CN115833935A - 基于决策树的电力光传输系统故障定位方法及系统 - Google Patents
基于决策树的电力光传输系统故障定位方法及系统 Download PDFInfo
- Publication number
- CN115833935A CN115833935A CN202211344898.5A CN202211344898A CN115833935A CN 115833935 A CN115833935 A CN 115833935A CN 202211344898 A CN202211344898 A CN 202211344898A CN 115833935 A CN115833935 A CN 115833935A
- Authority
- CN
- China
- Prior art keywords
- node
- otn
- fault
- decision tree
- sample set
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 58
- 230000003287 optical effect Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005540 biological transmission Effects 0.000 title claims abstract description 28
- 238000012423 maintenance Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 48
- 238000012795 verification Methods 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于决策树的电力光传输系统故障定位方法及系统,包括:获取电力OTN设备的特征属性数据,构建特征向量;将所构建的特征向量输入至训练后的OTN故障定位决策树,输出故障定位区段;其中,所述OTN故障定位决策树包括一个根结点,若干个内部分支结点和若干个叶节点;每个叶节点对应于一个定位的故障区段,其他每个内部分支结点对应于OTN设备的特征状态,根节点包含样本全集,从根结点到每个叶节点的路径对应一个故障定位判定逻辑。本发明可以快速定位OTN光传输系统故障位置,解决了OTN系统分析判断故障位置困难,对运维人员技术要求高的问题。
Description
技术领域
本发明涉及光传输系统故障定位技术领域,尤其涉及一种基于决策树的电力光传输系统故障定位方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在智能电网的构建过程中,运用先进技术能够提高电力系统的运行效率,实现电网的创新发展。OTN光传输作为具有一定代表性的技术,对电力通信网络的工作性能起到积极作用,有效促进电力系统的稳定、良好运行。
电力光传输系统(以下简称OTN)的传输容量,相较于传统的SDH传输系统,传输带宽容量大大提升,但随之而来大量的尾纤连接,复杂的信号流向,使得日常运维的难度也大大增加。当电力OTN出现故障时,难以快速对其进行故障定位排查,对运维人员技术水平要求较高。
发明内容
为了解决上述问题,本发明提出了一种基于决策树的电力光传输系统故障定位方法及系统,可以快速定位电力OTN的故障位置,解决了电力OTN分析判断故障位置困难,对运维人员技术要求高的问题。
在一些实施方式中,采用如下技术方案:
一种基于决策树的电力光传输系统故障定位方法,包括:
获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据,构建特征向量;
将所构建的特征向量输入至训练后的OTN故障定位决策树,输出故障定位区段;
其中,所述OTN故障定位决策树包括一个根结点,若干个内部分支结点和若干个叶节点;每个叶节点对应于一个定位的故障区段,其他每个内部分支结点对应于OTN设备的特征状态,根节点包含样本全集,从根结点到每个叶节点的路径对应一个故障定位判定逻辑。
作为进一步地方案,所述OTN故障定位决策树的训练过程包括:
(1)基于电力OTN设备日常运维过程中故障消缺记录,构建训练样本集D1;所述训练样本集包括电力OTN设备的特征向量以及对应的故障区段;
(2)选取电力OTN设备发生故障时的相关特征,构建属性集A;
(3)生成根结点T,若训练样本集D1中所有实例属于同一类,则T为单结点树,将实例类别作为结点T的类标记;否则,计算属性集A中各特征的信息增益,并选择信息增益最大的特征属性a*;
(4)若a*不大于设定的阈值,则T为单结点树,记录训练样本集D1中实例个数最多的类别C,作为该结点的类标记;若a*大于设定的阈值,对于a*的每一个值令Dv表示训练样本集D1在a*上取值为的样本子集;每一个Dv生成结点T的一个分支结点;
(5)如果将该分支结点标记为叶结点,将训练样本集D1中实例个数最多的类别C,作为该结点的类标记;否则,以Dv作为起始节点,计算属性集A中除了特征属性a*之外的信息增益最大的特征属性,重复(4)-(5)的过程,直至属性集A中所有特征属性均判断完毕;得到训练完成的OTN故障定位决策树。
作为进一步地方案,电力OTN设备的特征向量包括电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据。
作为进一步地方案,还包括:基于部分电力OTN设备日常运维过程中故障消缺记录,构建验证集D2;得到训练完成的OTN故障定位决策树之后,利用验证集D2验证每一个叶节点在验证集上的决策精度H1;然后验证每一个叶节点的上一级节点在验证集上的决策精度H2,如果判决精度H2≥H1,则将该叶节点剪枝,得到剪枝后的OTN故障定位决策树,作为最终进行故障定的决策树。
作为进一步地方案,所述信息增益的计算方法为:
假定特征属性a有V个可能的取值{a1,a2,...,aV},若使用a来对训练样本集D1进行划分,则会产生V个分支结点,其中第v个分支结点包含了训练样本集D1中所有在属性a上取值为av的样本,计为Dv;
计算出用属性a对训练样本集D1进行划分所获得的信息增益为:
在另一些实施方式中,采用如下技术方案:
一种基于决策树的电力光传输系统故障定位系统,包括:
数据获取模块,用于获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据,构建特征向量;
故障区段定位模块,用于将所构建的特征向量输入至训练后的OTN故障定位决策树,输出故障定位区段;
其中,所述OTN故障定位决策树包括一个根结点,若干个内部分支结点和若干个叶节点;每个叶节点对应于一个定位的故障区段,其他每个内部分支结点对应于OTN设备的特征状态,根节点包含样本全集,从根结点到每个叶节点的路径对应一个故障定位判定逻辑。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于决策树的电力光传输系统故障定位方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于决策树的电力光传输系统故障定位方法。
与现有技术相比,本发明的有益效果是:
(1)本发明通过引入决策树机器学习算法,通过不断训练学习,可以快速定位OTN光传输系统故障位置,解决了OTN系统分析判断故障位置困难,对运维人员技术要求高的问题。进一步增强电力OTN光传输系统业务性能健壮性,保障电网业务正常稳定运行。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1为电力光传输系统A、B两通信站点结构图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种基于决策树的电力光传输系统故障定位方法,具体包括如下过程:
(1)获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据,构建特征向量;
(2)将所构建的特征向量输入至训练后的OTN故障定位决策树,输出故障定位区段;其中,所述OTN故障定位决策树包括一个根结点,若干个内部分支结点和若干个叶节点;每个叶节点对应于一个定位的故障区段,其他每个内部分支结点对应于OTN设备的特征状态,根节点包含样本全集,从根结点到每个叶节点的路径对应一个故障定位判定逻辑。
具体地,将电力OTN系统A、B两通信站点结构抽象为图1所示,可以将整个电力OTN系统分为五部分:
A站业务设备-A站OTN设备OTU单板、A站OTN设备OTU单板-A站OTN设备FIU单板、A站OTN设备FIU单板-B站OTN设备FIU单板、B站OTN设备OTU单板-B站OTN设备FIU单板、以及B站业务设备-B站OTN设备OTU单板,作为五个可能的故障区段。
将每一个故障区段记做向量Y,第i次故障记录用yi表示。
然后选取业务设备、OTU(光转换单元)单板、OMU(光合波单元)单板、ODU(光分波单元)单板、SC2(光监控信道单元)单板、BA(前置放大)单板、PA(后置放大)单板、FIU(光纤线路接口单元)单板等图1中所列设备发生故障时的输入光功率、输出光功率、MUT_LOS(合波信号丢失)、R_LOS(接收线路侧信号丢失)、OSC_LOS(光监控信号丢失)、HARD_BARD(硬件损坏)、IN_PWR_LOW(输入光功率过低)、NE_NOT_LOGIN(网元未登录)、NE_COMMU_BREAK(网元通信中断)告警、DOWN(停机)、UP(在运行)状态等,作为特征属性数据,记做向量X,每一次故障记录用xi表示,通过日常运维过程中故障消缺记录,得到训练决策树机器学习算法的训练测试样本集D={(x1,y1),(x2,y2),...,(xm,ym)}。
在样本集D中随机抽取70%的样本作为训练集:D1={(x1,y1),(x2,y2),...,(xn,yn)}。
剩下30%的样本,得到验证集:D2={(x1,y1),(x2,y2),...,(xs,ys)}。
本实施例中,一棵决策树包含一个根结点,若干个内部分支结点和若干个叶节点。叶节点对应于决策结果,也就是定位的电力光传输系统的故障区段,其他每个结点则对应于一个属性测试,也就是OTN设备单板的特征状态,例如SC2单板的输入光功率。每个结点包含的样本集合根据属性测试的结果被划分到子结点中,根节点包含样本全集。从根结点到每个叶节点的路径对应了一个故障定位判定逻辑,通过不同特征SC2单板的输入光功率、SC2单板的OSC_LOS、BA板卡MUT_LOS、PA板卡MUT_LOS、业务设备DOWN、UP状态等,一步步判断故障位置。
决策树学习的目的是为了产生一棵处理未见故障事例能力强的决策树,为了避免过拟合,在使用训练集D1产生决策树后,通过验证集D2来对OTN故障定位决策树后剪枝,增强决策树泛化能力。
本实施例中,对于OTN故障定位决策树的训练过程具体如下:
(1)基于电力OTN设备日常运维过程中故障消缺记录,构建训练样本集D1;所述训练样本集包括电力OTN设备的特征向量以及对应的故障区段;
(2)选取电力OTN设备发生故障时的特征向量,构建属性集A;
本实施例中,属性集A表示所有的特征属性集合,决策树训练的时候,要使用属性集A中所有的属性来进行分类。电力OTN设备的特征向量包括电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征。
(3)生成根结点T,若训练样本集D1中所有实例属于同一类,则T为单结点树,将实例类别作为结点T的类标记;
若训练样本集D1中所有实例无任何特征或者D中样本在A上取值相同,则T为单结点树,记录训练样本集D1中实例个数最多类别C,以此作为该结点的类标记,并返回T;此过程主要是为了防止训练过程中程序代码出现错误。
否则,计算属性集A中各特征的信息增益,并选择信息增益最大的特征属性a*=arg maxa∈AGain(D,a);本实施例中,信息增益Gain(D,a)计算方法:
样本集合D2中第k类样本所占的比例为pk(k=1,2,...,n),则D2的信息熵定义为假定属性a有V个可能的取值{a1,a2,...,aV},若使用a来对样本集D2进行划分,则会产生V个分支结点,其中第v个分支结点包含了D2中所有在属性a上取值为av的样本,计为Dv。计算出用属性a对样本集D2进行划分所获得的信息增益为:
(4)若a*不大于设定的阈值δ,则T为单结点树,记录训练样本集D1中实例个数最多的类别C,作为该结点的类标记;
其中,通过设定相关阈值δ,可以控制OTN故障定位决策树的深度。
(5)如果(即该样本子集为空集),将该分支结点标记为叶结点,将训练样本集D1中实例个数最多的类别C,作为该结点的类标记;否则,以Dv作为起始节点,计算属性集A中除了特征属性a*之外的信息增益最大的特征属性,重复(4)-(5)的过程,直至属性集A中所有特征属性均判断完毕;得到训练完成的OTN故障定位决策树。
后剪枝过程:对于训练完成的OTN故障定位决策树,在有30%故障消缺记录样本的验证集D2={(x1,y1),(x2,y2),...,(xs,ys)}上,测试故障定位决策树T的判决精度H1。然后从树上的叶节点向上回缩,测试上一级节点在验证集上的判决精度H2,如果判决精度H2≥H1,则将该节点剪枝,得到剪枝后的OTN故障定位决策树T2。
下一步递归地对OTN故障定位决策树进行剪枝判定,得到精度最高,泛化能力最强的OTN故障定位决策树Ti,使用该故障定位决策树Ti进行光传输系统的故障区段定位。
实施例二
在一个或多个实施方式中,公开了一种基于决策树的电力光传输系统故障定位系统,包括:
数据获取模块,用于获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据,构建特征向量;
故障区段定位模块,用于将所构建的特征向量输入至训练后的OTN故障定位决策树,输出故障定位区段;
其中,所述OTN故障定位决策树包括一个根结点,若干个内部分支结点和若干个叶节点;每个叶节点对应于一个定位的故障区段,其他每个内部分支结点对应于OTN设备的特征状态,根节点包含样本全集,从根结点到每个叶节点的路径对应一个故障定位判定逻辑。
需要说明的是,上述各模块的具体实施方式已经在实施例一中进行了说明,此处不再详述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、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实施例一中的基于决策树的电力光传输系统故障定位方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于决策树的电力光传输系统故障定位方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于决策树的电力光传输系统故障定位方法,其特征在于,包括:
获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据,构建特征向量;
将所构建的特征向量输入至训练后的OTN故障定位决策树,输出故障定位区段;
其中,所述OTN故障定位决策树包括一个根结点,若干个内部分支结点和若干个叶节点;每个叶节点对应于一个定位的故障区段,其他每个内部分支结点对应于OTN设备的特征状态,根节点包含样本全集,从根结点到每个叶节点的路径对应一个故障定位判定逻辑。
2.如权利要求1所述的一种基于决策树的电力光传输系统故障定位方法,其特征在于,所述OTN故障定位决策树的训练过程包括:
(1)基于电力OTN设备日常运维过程中故障消缺记录,构建训练样本集D1;所述训练样本集包括电力OTN设备的特征向量以及对应的故障区段;
(2)选取电力OTN设备发生故障时的特征向量,构建属性集A;
(3)生成根结点T,若训练样本集D1中所有实例属于同一类,则T为单结点树,将实例类别作为结点T的类标记;否则,计算属性集A中各特征的信息增益,并选择信息增益最大的特征属性a*;
(4)若a*不大于设定的阈值,则T为单结点树,记录训练样本集D1中实例个数最多的类别C,作为该结点的类标记;若a*大于设定的阈值,对于a*的每一个值令Dv表示训练样本集D1在a*上取值为的样本子集;每一个Dv生成结点T的一个分支结点;
3.如权利要求2所述的一种基于决策树的电力光传输系统故障定位方法,其特征在于,电力OTN设备的特征向量包括电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据。
4.如权利要求2所述的一种基于决策树的电力光传输系统故障定位方法,其特征在于,还包括:基于部分电力OTN设备日常运维过程中故障消缺记录,构建验证集D2;得到训练完成的OTN故障定位决策树之后,利用验证集D2验证每一个叶节点在验证集上的决策精度H1;然后验证每一个叶节点的上一级节点在验证集上的决策精度H2,如果判决精度H2≥H1,则将该叶节点剪枝,得到剪枝后的OTN故障定位决策树,作为最终进行故障定的决策树。
8.一种基于决策树的电力光传输系统故障定位系统,其特征在于,包括:
数据获取模块,用于获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据,构建特征向量;
故障区段定位模块,用于将所构建的特征向量输入至训练后的OTN故障定位决策树,输出故障定位区段;
其中,所述OTN故障定位决策树包括一个根结点,若干个内部分支结点和若干个叶节点;每个叶节点对应于一个定位的故障区段,其他每个内部分支结点对应于OTN设备的特征状态,根节点包含样本全集,从根结点到每个叶节点的路径对应一个故障定位判定逻辑。
9.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于决策树的电力光传输系统故障定位方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于决策树的电力光传输系统故障定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344898.5A CN115833935A (zh) | 2022-10-31 | 2022-10-31 | 基于决策树的电力光传输系统故障定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211344898.5A CN115833935A (zh) | 2022-10-31 | 2022-10-31 | 基于决策树的电力光传输系统故障定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115833935A true CN115833935A (zh) | 2023-03-21 |
Family
ID=85525894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211344898.5A Pending CN115833935A (zh) | 2022-10-31 | 2022-10-31 | 基于决策树的电力光传输系统故障定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115833935A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116545529A (zh) * | 2023-07-06 | 2023-08-04 | 国网浙江省电力有限公司湖州供电公司 | 基于光缆运维路径的故障数据处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022583A (zh) * | 2016-05-12 | 2016-10-12 | 中国电力科学研究院 | 基于模糊化决策树的电力通信业务风险计算方法及系统 |
CN111988084A (zh) * | 2019-05-24 | 2020-11-24 | 中国移动通信集团山东有限公司 | 光缆线路的巡检方法、装置、存储介质和第一客户端 |
WO2021042843A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 告警信息的决策方法、装置、计算机设备及存储介质 |
CN112580712A (zh) * | 2020-12-15 | 2021-03-30 | 山东山大电力技术股份有限公司 | 一种继电保护装置故障处理辅助决策方法及系统 |
CA3086377A1 (en) * | 2020-07-10 | 2022-01-10 | Khaled SALEH | System and method for use with microgrids having inverter-based distributed generators |
-
2022
- 2022-10-31 CN CN202211344898.5A patent/CN115833935A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106022583A (zh) * | 2016-05-12 | 2016-10-12 | 中国电力科学研究院 | 基于模糊化决策树的电力通信业务风险计算方法及系统 |
CN111988084A (zh) * | 2019-05-24 | 2020-11-24 | 中国移动通信集团山东有限公司 | 光缆线路的巡检方法、装置、存储介质和第一客户端 |
WO2021042843A1 (zh) * | 2019-09-06 | 2021-03-11 | 平安科技(深圳)有限公司 | 告警信息的决策方法、装置、计算机设备及存储介质 |
CA3086377A1 (en) * | 2020-07-10 | 2022-01-10 | Khaled SALEH | System and method for use with microgrids having inverter-based distributed generators |
CN112580712A (zh) * | 2020-12-15 | 2021-03-30 | 山东山大电力技术股份有限公司 | 一种继电保护装置故障处理辅助决策方法及系统 |
Non-Patent Citations (2)
Title |
---|
程雪: ""基于机器学习的光传送网告警分析和故障定位技术"", 《CNKI硕士论文》, 15 March 2022 (2022-03-15), pages 1 - 15 * |
韩忠明等: "《数据分析与R》", 31 August 2014, 北京邮电大学出版社, pages: 211 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116545529A (zh) * | 2023-07-06 | 2023-08-04 | 国网浙江省电力有限公司湖州供电公司 | 基于光缆运维路径的故障数据处理方法 |
CN116545529B (zh) * | 2023-07-06 | 2023-09-12 | 国网浙江省电力有限公司湖州供电公司 | 基于光缆运维路径的故障数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180375373A1 (en) | Impact increments-based state enumeration reliability assessment approach and device thereof | |
CN110445665B (zh) | 基于改进gsp的电力通信网络告警关联挖掘方法 | |
CN105139289B (zh) | 一种基于错分代价分类学习的电网暂态电压稳定评估方法 | |
CN108470193A (zh) | 电能表故障诊断方法、系统及终端设备 | |
US20180268081A1 (en) | Data extraction | |
CN110955550A (zh) | 一种云平台故障定位方法、装置、设备及存储介质 | |
CN111242171A (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
CN109193650A (zh) | 一种基于高维随机矩阵理论的电网薄弱点评估方法 | |
CN115833935A (zh) | 基于决策树的电力光传输系统故障定位方法及系统 | |
CN110489317B (zh) | 基于工作流的云系统任务运行故障诊断方法与系统 | |
CN100514307C (zh) | 一种测试代价敏感的系统故障定位方法及其装置 | |
CN110275878B (zh) | 业务数据检测方法、装置、计算机设备及存储介质 | |
CN111259073A (zh) | 基于日志、流量和业务访问的业务系统运行状态智能研判系统 | |
CN115545479A (zh) | 一种配电网重要节点或重要线路的确定方法及装置 | |
CN115865630B (zh) | 基于深度学习的网络设备故障诊断方法及系统 | |
CN116820821A (zh) | 磁盘故障检测方法、装置、电子设备及计算机可读存储介质 | |
CN115879271A (zh) | 一种基于割集断面树的电网割集型关键输电断面搜索方法 | |
CN112865860B (zh) | 一种万兆无源光网络bob设备的校准方法及装置 | |
CN114298188A (zh) | 一种电力设备故障智能分析方法及系统 | |
US6963813B1 (en) | Method and apparatus for fast automated failure classification for semiconductor wafers | |
CN111654413A (zh) | 一种网络流量有效测量点的选取方法、设备及存储介质 | |
CN109495178B (zh) | 一种FTTx网络拓扑链路的构建方法及装置 | |
Sun et al. | Autonomous and generalized soft failure detection based on digital residual spectrum in optical networks | |
CN113536506B (zh) | 一种配电网自愈能力的测试方法、系统、设备和介质 | |
CN117349087B (zh) | 一种互联网信息数据备份方法 |
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 |