别方法与参数估计方法相结合应用于电力光网络的故障诊断，基于端口的业务识别方法可以准确地对电力业务进行感知，而参数估计方法是目前实际工程中应用得最为广泛的故障诊断方法，将两者相互结合运用于电力光网络的故障诊断中可提高故障识别的有效性和准确性。
基于参数估计与业务识别的电力光网络故障诊断方法的故障诊断流程包括以下步骤：
步骤1：进行电力光网络链路节点的监测
以下几种电力光网络中的故障引发因子作为对象参数:放大的自发辐射(ASE)噪声，非理想光器件间的串扰以及四波混频，建立基于电力光网络的多参数故障方法。并通过光信噪比(OSNR)表明光信号的衰减程度。
ASE噪声是影响OSNR性能的主要因素之一，主要在每次信号放大阶段产生。当链路中串联了多个放大器会引起OSNR逐段降级，当OSNR降低到一定程度是，系统接收端误码率过高就会引起链路故障；电力光网络中的非理想光器件(包括光开关、复用、解复用器等)的使用会造成信号间的串扰，使信号能量衰减进而影响OSNR值；在信道间隔小时，四波混频效应会使新信号与旧信号重叠造成信号干扰，同时由于产生了无用新信号，会使原有光波能量受损进而影响OSNR。
因此为了简化方法以链路节点监测到的光信噪比值作为所述电力光网络故障诊断方法的主要衡量因子，将故障引发因子转化为光信噪比值，用x(i)表示；
步骤2：电力业务端口识别
当前智能配用电终端接入层大多采用透明传输的网络信息交换方式，无法直接了解过程层网络的连接状况，而且用于监视及调控配电网运行指标的各个终端设备的接入接口不一样，因此本发明在电力光网络中应用端口识别技术来实现电力业务的感知，以进行配电业务的区分。
通过端口识别技术只需将每一个配电网业务包中的端口号与己有的端口库进行比较，就能实现对业务的识别，因此端口识别技术的计算开销小，处理时延小，且具有简单易行成本低的优势。根据端口号的识别结果即可得到不同电力业务对应的不同业务参数βi；
步骤3：电力光网络链路参数估计
采用最小二乘法作为电力光网络链路参数的估计算法。最小二乘法简单容易实现，尤其适用于采样数据较多的参数计算，能有效准确地求解输入权值。
由于OSNR会随距离变化而变化，因此在测量过程中不仅要监测发送器端和接收器端，还要在网络的不同位置监测OSNR，而不仅仅是在发送器端和接收器端监测。所以我们就要测量每个节点的OSNR以判断这条链路是否出现故障。但是如果想要获取数量繁多的节点处的信噪比，就需要建立到每个节点的通信线路，同时要在每个节点上增加处理单元，这样会极大地增大成本。
因此对电力光网络线性系统采用一种链式加权的方式，将节点的信噪比乘对应权值参数之后传到下一个节点，以此方法对路径上的所有节点相加后传到计算节点。此时我们就得到了一条链路一个时刻的加权和公式(1)为：
y＝θ1x1+θ2x2+…+θixi+…+θnxn+e (1)
式中y为系统输出；x为电力光网络链路节点监测的光信噪比值，作为系统输入；θi为电力光网络链路权值参数；e为网络噪声；
对同一条电力光网络链路进行K次观测，则输入序列、输出序列和残差序列为公式(2)：
Figure GDA0002662748060000071
式中y(i),x(i),e(i)为第i次观测时的y,x,e，根据公式(2)的输入序列、输出序列和残差序列可知公式(3)：
Y(K)＝X(K)θ+ε (3)
由此得链路权值参数最小二乘估计公式(4)：
Figure GDA0002662748060000072
为便于计算机在线处理，令
Figure GDA0002662748060000073
并且引入遗忘因子，递推算公式(5)为：
Figure GDA0002662748060000074
式中α为遗忘因子，它使估计能适应时变参数；对于H(K+1)和P(K+1)的定义，其存在仅仅是为了方便计算机的在线迭代处理，H(K+1)为状态关系矩阵，表示P(K)与x(K)之间的关系，P(K+1)只是在运算过程中增加了状态变量的个数，为状态关系矩阵的维度增加。
步骤4：链路与业务参数的判定
基于以上步骤，本发明在电力光网络方法中通过光链路估计参数与电力业务参数动态融合，对电力光网络中的不同业务对应的链路参数进行加权，如公式(6)所示：
Figure GDA0002662748060000075
根据得出的融合参数对电力光网络运行状态进行判别，准确识别网络故障，整体判决流程如图3所示。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于参数估计与业务识别的电力光网络故障诊断方法，其特征在于，所述电力光网络故障诊断方法包括以下步骤：
步骤1：进行电力光网络链路节点的监测，以链路节点监测到的光信噪比值作为所述电力光网络故障诊断方法的主要衡量因子，将故障引发因子转化为光信噪比值；
步骤2：电力业务端口识别，在电力光网络中进行端口识别以实现电力业务的感知并进行配电业务的区分；
步骤3：电力光网络链路参数估计，通过链式加权计算，将链路节点的信噪比值乘以对应权值参数后累加并传至计算节点，以进行链路权值参数最小二乘估计；
步骤4：链路与业务参数的判定，根据步骤3中电力光网络链路参数估计与电力业务参数动态融合，对电力光网络中的不同业务对应的链路参数进行加权，根据融合参数对电力光网络运行状态进行判别以识别网络故障。
2.根据权利要求1所述的基于参数估计与业务识别的电力光网络故障诊断方法，其特征在于：所述步骤1中的故障引发因子包括：放大的自发辐射噪声，非理想光器件间的串扰以及四波混频。
3.根据权利要求1所述的基于参数估计与业务识别的电力光网络故障诊断方法，其特征在于：所述步骤2的电力业务端口识别将每一个配电网业务包中的端口号与己有的端口库进行比较，以实现电力业务和不同业务参数βi的识别。
4.根据权利要求1所述的基于参数估计与业务识别的电力光网络故障诊断方法，其特征在于：所述步骤3的链式加权计算公式(1)为：
y＝θ1x1+θ2x2+…+θixi+…+θnxn+e (1)
式中y为系统输出；x为电力光网络链路节点监测的光信噪比值，作为系统输入；θi为电力光网络链路权值参数；e为网络噪声。
5.根据权利要求1所述的基于参数估计与业务识别的电力光网络故障诊断方法，其特征在于：所述步骤3进行链路权值参数最小二乘估计包括以下步骤：
对同一条电力光网络链路进行K次观测，则输入序列、输出序列和残差序列为公式(2)：
Figure FDA0002662748050000021
式中y(i),x(i),e(i)为第i次观测时的y,x,e，根据公式(2)的输入序列、输出序列和残差序列可知公式(3)：
Y(K)＝X(K)θ+ε (3)
由此得链路权值参数最小二乘估计公式(4)：
Figure FDA0002662748050000022
为便于计算机在线处理，令
Figure FDA0002662748050000023
并且引入遗忘因子，递推算公式(5)为：
Figure FDA0002662748050000024
式中α为遗忘因子，它使估计能适应时变参数；对于H(K+1)和P(K+1)的定义，其存在仅仅是为了方便计算机的在线迭代处理，H(K+1)为状态关系矩阵，表示P(K)与x(K)之间的关系，P(K+1)只是在运算过程中增加了状态变量的个数，为状态关系矩阵的维度增加。
6.根据权利要求5所述的基于参数估计与业务识别的电力光网络故障诊断方法，其特征在于：所述步骤4对电力光网络中的不同业务对应的链路参数进行加权，如公式(6)：
Figure FDA0002662748050000031
式中βi为光链路估计参数。
CN201811585880.8A 2018-12-24 2018-12-24 一种基于参数估计与业务识别的电力光网络故障诊断方法 Active CN110336606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811585880.8A CN110336606B (zh) 2018-12-24 2018-12-24 一种基于参数估计与业务识别的电力光网络故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811585880.8A CN110336606B (zh) 2018-12-24 2018-12-24 一种基于参数估计与业务识别的电力光网络故障诊断方法

Publications (2)

Publication Number Publication Date
CN110336606A CN110336606A (zh) 2019-10-15
CN110336606B true CN110336606B (zh) 2021-02-02

Family

ID=68138868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811585880.8A Active CN110336606B (zh) 2018-12-24 2018-12-24 一种基于参数估计与业务识别的电力光网络故障诊断方法

Country Status (1)

Country Link
CN (1) CN110336606B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117279013B (zh) * 2023-11-17 2024-02-02 芯迈微半导体(上海)有限公司 一种端口识别方法和端口识别装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102449957A (zh) * 2011-07-25 2012-05-09 华为技术有限公司 Ip网络故障定位方法、装置及系统
CN102571454A (zh) * 2012-02-21 2012-07-11 北京航空航天大学 基于故障分布的通信网络服务可靠性试验与指标验证方法
CN103597848A (zh) * 2011-06-07 2014-02-19 阿尔卡特朗讯 用于光网络通信系统的故障检测器

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475440A (zh) * 2013-09-06 2013-12-25 南京邮电大学 一种支持区分业务的损伤感知路由与波长分配方法
JP6273806B2 (ja) * 2013-12-03 2018-02-07 富士通株式会社 光信号対雑音比モニタのための校正係数を生成する装置および方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103597848A (zh) * 2011-06-07 2014-02-19 阿尔卡特朗讯 用于光网络通信系统的故障检测器
CN102449957A (zh) * 2011-07-25 2012-05-09 华为技术有限公司 Ip网络故障定位方法、装置及系统
CN102571454A (zh) * 2012-02-21 2012-07-11 北京航空航天大学 基于故障分布的通信网络服务可靠性试验与指标验证方法

Also Published As

Publication number Publication date
CN110336606A (zh) 2019-10-15

Similar Documents

Publication Publication Date Title
Liu et al. Application of neural network in fault location of optical transport network
Teixeira et al. Optimal power flow: Closing the loop over corrupted data
CN111970050B (zh) 一种基于异常检测的联合监测调制格式和光信噪比的系统
CN110443037B (zh) 一种基于改进ahp方法的电力监控网络安全态势感知方法
CN112637006A (zh) 一种电力通信网关键节点及影响域分析方法
CN114866137B (zh) 电力光缆网的检测方法及装置
CN115049270B (zh) 考虑变电站网络攻击成功概率的电力系统风险评估方法
CN110336606B (zh) 一种基于参数估计与业务识别的电力光网络故障诊断方法
CN105791031A (zh) 一种数据采集和发送的方法
CN112752172B (zh) 一种基于迁移学习的光通道故障诊断方法和系统
CN102148642A (zh) 光纤通信网可靠性评估方法
CN108322334B (zh) 一种电力通讯系统可靠性评估方法
CN104319887A (zh) 一种智能变电站光纤断链异常判定方法
Liu et al. Node Importance Evaluation of Cyber-Physical System under Cyber-Attacks Spreading
CN113438116B (zh) 一种电力通讯数据管理系统及方法
CN110855522A (zh) 一种基于层次分析法的电能表通信质量检测方法
CN114070407B (zh) 一种可同时实现光纤链路损伤补偿与异常损耗监测的方法
CN107196699B (zh) 一种诊断多层分级无源光纤网络故障的方法和系统
TWI731636B (zh) 寬頻迴路電纜品質監測系統與方法
CN107682075A (zh) 一种基于链路故障的同步数字体系sdh业务风险分析方法
CN103258114A (zh) 一种基于多中心性测度的最小断点集脆弱性分析方法
CN113011047A (zh) 一种基于220kV及以下智能变电站二次系统的可靠性分析方法
Biyou et al. Power Elastic Optical Network Fault Model Based on Parameter Estimatio
CN105227388B (zh) 承载层链路监控的方法和系统
GB2374758A (en) Network performance monitoring system

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Wei Rongtao

Inventor after: Yang Qi

Inventor after: Peng Bai

Inventor after: Jin Shen

Inventor after: Ji Yutong

Inventor after: Liu Junjie

Inventor after: Lu Wenbing

Inventor after: Zhang Yanling

Inventor after: Wang Jinshuai

Inventor after: Ma Yue

Inventor after: Tu Xin

Inventor after: Zhang Shaojun

Inventor after: Yang Bin

Inventor before: Wei Rongtao

Inventor before: Yang Qi

Inventor before: Peng Bai

Inventor before: Jin Shen

Inventor before: Ji Yutong

Inventor before: Liu Junjie

Inventor before: Lu Wenbing

Inventor before: Zhang Yanling

Inventor before: Wang Jinshuai

Inventor before: Ma Yue

Inventor before: Tu Xin

Inventor before: Zhang Shaojun

Inventor before: Yang Bin

CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Ma Yue

Inventor after: Zhang Jiale

Inventor after: Wei Rongtao

Inventor after: Liu Junjie

Inventor after: Lu Wenbing

Inventor after: Zhang Yanling

Inventor after: Wang Jinshuai

Inventor after: Tu Xin

Inventor after: Zhang Shaojun

Inventor after: Ji Yutong

Inventor after: Peng Bai

Inventor after: Jin Shen

Inventor after: Yang Bin

Inventor after: Yang Qi

Inventor after: Shen Fang

Inventor after: Zhang Donghui

Inventor before: Wei Rongtao

Inventor before: Yang Qi

Inventor before: Peng Bai

Inventor before: Jin Shen

Inventor before: Ji Yutong

Inventor before: Liu Junjie

Inventor before: Lu Wenbing

Inventor before: Zhang Yanling

Inventor before: Wang Jinshuai

Inventor before: Ma Yue

Inventor before: Tu Xin

Inventor before: Zhang Shaojun

Inventor before: Yang Bin

GR01 Patent grant
GR01 Patent grant