CN113676343B - 电力通信网故障源定位方法及装置 - Google Patents

电力通信网故障源定位方法及装置 Download PDF

Info

Publication number
CN113676343B
CN113676343B CN202110772567.0A CN202110772567A CN113676343B CN 113676343 B CN113676343 B CN 113676343B CN 202110772567 A CN202110772567 A CN 202110772567A CN 113676343 B CN113676343 B CN 113676343B
Authority
CN
China
Prior art keywords
target
target device
communication network
fault
power communication
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
CN202110772567.0A
Other languages
English (en)
Other versions
CN113676343A (zh
Inventor
谢俊毅
杨志敏
洪丹轲
吴桂龙
贺云
冯晓芳
陈一童
黄强
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern 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 China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202110772567.0A priority Critical patent/CN113676343B/zh
Publication of CN113676343A publication Critical patent/CN113676343A/zh
Application granted granted Critical
Publication of CN113676343B publication Critical patent/CN113676343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L41/0677—Localisation of faults
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Abstract

本发明提供一种电力通信网故障源定位方法及装置，其方法包括：基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征；将各目标节点的单点特征以及各目标设备对的组合特征输入故障识别模型，输出各目标设备是否存在隐性故障的判断结果；根据判断结果，将存在隐性故障的各目标设备确定为故障源。本发明提供的电力通信网故障源定位方法及装置，能对瞬时、分散、无明显规律和特征的隐性故障的故障源进行更准确、更快速的定位，确定隐性故障源的位置的方法更简单、效率更高，能简化电力通信网运维工作的工作流程，能提升运维工作的工作质量和工作效率。

Description

电力通信网故障源定位方法及装置
技术领域
本发明涉及电力通信技术领域，尤其涉及一种电力通信网故障源定位方法及装置。
背景技术
电力通信网在电力系统中起到至关重要的作用。目前，电力通信网已建成了以光纤通信为主，微波、载波为辅，卫星通信作为应急备用，多种传输技术并存的实体网络。
电力通信网中出现故障时，对故障源进行快速和准确的定位是实现电力通信网高效检修和快速恢复的关键。电力通信网故障可以分为：具有明显特征的故障和没有明显特征的故障。通过分析告警信息或检修排查，可以快速和准确的确定具有明显特征的故障源的位置。
没有明显特征的故障通常具有故障持续时间较短、故障源分布较分散、出现大量短时误码或电力通信网的健裕度下降等特点，因此，可以将没有明显特征的故障称为隐性故障。电力通信网中出现隐性故障时，通常情况下告警系统无法准确的获知隐性故障源的位置。因此难以通过分析告警信息实现对隐性故障源的精准定位。虽然通过检修排查的方式可以确定隐性故障源的位置，但是需要耗费大量的人工成本和时间成本，确定隐性故障源的位置的效率较低。
发明内容
本发明提供一种电力通信网故障源定位方法及装置，用以解决现有技术中确定隐性故障源的位置的效率较低的缺陷，实现更高效的确定隐性故障源的位置。
本发明提供一种电力通信网故障源定位方法，包括：
基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征；
将各所述目标节点的单点特征以及各所述目标设备对的组合特征输入故障识别模型，输出各所述目标设备是否存在隐性故障的判断结果；
根据所述判断结果，将存在所述隐性故障的各目标设备确定为故障源；
其中，所述目标设备为所述目标电力通信网中的设备；所述目标设备对包括存在连接关系的两个所述目标设备；所述故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；所述样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征。
根据本发明提供的一种电力通信网故障源定位方法，其特征在于，所述基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征，具体包括：
基于所述第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各所述目标设备的单点特征；
基于各所述目标设备的单点特征，获取各所述目标设备对的组合特征。
根据本发明提供的一种电力通信网故障源定位方法，其特征在于，所述目标设备的单点特征，包括：告警时间特征、设备类型特征、告警类型特征，以及告警数量特征、设备性能特征、设备生产商特征、设备承载业务类型特征、设备历史故障次数特征、设备无故障天数特征和设备投运时间特征中的任意若干个；
其中，所述告警时间特征，是根据第二目标时段和所述目标设备最近一次发生告警的时刻确定的。
根据本发明提供的一种电力通信网故障源定位方法，其特征在于，所述基于各所述目标设备的单点特征，获取各所述目标设备对的组合特征，具体包括：
基于各所述目标设备的单点特征，获取各所述目标设备对的告警关联特征；
基于各所述目标设备对的告警关联特征和各所述目标设备的单点特征，获取各所述目标设备对的设备关联特征；
对于每一目标设备对，基于所述目标设备对中两个目标设备的单点特征、所述目标设备对的告警关联特征和设备关联特征，获得所述目标设备对的组合特征；
其中，所述目标设备对的告警关联特征，用于描述所述目标设备对中两个目标设备发生告警的时刻之间的关系；所述目标设备对的设备关联特征，用于描述所述两个目标设备的类型与所述两个目标设备发生告警的时刻之间的关系。
根据本发明提供的一种电力通信网故障源定位方法，其特征在于，所述基于各所述目标设备的单点特征，获取各所述目标设备对的告警关联特征，具体包括：
对于每一目标设备对，基于所述目标设备对中两个目标设备的告警时间特征，获取所述目标设备对的告警关联特征。
根据本发明提供的一种电力通信网故障源定位方法，其特征在于，所述故障识别模型，为图网络模型。
根据本发明提供的一种电力通信网故障源定位方法，其特征在于，所述基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征之前，还包括：
基于第一目标时段目标电力通信网中的告警信息，将所述目标电力通信网中的部分设备作为各所述目标设备。
本发明还提供一种电力通信网故障源定位装置，包括：
特征获取模块，用于基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征；
故障判断模块，用于将各所述目标节点的单点特征以及各所述目标设备对的组合特征输入故障识别模型，输出各所述目标设备是否存在隐性故障的判断结果；
故障定位模块，用于根据所述判断结果，将存在所述隐性故障的各目标设备确定为故障源；
其中，所述目标设备为所述目标电力通信网中的设备；所述目标设备对包括存在连接关系的两个所述目标设备；所述故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；所述样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述电力通信网故障源定位方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述电力通信网故障源定位方法的步骤。
本发明提供的电力通信网故障源定位方法及装置，通过将各目标设备的单点特征和各目标设备对的组合特征输入训练好的故障识别模型，获取各目标设备是否存在隐性故障的判断结果，将存在隐性故障的各目标设备确定为故障源，能对瞬时、分散、无明显规律和特征的隐性故障的故障源进行更准确、更快速的定位，确定隐性故障源的位置的方法更简单、效率更高，能简化电力通信网运维工作的工作流程，从而降低运维人员的工作强度，能提升运维工作的工作质量和工作效率，能提升电力通信网运维的智能化水平。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的电力通信网故障源定位方法的流程示意图之一；
图2是本发明提供的电力通信网故障源定位方法的流程示意图之二；
图3是本发明提供的电力通信网故障源定位方法的定位结果对比图；
图4是本发明提供的电力通信网故障源定位装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，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。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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明提供的电力通信网故障源定位方法的流程示意图之一。下面结合图1描述本发明的电力通信网故障源定位方法。如图1所示，该方法包括：包括：步骤101、基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征。
其中，目标设备为目标电力通信网中的设备；目标设备对包括存在连接关系的两个目标设备。
本发明实例提供的电力通信网故障源定位方法可以对目标电力通信网中隐性故障的故障源进行定位。
目标电力通信网中可以包括多个设备，例如：配线架、线缆或交换机等。
通过目标电力通信网内部的监控模块或外设的监控系统可以对目标电力通信网的运行进行实时监控。若监控系统发现目标电力通信网中出现运行异常，则表示目标电力通信网中出现故障，监控模块或监控系统可以发出告警信息。
可以通过多种方式实时获取目标电力通信网中的告警信息，例如：实时监听监控模块或监控系统发出的告警信息。
第一目标时段内实时获取到的目标电力通信网中的告警信息，为第一目标时段目标电力通信网中的告警信息。
需要说明的是，目标电力通信网中的告警信息，可以包括：目标电力通信网运行异常的异常信息、出现的故障的相关信息、以及故障源的初步定位等。
故障的相关信息，可以包括：故障类型、发现故障的时间以及发出告警的时刻等。
需要说明的是，第一目标时段可以根据实际情况确定，例如：可以将第一目标时段确定为1分钟至5分钟。第一目标时段的具体取值在本发明实施例中不作具体限定。
目标设备为目标电力通信网中的设备，各目标设备可以为目标电力通信网中的所有设备或部分设备。
基于目标电力通信网的拓扑结构图可以确定任意两个目标设备之间是否存在连接关系。将任意两个存在连接关系的目标设备作为一个目标设备对。
需要说明的是，上述连接关系，可以指通过端口或线缆等方式进行连接，还可以指电连接或通信连接。
目标电力通信网的运维数据，可以包括：目标电力通信网中的各设备的设备信息以及目标电力通信网中各设备的检修记录等。
设备信息，可以包括：设备的生产商信息、设备的类型、设备投运时间和设备承载的业务类型信息等。
设备的检修记录，可以包括：设备在某一历史时段内出现故障的次数和时间以及设备在上述历史时段内出现的各故障的相关信息。
若基于第一目标时段目标电力通信网的告警信息确定发出的告警不由检修引起且目标电力通信中的故障为不具有明显特征的故障，则基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，通过数理统计、特征编码和数值运算等方式可以获取各目标设备的单点特征和各目标设备对的组合特征。
需要说明的是，目标设备的单点特征可以用于描述目标设备自身的设备特征以及告警特征。目标设备对的组合特征可以用于描述组成目标设备对的两个目标设备之间的相关性。
由于任一目标设备对中的两个目标设备存在连接关系，各目标设备的单点特征和各目标设备对的组合特征，可以用于判断各目标设备是否存在隐性故障。
步骤102、将各目标节点的单点特征以及各目标设备对的组合特征输入故障识别模型，输出各目标设备是否存在隐性故障的判断结果。
其中，故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征。
获取各目标设备的单点特征和各目标设备对的组合特征之后，可以将各目标设备的单点特征和各目标设备对的组合特征输入训练好的故障识别模型。
故障识别模型可以基于各目标设备的单点特征和各目标设备对的组合特征，判断各目标设备是否存在隐性故障，并输出各目标设备是否存在隐性故障的判断结果。
需要说明的是，将各目标设备的单点特征和各目标设备对的组合特征输入训练好的故障识别模型之前，还可以基于样本故障数据和样本故障数据对应的标签对故障识别模型进行训练。
样本故障数据可以根据目标电力通信网的某一历史时段的历史运维数据确定，样本故障数据还可以根据包括目标电力通信网在内的更大范围的电力通信网的某一历史时段的历史运维数据。其中，历史运维数据中包括历史告警信息。
样本故障数据中包括的各样本设备可以是目标电力通信网或包括目标电力通信网的更大范围的电力通信网中的所有设备或部分设备。各样本设备的单点特征可以根据目标电力通信网的某一历史时段的历史运维数据确定。
将任意两个存在连接关系的样本设备作为一个样本设备对。各样本设备对的组合特征也可以根据目标电力通信网的某一历史时段的历史运维数据确定。
样本故障数据对应的标签为每一样本设备在该历史时段存在隐性故障或不存在隐性故障。
需要说明的是，基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据获取各目标设备的单点特征和各目标设备对的组合特征之前，以及基于某一历史时段的运维数据获取各样本设备的单点特征和各样本设备对的组合特征之前，还可以对第一目标时段目标电力通信网中的告警信息和某一历史时段的历史告警信息进行数据预处理，剔除异常数据，从而获取更准确的各目标设备的单点特征、各目标设备对的组合特征、各样本设备的单点特征以及各样本设备对的组合特征。
具体地，数据预处理可以包括：空值过滤、时间过滤、误告警过滤、检修告警过滤和业务开通告警过滤。
空值过滤，指滤除告警时间为空、告警对象为空或告警名称为空的告警信息。
时间过滤，指滤除告警时间大于当前时间的数据记录。
误告警过滤，指滤除包含运维人员定义的错误告警信息。
检修告警过滤，指滤除由检修引起的告警数据记录。
业务开通告警过滤，指滤除已关联检修票或者业务方式单的告警。
步骤103、根据判断结果，将存在隐性故障的各目标设备确定为故障源。
具体地，根据判断结果，可以确定目标电力通信网中的若干个目标设备存在隐性故障。
将目标电力通信网中上述若干个存在隐性故障的目标设备确定为故障源，从而可以实现对目标电力通信网中故障源的定位。
可以理解的是，将上述若干个存在隐性故障的目标设备确定为故障源后，可以根据存在隐性故障的各目标设备的设备信息，获取故障源的具体位置并进行故障排除。
需要说明的是，基于各目标设备的单点特征和各目标设备对的组合特征确定目标电力通信网中各目标设备是否存在隐性故障之后，可以将各目标设备的单点特征和各目标设备对的组合特征作为新的样本故障数据添加至原有的样本故障数据中，并将目标电力通信网中各目标设备是否存在隐性故障作为新的样本故障数据作为新的样本故障数据对应的标签。
当样本故障数据中新的样本故障数据的数量达到预设的数量阈值后，可以根据更新后的样本故障数据及更新后的样本故障数据对应的标签，重新对故障识别模型进行训练，优化故障识别模型，从而可以基于优化后的故障识别模型实现对故障源更准确的定位。
图2是本发明提供的电力通信网故障源定位方法的流程示意图之二。如图2所示，获取第一目标时段目标电力通信网的告警信息和运维数据后，首先根据第一目标时段目标电力通信网的告警信息判断告警是否由计划检修引起。若确定告警是由计划检修引起的，则可以返回获取下一个第一目标时段目标电力通信网的告警信息。若确定上述告警不由计划检修引起，则根据上述告警信息可以判断目标电力通信网中的故障为具有明显特征的故障还是没有明显特征的故障。
若判断获知目标电力通信网中的故障为具有明显特征的故障，则通过常规方法进行检修后，返回获取下一个第一目标时段目标电力通信网的告警信息。
若判断获知目标电力通信网中的故障为没有明显特征的故障，则基于本发明上述各实施例中的故障识别模型，获取各目标设备是否存在隐性故障的判断结果。并根据上述各目标设备是否存在隐性故障的判断结果，确定目标电力通信网中的故障源后，输出故障定位。
输出故障定位后，可以返回获取下一个第一目标时段目标电力通信网的告警信息。
本发明实施例通过将各目标设备的单点特征和各目标设备对的组合特征输入训练好的故障识别模型，获取各目标设备是否存在隐性故障的判断结果，将存在隐性故障的各目标设备确定为故障源，能对瞬时、分散、无明显规律和特征的隐性故障的故障源进行更准确、更快速的定位，确定隐性故障源的位置的方法更简单、效率更高，能简化电力通信网运维工作的工作流程，从而降低运维人员的工作强度，能提升运维工作的工作质量和工作效率，能提升电力通信网运维的智能化水平。
基于上述各实施例的内容，基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征，具体包括：基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征。
具体地，首先基于第一目标时段目标电力通信网中的告警信息和各目标电力通信网的运维数据，可以获取描述各目标设备自身的设备特征以及告警特征的单点特征。
例如：基于第一目标时段目标电力通信网中各目标电力通信网的运维数据，可以获取各目标设备的生产厂家、设备类型等设备特征，分别作为每一目标设备部分或全部的单点特征；或者，基于第一目标时段目标电力通信网中的告警信息，可以获取各目标设备发生告警的时间、类型、次数等告警特征，分别作为每一目标设备部分或全部的单点特征。
基于各目标设备的单点特征，获取各目标设备对的组合特征。
具体地，获取各目标设备的单点特征之后，可以基于各目标设备的单点特征，获取组成任一目标设备对的两个目标设备之间设备特征和/或告警特征的相关性，得到各目标设备对的组合特征。
例如：基于组成目标设备对的两个目标设备的单点特征，可以获取上述两个目标设备之间的相关性。其中，上述两个目标设备之间的相关性可以包括上述两个目标设备发生告警的时间与设备类型之间的关联；或者，上述两个目标设备发生告警的类型、时间与设备类型、生产厂家之间的关联。可以将基于上述两个目标设备之间的相关性获得的特征向量作为该目标设备对的组合特征。
本发明实施例通过首先基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征之后，基于各目标设备的单点特征，获取各目标设备对的组合特征，能为目标电力通信网中故障源的定位提供数据基础，更多维度的特征能提升故障源定位的精度。
基于上述各实施例的内容，目标设备的单点特征，包括：告警时间特征、设备类型特征、告警类型特征，以及告警数量特征、设备性能特征、设备生产商特征、设备承载业务类型特征、设备历史故障次数特征、设备无故障天数特征和设备投运时间特征中的任意若干个。
其中，告警时间特征，是根据第二目标时段和目标设备最近一次发生告警的时刻确定的。
具体地，告警时间特征t，可以用于描述目标设备在当前时刻之前的第二目标时段内，该目标设备是否发生告警。若目标设备在当前时刻之前的第二目标时段内发生告警，则告警时间特征t可以描述当前时刻之前的第二目标时段内最近一次发生告警的时刻与当前时刻之间的关系。告警时间特征可以通过以下公式获得：
Figure BDA0003154353830000121
其中，T″为当前时刻；T′为目标设备最近一次发生告警的时刻；T为第二目标时段。
需要说明的是，若目标设备最近一次发生告警的时刻T′在当前时刻T″前后的第二目标时段内，则输入上述公式的计算结果，否则，输出t＝-1。
需要说明的是，第二目标时段可以根据实际情况确定，例如：若确定第二目标时段为2分钟，则目标设备最近一次发生告警的时刻T′在当前时刻T″前后2分钟内，则输出上述公式的计算结果，否则，输出t＝-1。第二目标时段的具体取值在本发明实施例中不作具体限定。
设备类型特征v，可以通过机器学习中的one-hot编码表示。对于任一目标设备，若目标电力通信网中目标设备的类型有F种且该目标设备的类型编号f(f∈{1,2,…,K-1,K})，则该目标设备的设备类型特征v为一个长度为F的向量，该向量的第f个元素为1，其余元素均为0。
告警类型特征c，可以用于描述目标设备发生告警的类型。告警类型特征c可以通过机器学习中的one-hot编码表示。具体包括：对于任一目标设备，若目标电力通信网中感兴趣的告警类型有K个且该目标设备发生告警类型k，则该目标设备的告警类型特征c可以用一个长度为K的单位向量表示，该向量的第k个元素为1，其余元素均为0。
告警数量特征n，可以根据目标设备在第一目标时段内发生告警的数量与第一目标时段内最多可能发生的告警的数量确定。告警数量特征n的具体计算公式如下：
Figure BDA0003154353830000131
其中，N表示第一目标时段内目标设备发生告警的数量；Nmax是一个常数，表示第一目标时段内目标设备可能发生的最大告警数量。
设备性能特征r可以根据目标电力通信网的运维数据获取任一目标设备的性能信息，并进行归一化获得该目标设备的性能指标r(r∈[0,1])。
由于不同生产商所生产的设备种类、性能、质量不尽相同。设备生产商特征m，可以用于区分不同生产商生产的各目标设备。通过对各目标设备的类型和对应的生产商名称进行联合编码，可以获取各目标设备的设备生产商特征m，具体包括：通过机器学习中的one-hot编码表示设备生产商特征m。对于第k个生产商生产的设备类型编号为e的目标设备，该目标设备的设备生产商特征m为一个长度为K×E的向量。其中，K表示目标电力通信网中所有设备生产商的数量；E表示目标电力通信网中所有设备种类的数量。该目标设备的设备生产商特征m的第(k-1)×E+e个元素为1，其余元素均为0。
设备历史故障次数特征h，可以根据第一目标时段目标电力通信网的运维数据获取的第一目标时段内目标设备出现故障的次数和M，以及第一目标时段目标设备可能出现故障的最大次数Mmax确定。设备历史故障次数特征h的具体计算公式如下：
Figure BDA0003154353830000141
其中，h∈[0,1]。
设备无故障天数特征d，可以基于第一目标时段目标电力通信网的运维数据获取目标设备从上一次发生故障的时刻与当前时刻之间的天数D以及目标设备投入运转的天数Dage确定。设备无故障天数特征d的具体计算公式如下：
Figure BDA0003154353830000142
设备投运时间特征s，可以基于第一目标时段目标电力通信网的运维数据获取目标设备投入运转的天数Dage以及目标设备的最大投运时间Dmax(按天数计)确定。设备投运时间特征s的具体计算公式如下：
Figure BDA0003154353830000143
由于不同的目标设备所承载的业务类型不一样。设备承载业务类型特征q，可以通过机器学习中的one-hot编码表示。若任一目标设备所承载业务类型编号为l，则该目标设备的设备承载业务类型特征q的第l个元素为1，其它元素均为0。
基于第一目标时段目标电力通信网的告警信息和运维数据获取告警时间特征、设备类型特征、告警类型特征，以及告警数量特征、设备性能特征、设备生产商特征、设备承载业务类型特征、设备历史故障次数特征、设备无故障天数特征和设备投运时间特征中的任意若干个之后，可以组合上述不同类型的特征，获得各目标设备的单点特征，例如：用φi表示各目标设备的单点特征，若各目标设备的单点特征包括上述所有不同类型的特征，则各目标设备的单点特征φi可以表示为φi＝[t,c,n,r,m,v,h,d,s,q,1]。
本发明实施例通过获取各目标设备包括告警时间特征、设备类型特征、告警类型特征，以及告警数量特征、设备性能特征、设备生产商特征、设备承载业务类型特征、设备历史故障次数特征、设备无故障天数特征和设备投运时间特征中的任意若干个的单点特征，能为获取各目标设备对的组合特征以及目标电力通信网中故障源的定位提供数据基础，更多维度的单点特征能提升故障源定位的精度。
基于上述各实施例的内容，基于各目标设备的单点特征，获取各目标设备对的组合特征，具体包括：基于各目标设备的单点特征，获取各目标设备对的告警关联特征。
其中，目标设备对的告警关联特征，用于描述目标设备对中两个目标设备发生告警的时刻之间的关系。
具体地，目标设备对的告警关联特征τk,l，可以描述目标设备对中的两个目标设备在同一时间段内发生告警的时刻之间的差异。
基于各目标设备对的告警关联特征和各目标设备的单点特征，获取各目标设备对的设备关联特征。
其中，目标设备对的设备关联特征，用于描述两个目标设备的类型与两个目标设备发生告警的时刻之间的关系。
具体地，目标设备对的设备关联特征γk，l，可以目标设备对中的两个目标设备在同一时间段内发生告警的时刻、发生告警的类型和目标设备类型之间的关系。目标设备对的设备关联特征γk，l可以通过以下公式获得：
Figure BDA0003154353830000161
其中，
Figure BDA0003154353830000162
表示克罗内克积(Kronecker)；vk，vl分别表示目标设备对中的目标设备k和目标设备l的设备类型特征；ck，cl分别表示目标设备对中的目标设备k和目标设备l的告警类型特征。
对于每一目标设备对，基于目标设备对中两个目标设备的单点特征、目标设备对的告警关联特征和设备关联特征，获得目标设备对的组合特征。
具体地，对于由目标设备k和目标设备l组成的目标设备对，该目标设备对的组合特征ψk，l为该目标设备对中的目标设备k和目标设备l的单点特征、该目标设备对的告警关联特征τk，l和设备关联特征γk，l的组合。该目标设备对的组合特征ψk，l可以表示为
Figure BDA0003154353830000163
本发明实施例通过组合各目标设备对的告警关联特征、设备关联特征和各目标设备的单点特征，获取各目标设备对的组合关联特征，能为目标电力通信网中故障源的定位提供数据基础，更多维度的组合特征能提升故障源定位的精度。
基于上述各实施例的内容，基于各目标设备的单点特征，获取各目标设备对的告警关联特征，具体包括：对于每一目标设备对，基于目标设备对中两个目标设备的告警时间特征，获取目标设备对的告警关联特征。
具体地，目标设备对的告警关联特征τk，l可以通过以下公式获得：
τk，l＝max(tk，tl)-min(tk，tl)
其中，tk、tl分别表示目标设备对中的目标设备k和目标设备l的告警时间特征。
本发明实施例通过基于组成目标设备对的两个目标设备的告警时间特征，获取目标设备对的告警关联特征，能将组成目标设备对的两个目标设备发生告警的时刻的关系作为确定目标电力通信网中故障源的特征之一，能提升故障源定位的精度。
基于上述各实施例的内容，故障识别模型为图网络模型。
具体地，故障识别模型可以为图网络模型。上述图网络模型可以包括多层，其中，每一层的结构相同，但模型参数不同。用G＝(V，E)表示各层的拓扑结构。V表示该拓扑结构中的结点集，拓扑结构中的每一结点对应一个目标设备。E表示该拓扑结构中的无向边集，拓扑结构中的每一条无向边连接的两个结点为一对目标设备对。
各目标设备的单点特征和各目标设备对的组合特征输入训练好的图网络模型后，将上一层的输入作为下一层的输入，并在每一层进行特征更新。基于最后一层的输出，采用线性函数可以获得各目标设备是否存在隐性故障的判断结果。
以下以训练好的故障识别模型为三层图网络模型为例，说明基于图网络模型获取各目标设备是否存在隐性故障的判断结果。上述三层图网络模型中，第l层的参数为
Figure BDA0003154353830000171
和
Figure BDA0003154353830000172
三层图网络模型的最后一层用于计算各结点二分类结果的模型参数为
Figure BDA0003154353830000173
用{φi|i∈V}表示基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据获取的各目标设备的单点特征。用{ψu，v|(u，v)∈E}表示由目标设备u和目标设备v构成的目标设备对的组合特征。
将φi和ψu，v输入训练好的三层图网络模型的第一层网络，对φi和ψu，v进行特征更新后，三层图网络模型的第一层网络可以输出特征更新后的
Figure BDA0003154353830000174
和
Figure BDA0003154353830000175
具体计算公式如下：
Figure BDA0003154353830000176
Figure BDA0003154353830000177
其中，ReLU(x)＝max(x，0)是一种神经网络中常用的激活函数；Ne(i)表示结点i的相邻结点集合；“\”表示集合减法。
将三层图网络模型的第一层网络输出的
Figure BDA0003154353830000181
和
Figure BDA0003154353830000182
输入三层图网络模型的第二层网络，对
Figure BDA0003154353830000183
和
Figure BDA0003154353830000184
进行特征更新后，三层图网络模型的第二层网络可以输出特征更新后的
Figure BDA0003154353830000185
和
Figure BDA0003154353830000186
具体计算公式如下：
Figure BDA0003154353830000187
Figure BDA0003154353830000188
将三层图网络模型的第二层网络输出的
Figure BDA0003154353830000189
和
Figure BDA00031543538300001810
输入三层图网络模型的第三层网络，对
Figure BDA00031543538300001811
和
Figure BDA00031543538300001812
进行特征更新后，三层图网络模型的第三层网络可以输出特征更新后的
Figure BDA00031543538300001813
和
Figure BDA00031543538300001814
具体计算公式如下：
Figure BDA00031543538300001815
Figure BDA00031543538300001816
将三层图网络模型的第三层网络输出的
Figure BDA00031543538300001817
输入线性函数，可以获取各目标设备是否存在隐性故障的判断结果，具体计算公式如下：
Figure BDA00031543538300001818
其中，Softmax是神经网络常用的分数归一化函数；Si是一个长度为2的向量，其第一维表示目标设备i不存在故障的概率，第二维表示目标设备i存在隐性故障的概率。若向量Si第一维的数值大于第二维的数值，则说明目标设备i的判断结果为不存在隐性故障，此时三层图网络模型输出0；若向量Si第一维的数值小于第二维的数值，则说明目标设备i的判断结果为存在隐性故障，此时三层图网络模型输出1。
需要说明的是，基于训练好的图网络模型判断各目标设备是否存在隐性故障之前，可以基于样本故障数据对图网络模型进行训练。
具体地，训练图网络模型之前，可以采用高斯分布随机初始化模型参数。本发明实施例中，采用多个不同的随机种子进行模型参数初始化，获取多个模型参数不同的图网络模型。
将样本故障数据中各样本设备的单点特征、各样本设备对的组合特征分别输入模型参数不同的各图网络模型，并将各样本设备的单点特征和各样本设备对的组合特征对应的各样本设备实际存在隐性故障或不存在隐性故障作为标签，输入模型参数不同的各图网络模型。
将各样本设备的单点特征和各样本设备对的组合特征输入图网络模型进行训练时，将上一层的输入作为下一层的输入，并在每一层进行特征更新。基于最后一层的输出，采用线性函数可以获得各样本设备是否存在隐性故障的训练结果。
获得各样本设备是否存在隐性故障的训练结果后，本发明实施例采用改进交叉熵损失函数提升模型精度。相较于常规的交叉熵损失函数，本发明实施例采用的改进交叉熵损失函数更适用于存在故障的目标设备的数量远远小于样本设备的数量的情况。
以下通过一个实例说明本发明实施例中图网络模型的训练过程。
采用5个不同的随机种子(分别为10、30、50、80和100)对各模型参数进行初始化，获得5个模型参数不同的待训练的图网络模型。任一图网络模型θu表示当前层的结点参数向量，θb表示当前层的边参数向量，θw表示当前层的权重参数，θs表示该图网络模型的模型参数。
共收集10万条目标电力通信网的历史运维数据，样本故障数据是基于其中的7万条历史运维数据确定的。目标电力通信网剩余的3万条历史运维数据中，基于其中的2万条历史运输数据确定验证数据，基于其中的1万条历史运维数据确定测试数据。各样本设备为目标电力通信网中的所有设备，待训练的各图网络模型各层的拓扑结构均可以用G＝(V，E)表示。V表示该拓扑结构中的结点集，拓扑结构中的每一结点对应一个样本设备。E表示该拓扑结构中的无向边集，拓扑结构中的每一条无向边连接的两个结点为一对样本设备对。各样本设备的单点特征用{φi|i∈V}表示。各样本设备对的组合特征用{ψu，v|(u，v)∈E}表示。对待训练的各图网络模型进行训练时，训练世代个数为200，其中，前100世代的学习率为1×10-4，后100世代的学习率为1×10-5。
图网络模型在训练过程中，上一层网络的输出可以用
Figure BDA0003154353830000201
和{ψ′u，v|u，v＝1，…，n，u≠v}表示。将上一层网络的输出
Figure BDA0003154353830000202
和{ψ′u，v|u，v＝1，…，n，u≠v}输入当前层网络后，首先对边特征进行更新，具体计算公式如下：
ψ″u，v＝ReLU(θbψ′u，v)，(u，v)∈E
其中，ψ″u，v表示更新后的边特征。
为了实现对样本设备i的特征更新，可以首先计算与样本设备i的相邻样本设备结点发送给样本设备i的消息
Figure BDA0003154353830000203
具体计算公式如下：
Figure BDA0003154353830000204
其中，wi，j表示权重。权重wi，j的具体计算公式如下：
wi，j＝<θw，ψ″i，j>
其中，<，>表示向量点积。
获取权重wi，j后，可以基于样本设备i的相邻结点发送给样本设备i的消息
Figure BDA0003154353830000205
对样本设备的单点特征进行更新，具体计算公式如下：
Figure BDA0003154353830000206
其中，φ″i表示更新后的样本设备的单点特征。
图网络模型最后一层输出的结点特征用
Figure BDA0003154353830000207
表示，采用线性函数可以获取各结点是否存在隐性故障的训练结果，具体计算公式如下：
Figure BDA0003154353830000208
其中，Si为图网络模型输出的训练结果。Si是一个长度为2的向量，其第一维表示结点i不存在隐性故障的概率，第二维表示结点i存在隐性故障的概率。
获取各结点是否存在隐性故障的训练结果后，采用改进交叉熵损失函数对模型进行校正。改进交叉熵损失函数的具体公式如下：
Figure BDA0003154353830000211
其中，y*表示样本故障数据对应的标签，即为各样本设备是否存在隐性故障；
Figure BDA0003154353830000212
表示样本设备i存在隐性故障或不存在隐性故障，
Figure BDA0003154353830000213
若
Figure BDA0003154353830000214
则表示样本设备i不存在隐性故障；若
Figure BDA0003154353830000215
则表示样本设备i存在隐性故障。S＝[S1，…S|V|]表示图网络模型输出的训练结果，其中
Figure BDA0003154353830000216
表示样本设备i是否存在隐性故障的训练结果，
Figure BDA0003154353830000217
分别表示Si中的第一个元素和第二个元素。M和N分别表示各样本设备中存在隐性故障的样本设备的数量和不存在隐性故障的样本设备的个数。
分别对模型参数不同的图网络模型进行训练后，可以选取故障定位精度(Accuracy)最高的图网络模型作为训练好的图网络模型。
故障定位精度(Accuracy)的具体计算公式如下：
Figure BDA0003154353830000218
其中，10000表示测试样本数量，TPi表示模型在第i个测试数据的真阳率，TNi表示模型在第i个测试数据的真阴率，Qi表示第i个测试数据的结点个数。
图3是本发明提供的电力通信网故障源定位方法的定位结果对比图。如图3所述，横坐标表示第一目标时段长度。纵坐标表示电力通信网故障源定位的精度。图3中实线和虚线分别表示基于不同的故障识别模型对故障源进行故障源定位的精度，其中，实线表示基于改进交叉熵损失函数训练得到的故障识别模型进行故障源定位的精度；虚线表示基于常规的交叉熵损失函数训练得到的故障识别模型进行故障源定位的精度。
由图3可以看出，基于改进交叉熵损失函数训练得到的故障识别模型可以显著提升故障源定位的精度，例如：当第一目标时段为3分钟时，基于改进交叉熵损失函数训练得到的故障识别模型对故障源定位的精度为97.5％，而基于常规的交叉熵损失函数训练得到的故障识别模型对故障源定位的精度为94.4％。
故障源定位的精度还与第一目标时段的长度关系密切。由图3可以看出，第一目标时段为1分钟、2分钟、3分钟、4分钟和5分钟对应的故障源定位的精度中，第一目标时段为3分钟对应的故障源定位的精度最高，而第一目标时段为1分钟对应的故障源定位的精度最低。
本发明实施例通过基于图网络模型对目标电力通信网中的故障源进行定位，能对瞬时、分散、无明显规律和特征的隐性故障的故障源进行更准确、更快速的定位。
基于上述各实施例的内容，基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征之前，还包括：基于第一目标时段目标电力通信网中的告警信息，将目标电力通信网中的部分设备作为各目标设备。
具体地，基于第一目标时段目标电力通信网中的告警信息，可以获取目标电力通信网中出现的故障的相关信息以及故障源的初步定位。可以根据目标电力通信网中故障源的初步定位，将可能出现隐性故障的部分设备作为目标设备，从而减少运算过程中的计算量。
需要说明的是，还可以根据其他预设的规则确定各目标设备，例如：根据目标数据网的运维数据，将出现故障次数较多的若干个设备始终作为目标设备等。
本发明实施例通过将目标电力通信网中的部分设备作为各目标设备，能减少运算过程中的计算量，能更快速的对目标电力通信网中的故障进行定位。
图4是本发明提供的电力通信网故障源定位装置的结构示意图。下面结合图4对本发明提供的电力通信网故障源定位方法进行描述，下文描述的电力通信网故障源定位装置与上文描述的电力通信网故障源定位方法可相互对应参照。如图4所示，该装置包括：特征获取模块401、故障判断模块402和故障定位模块403。
特征获取模块401，用于基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征。
故障判断模块402，用于将各目标节点的单点特征以及各目标设备对的组合特征输入故障识别模型，输出各目标设备是否存在隐性故障的判断结果。
故障定位模块403，用于根据判断结果，将存在隐性故障的各目标设备确定为故障源。
其中，目标设备为目标电力通信网中的设备；目标设备对包括存在连接关系的两个目标设备；故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征。
具体地，特征获取模块401、故障判断模块402和故障定位模块403电连接。
特征获取模块401可以基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，通过数理统计、特征编码和数值运算等方式可以获取各目标设备的单点特征和各目标设备对的组合特征。
获取各目标设备的单点特征和各目标设备对的组合特征之后，故障判断模块402可以将各目标设备的单点特征和各目标设备对的组合特征输入训练好的故障识别模型。故障识别模型可以基于各目标设备的单点特征和各目标设备对的组合特征，判断各目标设备是否存在隐性故障，并输出各目标设备是否存在隐性故障的判断结果。
故障定位模块403可以将目标电力通信网中上述若干个存在隐性故障的目标设备确定为故障源，从而可以实现对目标电力通信网中故障源的定位。
需要说明的是，特征获取模块401还可以包括单点特征获取子模块和组合特征获取子模块。
单点特征获取子模块，可以用于基于所述第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各所述目标设备的单点特征。
组合特征获取子模块，可以用于基于各所述目标设备的单点特征，获取各所述目标设备对的组合特征。
本发明实施例通过将各目标设备的单点特征和各目标设备对的组合特征输入训练好的故障识别模型，获取各目标设备是否存在隐性故障的判断结果，将存在隐性故障的各目标设备确定为故障源，能对瞬时、分散、无明显规律和特征的隐性故障的故障源进行更准确、更快速的定位，确定隐性故障源的位置的方法更简单、效率更高，能简化电力通信网运维工作的工作流程，从而降低运维人员的工作强度，能提升运维工作的工作质量和工作效率，能提升电力通信网运维的智能化水平。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)550和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行电力通信网故障源定位方法，该方法包括：基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征；将各目标节点的单点特征以及各目标设备对的组合特征输入故障识别模型，输出各目标设备是否存在隐性故障的判断结果；根据判断结果，将存在隐性故障的各目标设备确定为故障源；其中，目标设备为目标电力通信网中的设备；目标设备对包括存在连接关系的两个目标设备；故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的电力通信网故障源定位方法，该方法包括：基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征；将各目标节点的单点特征以及各目标设备对的组合特征输入故障识别模型，输出各目标设备是否存在隐性故障的判断结果；根据判断结果，将存在隐性故障的各目标设备确定为故障源；其中，目标设备为目标电力通信网中的设备；目标设备对包括存在连接关系的两个目标设备；故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的电力通信网故障源定位方法，该方法包括：基于第一目标时段目标电力通信网中的告警信息和目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征；将各目标节点的单点特征以及各目标设备对的组合特征输入故障识别模型，输出各目标设备是否存在隐性故障的判断结果；根据判断结果，将存在隐性故障的各目标设备确定为故障源；其中，目标设备为目标电力通信网中的设备；目标设备对包括存在连接关系的两个目标设备；故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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 (8)

1.一种电力通信网故障源定位方法，其特征在于，包括：
基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征；
将各所述目标设备的单点特征以及各所述目标设备对的组合特征输入故障识别模型，输出各所述目标设备是否存在隐性故障的判断结果；
根据所述判断结果，将存在所述隐性故障的各目标设备确定为故障源；
其中，所述目标设备为所述目标电力通信网中的设备；所述目标设备对包括存在连接关系的两个所述目标设备；所述故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；所述样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征；所述基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征，具体包括：
基于所述第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各所述目标设备的单点特征；
基于各所述目标设备的单点特征，获取各所述目标设备对的组合特征；
所述基于各所述目标设备的单点特征，获取各所述目标设备对的组合特征，具体包括：
基于各所述目标设备的单点特征，获取各所述目标设备对的告警关联特征；
基于各所述目标设备对的告警关联特征和各所述目标设备的单点特征，获取各所述目标设备对的设备关联特征；
对于每一目标设备对，基于所述目标设备对中两个目标设备的单点特征、所述目标设备对的告警关联特征和设备关联特征，获得所述目标设备对的组合特征；
其中，所述目标设备对的告警关联特征，用于描述所述目标设备对中两个目标设备发生告警的时刻之间的关系；所述目标设备对的设备关联特征，用于描述所述两个目标设备的类型与所述两个目标设备发生告警的时刻之间的关系。
2.根据权利要求1所述的电力通信网故障源定位方法，其特征在于，所述目标设备的单点特征，包括：告警时间特征、设备类型特征、告警类型特征，以及告警数量特征、设备性能特征、设备生产商特征、设备承载业务类型特征、设备历史故障次数特征、设备无故障天数特征和设备投运时间特征中的任意若干个；
其中，所述告警时间特征，是根据第二目标时段和所述目标设备最近一次发生告警的时刻确定的。
3.根据权利要求1所述的电力通信网故障源定位方法，其特征在于，所述基于各所述目标设备的单点特征，获取各所述目标设备对的告警关联特征，具体包括：
对于每一目标设备对，基于所述目标设备对中两个目标设备的告警时间特征，获取所述目标设备对的告警关联特征。
4.根据权利要求1所述的电力通信网故障源定位方法，其特征在于，所述故障识别模型，为图网络模型。
5.根据权利要求1至4任一所述的电力通信网故障源定位方法，其特征在于，所述基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征之前，还包括：
基于第一目标时段目标电力通信网中的告警信息，将所述目标电力通信网中的部分设备作为各所述目标设备。
6.一种电力通信网故障源定位装置，其特征在于，包括：
特征获取模块，用于基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征；
故障判断模块，用于将各所述目标设备的单点特征以及各所述目标设备对的组合特征输入故障识别模型，输出各所述目标设备是否存在隐性故障的判断结果；
故障定位模块，用于根据所述判断结果，将存在所述隐性故障的各目标设备确定为故障源；
其中，所述目标设备为所述目标电力通信网中的设备；所述目标设备对包括存在连接关系的两个所述目标设备；所述故障识别模型，是基于样本故障数据和样本故障数据对应的标签进行训练后得到的；所述样本故障数据包括各样本设备的单点特征和各样本设备对的组合特征；
所述特征获取模块所述基于第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各目标设备的单点特征以及各目标设备对的组合特征，具体包括：
基于所述第一目标时段目标电力通信网中的告警信息和所述目标电力通信网的运维数据，获取各所述目标设备的单点特征；
基于各所述目标设备的单点特征，获取各所述目标设备对的组合特征；
所述特征获取模块基于各所述目标设备的单点特征，获取各所述目标设备对的组合特征，具体包括：
基于各所述目标设备的单点特征，获取各所述目标设备对的告警关联特征；
基于各所述目标设备对的告警关联特征和各所述目标设备的单点特征，获取各所述目标设备对的设备关联特征；
对于每一目标设备对，基于所述目标设备对中两个目标设备的单点特征、所述目标设备对的告警关联特征和设备关联特征，获得所述目标设备对的组合特征；
其中，所述目标设备对的告警关联特征，用于描述所述目标设备对中两个目标设备发生告警的时刻之间的关系；所述目标设备对的设备关联特征，用于描述所述两个目标设备的类型与所述两个目标设备发生告警的时刻之间的关系。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述电力通信网故障源定位方法的步骤。
8.一种非暂态计算机可读存储介质，其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时实现如权利要求1至5任一项所述电力通信网故障源定位方法的步骤。
CN202110772567.0A 2021-07-08 2021-07-08 电力通信网故障源定位方法及装置 Active CN113676343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110772567.0A CN113676343B (zh) 2021-07-08 2021-07-08 电力通信网故障源定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110772567.0A CN113676343B (zh) 2021-07-08 2021-07-08 电力通信网故障源定位方法及装置

Publications (2)

Publication Number Publication Date
CN113676343A CN113676343A (zh) 2021-11-19
CN113676343B true CN113676343B (zh) 2023-05-09

Family

ID=78538712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110772567.0A Active CN113676343B (zh) 2021-07-08 2021-07-08 电力通信网故障源定位方法及装置

Country Status (1)

Country Link
CN (1) CN113676343B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117544482A (zh) * 2024-01-05 2024-02-09 北京神州泰岳软件股份有限公司 基于ai的运维故障确定方法、装置、设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109450677A (zh) * 2018-10-29 2019-03-08 中国联合网络通信集团有限公司 一种根源故障的定位方法和装置
CN112152852A (zh) * 2020-09-23 2020-12-29 创新奇智(北京)科技有限公司 根因分析方法、装置、设备及计算机存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800861A (zh) * 2018-12-28 2019-05-24 上海联影智能医疗科技有限公司 一种设备故障识别方法、装置、设备及计算机系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109450677A (zh) * 2018-10-29 2019-03-08 中国联合网络通信集团有限公司 一种根源故障的定位方法和装置
CN112152852A (zh) * 2020-09-23 2020-12-29 创新奇智(北京)科技有限公司 根因分析方法、装置、设备及计算机存储介质

Also Published As

Publication number Publication date
CN113676343A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN110210512B (zh) 一种自动化日志异常检测方法及系统
CN111652496B (zh) 基于网络安全态势感知系统的运行风险评估方法及装置
CN112162878B (zh) 数据库故障发现方法、装置、电子设备及存储介质
CN111309565B (zh) 告警处理方法、装置、电子设备以及计算机可读存储介质
EP3571809A1 (en) Methods and apparatus for analysing performance of a telecommunications network
CN114328198A (zh) 一种系统故障检测方法、装置、设备及介质
CN112953629A (zh) 一种光网络故障预测不确定性分析方法及系统
CN112217674B (zh) 基于因果网络挖掘和图注意力网络的告警根因识别方法
CN112379325A (zh) 一种用于智能电表的故障诊断方法及系统
CN113676343B (zh) 电力通信网故障源定位方法及装置
CN112801434A (zh) 性能指标健康度的监测方法、装置、设备和存储介质
CN114553671A (zh) 一种电力通信网故障告警的诊断方法
CN113740666B (zh) 一种数据中心电力系统告警风暴根源故障的定位方法
CN112734977B (zh) 一种基于物联网的设备风险预警系统及算法
CN113392893A (zh) 业务故障的定位方法、装置、存储介质及计算机程序产品
CN116582414A (zh) 故障根因定位方法、装置、设备及可读存储介质
CN115638875B (zh) 基于图谱分析的电厂设备故障诊断方法及系统
CN113328898B (zh) 一种具有自主学习能力的故障诊断方法和系统
CN112816898B (zh) 电瓶故障预测方法、装置、电子设备和存储介质
CN109889258B (zh) 一种光网络故障校验方法和设备
CN114785617A (zh) 一种5g网络应用层异常检测方法及系统
CN113656287A (zh) 软件实例故障的预测方法、装置、电子设备及存储介质
Wang et al. LSTM-based alarm prediction in the mobile communication network
CN113825162A (zh) 电信网络故障原因定位方法及装置
CN115080286A (zh) 一种网络设备日志异常的发现方法及装置

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