CN116962232A - 一种电力调度数据网系统的智能检测方法 - Google Patents
一种电力调度数据网系统的智能检测方法 Download PDFInfo
- Publication number
- CN116962232A CN116962232A CN202310727089.0A CN202310727089A CN116962232A CN 116962232 A CN116962232 A CN 116962232A CN 202310727089 A CN202310727089 A CN 202310727089A CN 116962232 A CN116962232 A CN 116962232A
- Authority
- CN
- China
- Prior art keywords
- network
- service
- risk
- fault
- probability
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000012502 risk assessment Methods 0.000 claims abstract description 69
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000011002 quantification Methods 0.000 claims abstract description 12
- 230000006855 networking Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 51
- 230000003287 optical effect Effects 0.000 claims description 48
- 238000012423 maintenance Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000008520 organization Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 102100020786 Adenylosuccinate synthetase isozyme 2 Human genes 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 230000007480 spreading Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000011084 recovery Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0805—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability
- H04L43/0817—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters by checking availability by checking functioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
- H04L45/123—Evaluation of link metrics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/22—Alternate routing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/24—Multipath
- H04L45/247—Multipath using M:N active or standby paths
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种电力调度数据网系统的智能检测方法,所述的方法包括以下步骤:步骤1:构建电力调度数据网测试模型,对电力调度数据网的性能、兼容性和组网进行测试;步骤2:构建基于业务的电力调度数据网风险评估模型;步骤3:构建基于FMECA的电力调度数据网运行风险评估模型;步骤4:构建基于检修模式下的“N‑X”的电力调度数据网风险评估模型;本发明具有实现综合风险因素考量、评估结果准确性高、有效风险量化的优点。
Description
技术领域
本发明属于电力调度数据网技术领域,具体涉及一种电力调度数据网系统的智能检测方法。
背景技术
电力调度数据网是承载调度生产控制业务的专用网络,是实现各级调控中心间及调控中心与厂站之间实时生产数据传输和交换的基础设施之一,随着电力调度数据网的规模及业务应用逐步扩展,入网路由器设备类型不断增加,设备的组网特性、性能和兼容性等技术要求对于调度数据网络的安全稳定运行起着重要的作用,因此需要首先对数据网的性能、兼容性和组网进行测试;另外大容量、多层次电力通信网络作为智能电网的支撑系统,其安全稳定运行和业务提供能力受到越来越多的关注,电力调度数据网作为电力通信网的重要组成部分,其上承担了大量交互、数据业务与关键数据信息,一旦传输网络发生风险事件,会造成严重的业务损失,因此,针对电力调度数据网的风险评估展开研究具有重要实际意义;因此,提供一种实现综合风险因素考量、评估结果准确性高、有效风险量化的一种电力调度数据网系统的智能检测方法是非常有必要的。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种实现综合风险因素考量、评估结果准确性高、有效风险量化的一种电力调度数据网系统的智能检测方法。
本发明的目的是这样实现的:一种电力调度数据网系统的智能检测方法,所述的方法包括以下步骤:
步骤1:构建电力调度数据网测试模型,对电力调度数据网的性能、兼容性和组网进行测试;
步骤2:构建基于业务的电力调度数据网风险评估模型;
步骤3:构建基于FMECA的电力调度数据网运行风险评估模型;
步骤4:构建基于检修模式下的“N-X”的电力调度数据网风险评估模型。
所述的步骤2中的构建基于业务的电力调度数据网风险评估模型具体为:通过对业务路由路径组织方式进行故障树建模,得到风险事件的故障概率,并结合网络元素故障引起的业务损失变化,最终得到网络元素风险量化值,具体分包括以下步骤:
步骤2.1:网络元素故障概率估计;
步骤2.2:业务故障树建模;
步骤2.3:业务损失估计;
步骤2.4:风险评估。
所述的步骤2.1中的网络元素故障概率估计具体为:采用运行统计法估计网络元素故障概率:以传输链路为例,链路段的物理层主要包括OPGW、ADSS类型的光缆,因此,路由链路的故障概率即重点针对典型类型的光缆故障;光缆平均故障时长MTRO是用来描述光缆故障持续时间的指标,该指标含义为在统计周期中,统计范围内所有光缆故障持续时间总和对故障次数的平均值,即:式中,N为统计周期中光缆故障次数;TROi为第次光缆故障的持续时间;上述指标均可由运行系统直接统计得出;光缆平均故障次数λO指单位时间内光缆出现故障状态的次数,该指标的含义为在统计周期中,统计范围内所有光缆故障次数总和对光缆总长度的平均值,即:/>式中,TP为统计周期;NF(TP)为统计周期内所有光缆故障次数总和;LOS为统计周期中,统计范围内的光缆总长度;上述指标均可由运行系统直接统计得出;光缆平均故障概率PO是指单位光缆长度出现故障状态的概率,其在数值上等价于光缆平均故障次数与光缆平均故障时长的乘积;即:PO=λO·MTRO(3);由光缆平均故障率PO反映光缆的实际工作状态,表示单位长度光缆的故障概率,其进一步可得到光缆段故障率POS,即一定长度的光缆段出现故障状态的概率,该指标与光缆长度相关,即:/>式中,Li为第i段光缆的长度;POSi为第i段光缆的故障概率;则光缆段无故障概率为:/>仅当PO和Li较小时,式(4)-(5)可采用近似算法;与光缆故障概率的方法类似,可得到网络设备路由器、交换机的故障概率,网络设备的平均故障概率为:POR=λOR·MTROR(6),式中,MTROR为设备的平均故障时间;λOR为设备的平均故障次数;网络元素平均故障概率即可反映网络元素的运行状态,也可用来表示单个设备或单位长度链路的故障概率。
所述的步骤2.2中的业务故障树建模具体为:用来描述承载业务与链路、路由器、交换机网络元素之间逻辑关系,既可反映业务对网络元素的依赖关系,也可表征网络元素的故障事件对业务的影响程度,业务影响程度可以作为风险评估的重要参数,业务故障模型所表达的逻辑关系可通过下式的逻辑函数方程组表示:
式中,yi为第i个业务的逻辑值,i=1,2,...,m;m为网络中配置的业务数量;fi(...)第i个业务的逻辑函数;x1,x2,...,xj,...,xn为底事件逻辑变量;xj表示其中一网络元素的工作状态,j=1,2,...,n;n为网络中网络元素数量的总和;数据信息类业务作为电力调度数据网功能的具体体现形式,其在网络中的正常工作状态不仅取决于网络链路、路由器、交换机网络元素的工作状态,同时还与业务组织方式密切相关,因此,需要针对不同业务组织方式建立故障树模型,得出相应的业务故障概率。
所述的步骤2.3中的业务损失估计具体为:业务损失是指网络中某个元素由无故障状态变为故障状态,业务无故障概率的缩小值,“无故障状态变为故障状态”意味着“故障概率由0变1”,此指标表明网络故障元素对业务的影响程度;假设业务只有“故障”和“无故障”两种状态,则网络元素(链路、传输设备等)也有“故障”和“无故障”两种状态,根据故障树模型得到的业务故障概率PSj,当第i个元素的故障概率Pi=0时,则网络第j条业务的故障概率定义为PSj(Pi=0),无故障概率定义为QSj(Pi=0)=1-PSj(Pi=0);当第i个元素的故障概率Pi=1时,网络第j条业务的故障概率定义为PSj(Pi=1),无故障概率定义为QSj(Pi=1)=1-PSj(Pi=1),则业务损失可定义为:δij=QSj(Pi=0)=1-QSj(Pi=1)(11),式中,δij为网络第i个元素故障后,第j个业务受到的损失;从整体调度数据网络中来看,则可把业务损失矩阵定义为:
式中,n为网络业务数;m为网络元素(链路、传输设备等)总数。
所述的步骤2.4中的风险评估具体包括以下步骤:
步骤2.41:步骤1:业务权重:根据业务类别及其重要程度来确定,假设网络有N个业务类型,根据不同类型业务相对于电网运行的重要程度,对N个业务类型进行赋值,可定义承载业务的权重向量为:W=[α1,α2,...,αj,...,αn]T(13),式中,αj表示第j条承载业务的权重值;n为业务分类数;W中元素值越大,则对应的业务类型越重要;
步骤2.42:网络业务损失向量:网络元素故障会造成多个业务的损失,将同一网络元素产生的所有业务损失加权求和,即得到该元素故障对全网业务的损失,所有元素对应的网络业务损失排列即构成网络业务损失向量,计算公式为:C=Δ·W=[c1,c2,...,ci,...,cm]T(14),式中,m为网络元素数量,则网络业务损失向量是一个m维向量;ci为第i个网络网络元素(链路段、传输设备等)发生故障产生的业务损失;ci的表达式为:
步骤2.43:网络元素故障概率向量:将网络元素(链路段、路由器、交换机等)的故障概率排列即构成网络元素故障概率向量,若网络元素数量为m,则网络元素故障概率向量是一个m维向量,记为P=[P1,P2,...,Pi,...,Pm],故障概率可由式(4)、式(6)计算;
步骤2.44:网络风险向量:将网络元素(链路段、路由器、交换机等)故障概率向量与网络业务损失向量相乘,即得到网络风险向量,网络风险向量记为R=[R1,R2,...,Ri,...,Rm]。网络风险向量的计算公式为:Ri=pi·ci(16),式中,pi为第i个网络元素的故障概率;
步骤2.45:网络风险值:将网络风险向量的各元素求和,即得到网络风险值,该指标用来描述整体的网络风险,定义网络风险值记为RN,网络风险值的计算公式为:矩阵表示为:RN=P·Δ·W(18)。
所述的步骤3中的构建基于FMECA的电力调度数据网运行风险评估模型具体为:在关键风险要素的基础上,结合危害矩阵FMECA,考量对具体故障模式参数的风险评估,采用定性与定量相结合的方法,用于量化故障引起的业务损失程度及网络风险水平,具体包括以下步骤:
步骤3.1:基于故障模式危害度的量化模型;
步骤3.2:基于FMECA的网络运行风险评估。
所述的步骤3.2中的基于FMECA的网络运行风险评估具体包括以下步骤:
步骤3.21:收集运行统计数据:根据风险评估的需要,对调度数据网一定周期内的运行统计数据进行整理收集,最终集合成为风险评估需要的基本数据集;
步骤3.22:统计故障模式类型:对统计的L种故障模式,m个网络元素,有网络元素故障概率向量是一个m维向量,记为P=[p1,p2,...,pi,...,pm],其中pi为第i个网络元素的故障概率,其计算公式为:式中,/>表示第i个网络元素发生第l种故障事件的概率,可由基础数据统计得出;
步骤3.23:计算业务损失:业务重要度是业务在网络运行过程中的重要参数,假设网络有n种业务类型根据不同类型业务相对于电网运行的重要程度,对n种业务类型进行赋值,定义承载业务的权重向量为:I=[α1,α2,...,αj,...,αn]T(20),统计区域中统计周期内故障事件l导致第i个网络元素中断的时长为:式中,Til为第l类故障事件影响第i个网络元素运行的总时长;Mil为第l类故障事件影响第i个网络元素运行的次数;/>为统计出第k次第l类故障事件影响第i个网络元素运行的历时;基于故障模式危害度的量化模型,可得到第l类故障事件对于第i个网络元素的危害度Bil,则第i个网络元素的业务损失为:/>式中,/>表示受故障事件l影响的第j项业务的重要度;Al表示受故障事件l影响的业务数量;
步骤3.24:网络风险向量:将网络元素(链路段、路由器、交换机等)故障概率向量与网络业务损失向量相乘,即得到网络风险向量,网络风险向量记为R=[R1,R2,...,Ri,...,Rm],网络风险向量由式(16)可得;
步骤3.25:网络风险值:将网络风险向量的各元素求和,即得到网络风险值,该指标用来描述网络整体的风险水平,定义网络风险值为RN,RN由式(17)可得。
所述的步骤4中的构建基于检修模式下的“N-X”的电力调度数据网风险评估模型具体为:是指在运行的调度数据网络中因计划检修、抢修或其他故障原因而造成X处传输设备或链路故障后,对原运行业务和网络进行的风险影响分析及建议展开的相关风险策略,具体包括以下步骤:
步骤4.1:“N-X”风险预警模型:定义无向网络G(V,E)为电力调度数据网络的拓扑图,其中V为传输设备节点的集合,E为传输链路的集合,导入的业务集合为S=(SK),即有K条业务,其中单条业务SK必然有一条主路由MK,若干条备用路由Aki和检修路由Oki;运维人员发布检修任务X,X为G中任意一点或任意一边e,经过算法匹配,路由表更新,得出定义1中业务集合S0的主路由MK,和定义2中业务集合S1的重合处集合Gn(Vm,E1)∈G,得出“N-X”风险预警模型为:
步骤4.2:基于概率的“N-X”风险评估模型。
所述的步骤4.2中的基于概率的“N-X”风险评估模型具体为:利用概率风险评估的方法,实现检修模式下的风险评估,并在上节定义的两类路由情况基础上,将不可再检修的设备和链路加入到评估公式的计算中,概率风险评估为:PRI=R×P×T(24),即:风险值=风险后果值*风险概率值*风险暴露时间;在“N-X”检修模式下,因为X处的检修工作导致的相关设备和链路的风险概率的叠加,得到总的风险概率为:
假设各个网络元素发生故障的概率是相互独立的,可简化为:/>在电力调度数据网正常运行过程中,由于自愈环、保护倒换机制,降低业务运行风险,但在“N-X”检修模式的情况下,由于人为的检修行为,导致了倒换机制中部分路由的失效,当承载某业务的主路由或路由重合处发生故障,则业务发生中断,产生高风险,因此,结合“N-X”风险预警模型中的2类业务路由,式(24)可以改为:/>为检修场景下基于概率的“N-X”风险量化公式,式中,Ri为业务i的风险后果值;P(Aij)为业务i中有风险路由集合中j元素的故障概率;Ti为业务i的风险暴露时间。
本发明的有益效果:本发明为一种电力调度数据网系统的智能检测方法,在使用中,本发明以实际电力调度数据网运行统计数据为基础,首先,综合考虑了业务路由路径组织方式对网络风险的影响,并应用故障树理论,针对不同路径组织方式的业务建立故障模型,结合业务故障状态变化理论得到的业务损失估计,建立基于业务的网络风险评估模型;然后,结合网络配置、业务故障状态及危害度分析,应用定性与定量相结合的方法,构建基于FMECA的电力调度数据网运行风险评估模型,并将两种模型进行对比分析,得出两种模型的应用场景以及量化结果的不同含义;接着对上述方法不适用的特殊风险场景-检修模式,应用概率风险评估方法,构建调度数据网检修模式下的N-X风险评估方法;三种模型均可针对调度数据网进行不同测度的有效风险量化,具有一定的工程价值;本发明具有实现综合风险因素考量、评估结果准确性高、有效风险量化的优点。
附图说明
图1为本发明的单路由业务构成示意图。
图2为本发明的单路由业务故障树模型图。
图3为本发明的完全双路由业务构成示意图。
图4为本发明的完全双路由业务故障树模型图。
图5为本发明的部分双路由业务构成示意图。
图6为本发明的部分双路由业务故障树模型图。
图7为本发明的故障模式危害度示意图。
图8为本发明的N-1和N-2业务路由说明示意图。
图9为本发明的N-X算法流程图。
图10为本发明的检修处理模块流程图。
图11为本发明的恢复模块流程图。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1
如图1-11所示,一种电力调度数据网系统的智能检测方法,所述的方法包括以下步骤:
步骤1:构建电力调度数据网测试模型,对电力调度数据网的性能、兼容性和组网进行测试;
步骤2:构建基于业务的电力调度数据网风险评估模型;
步骤3:构建基于FMECA的电力调度数据网运行风险评估模型;
步骤4:构建基于检修模式下的“N-X”的电力调度数据网风险评估模型。
所述的步骤1中的性能测试模型具体为:在路由器默认内存分配的情况进行测试,同时路由容量的测试通过双向满载的流量来验证,并且保证负载流量字节分配的均衡性;对于路由器最大容量的测试,采用全交叉的测试拓扑测试设备真实容量;兼容性测试模型具体为:目前电力调度数据网中设备间互连的物理接口包括E1、POS、cPOS、GE,网络协议包括内部网关协议IGP、BGP、MPLS,从接口、协议两方面来对设备兼容性进行测试。
在本实施例中,所述的步骤2.2中的业务故障树建模具体包括单路由业务故障树模型、完全双路由业务故障树模型、部分双路由业务故障树模型;其中①单路由业务故障树模型为:单路由业务是指由单条路由路径组织起来的业务类型,如图1所示,其中Es和Et表示业务两端的端点,E1和E2表示业务路径的路由器,A1和A2表示业务路径中的光传输设备,L1、L2、L3表示业务路径的3条链路,此类业务的故障概率均可由单路由业务故障树模型来描述,单路由业务的故障树模型如图2所示,单路由业务故障树模型单路由业务的构成形式较为简单,其故障树模型仅为底事件的“或”(OR)运算,因此单路由业务的故障概率为:式中,Pj为第j个底事件的故障概率,j=1,2,...,n,n为底事件的数量;②完全双路由业务故障树模型为:完全双路由业务是指用两条节点和链路均不相交的路由路径并联起来的业务类型,如图3所示,图3是在图1的基础上增加了一条新的路径,且此路径的节点和链路与原路径均不相交,完全双路由业务实例的故障树模型如图4所示,完全双路由业务由其故障树模型表示可得故障概率为:
式中,Pja为第a条路径、第ja个底事件的故障概率,ja=1,2,...,na,na为第a条路径底事件的数量,不包含源节点和目的节点;/>表示第b条路径、第jb个底事件的故障概率,jb=1,2,...,nb,nb为第b条路径底事件的数量,不包含源节点和目的节点;③部分双路由业务故障树模型:部分双路由业务是指用两条节点和链路部分不相交的路由路径并联起来的业务类型,如图5所示,图5是在图1的基础上增加了一条新的路径,此路径的节点和链路与原来路径部分相交,部分并联,部分双路由业务的故障树模型如图6所示,部分双路由业务由其故障树模型表示可得故障概率为:/>式中,/>为第jp个不交子路径的故障概率,jp=1,2,...,np,np为不交子路径的数量。
所述的步骤3中的构建基于FMECA的电力调度数据网运行风险评估模型具体为:在关键风险要素的基础上,结合危害矩阵FMECA,考量对具体故障模式参数的风险评估,采用定性与定量相结合的方法,用于量化故障引起的业务损失程度及网络风险水平,具体包括以下步骤:
步骤3.1:基于故障模式危害度的量化模型;
步骤3.2:基于FMECA的网络运行风险评估。
在本实施例中,首先需要定义故障模式的概率级别和影响程度级别,故障模式的概率等级是根据一定周期内的统计数据确定的,故障模式概率等级定义遵循原则如表1所示,其中Pr(M)表示故障模式发生概率,Pr(UM)表示对应网络单元故障概率;
表1故障模式概率级别定义原则
通过统计数据,根据故障发生后的影响程度确定严重等级,评定规则遵循表2所示;
表2故障模式影响程度级别定义原则
定义原则之后,利用危害度矩阵法对调度数据网络单元故障进行分析,综合得出故障模式的危害度,如图7所示,方法为:首先以严重度等级为横轴,概率等级为纵轴构建危害度矩阵图,并连接原点和对角,将故障模式根据坐标以点的形式录入坐标系,并向对角线作垂线,最后根据垂点到原点的距离和对角直线长度的比值设定故障模式的危害度。
综上所述,基于FMECA的电力调度数据网运行风险评估方法旨在将故障模式影响程度引入网络风险评估当中,通过网络元素失效程度得出危害度量化值,并结合失效时长和故障概率得到网络元素的风险水平,该方法充分考虑故障模式参数,实用性强,对网络的适应性好,可得到网络元素的绝对量化值,适用于较大规模的电力调度数据网络。
在本实施例中,基于检修模式下的“N-X”的电力调度数据网风险评估模型是指在运行的调度数据网络中因计划检修、抢修或其他故障原因而造成X处传输设备或链路故障后,对原运行业务和网络进行的风险影响分析及建议展开的相关风险策略,目前,电力调度数据网采用IP over SDH和MPLS VPN技术传输IP数据信息,以“N-1”原则构造网络拓扑,且建设了第二平面,如图8所示的N-1”和“N-2”的业务路由说明图;如图8的左侧所示,“N-1”业务路由即:A至B间业务有主路由和备用路由,且相互独立,当其中一条链路发生中断时,该业务将切回到另一条光缆通道上,检修时候,先确定该条链路上是否承载业务:如果该条链路不承载业务,则不需要考虑检修规则;若该链路承载业务,先确定该业务的备用路由是否发生故障,若发生故障则该条链路不能进行检修,否则可被检修;如图8右侧所示,“N-2”业务路由即:A至B间业务有主路由、迁回路由和备用路由,且三条链路间相互独立,当主路由或迂回路由发生中断时,可将业务切换到第三条备用路由链路上,保障该业务运行仍具备两条独立链路;对于“N-2”业务路由而言,检修时候也需先判断该条链路是否承载业务:如果该条链路不承载业务,则不需要考虑检修规则;若该条链路承载业务,则应先确定该业务的另外两条独立链路是否发生故障,如果发生故障则先判断迂回路由和备用路由有没有交叉的设备或复用段,若有,则迂回路由和备用路由均不能被检测;若没有,则先判断迂回路由有没有承载业务,如果承载业务说明备用路由发生故障,如果没有承载业务则备用路由涉及的设备均不能检测,可检修迂回路由。
在本实施例中,“N-X”风险预警模型分为两部分:第一部分是对检修任务进行风险评估,分析其检修后风险的高低,并根据业务风险给出建议;其次,是在执行X处检修后,根据其对业务的影响情况,得到业务对应不可同时再检修的设备和链路;“N-X”风险预警模型的实现过程为:首先,模型针对的对象为电力调度数据网络路由拓扑中的业务路由,一条业务可以包括一条主路由或一条主路由和若干备用路由,每条路由链路均可由点集合{V}和边集合{E}来表示,在模型中,涉及到了三种不同路由,分别为:①主路由:有且只有一条承载某条业务的路由;②备用路由:在某业务的主路由执行检修任务时承载该业务的路由,数量大于等于0;③检修路由:当对某业务的运行路由(主路由或备用路由)执行检修任务时该路由将成为检修路由,检修路由在执行检修任务后将恢复承载检修前的业务该类路由数量在网络中大于等于0;
针对“N-X”检修模式下的规则,可定义两类检修后不可再检修的路由情况:定义1:业务只有一条正在承载运行业务的主路由,无备用路由,则主路由执行检修,业务中断,因此,在无备用路由的情况下,业务主路由包含的设备和链路不可进行检修;定义2:业务有一条主路由和n条备用路由(n≥1),但存在主路由和备用路由交叉的设备V或链路E,则重合处一旦检修,业务中断,因此,重合处所包含的设备和链路不可再检修;
在本实施例中,基于概率的“N-X”风险评估模型包含以下步骤:
步骤1:业务风险后果值R:即承载业务的设备和链路故障造成的业务损失为:Ri=Wi×Ci(28),其中,Ri为业务i的风险后果值,Wi为承载业务i的设备和链路的权重和;Ci为业务i的权重;根据通信业务的需求准则,表3列出了主要通信业务的权重参考:
表3业务的权重参考表
根据“N-X”风险预警模型的2类业务路由计算风险路由业务的风险后果值,第一类:[S0 Mk],业务的主路由存在高风险,主路由Mk由{Vn}、{Em}构成,其中V为主路由上的设备,E为主路由上的链路;第二类:[S1 Gn],业务的主备用路由的重合处存在高风险,重合处由{Vn}、{Em}构成,其中V为重合处上的设备,E为重合处上的链路;则两者的Wi可统一用下面这个公式计算:其中,αk为Vn中设备节点Vk的权重;βj为Em中链路Ej的权重;表4-5分别列出了调度数据网中不同级别的设备权重和链路权重参考及其赋值准则;
表4设备权重因子参考表
表5链路权重因子参考表
步骤2:业务失效概率值P:根据网络元素运行状态的统计数据,可得网络元素的失效概率:其中,MTBF、MTTR分别为平均故障间隔时间、平均故障修复时间;在设备和链路的运行数据统计中,存在多方面影响故障概率计算的因素,主要包括:1)设备/光缆历史故障次数,记作num,num对故障概率的影响记作In;2)设备/光缆使用时间,记作time,time对故障概率的影响记作It;3)设备/光缆所处环境的恶劣程度,记作degree,degree对故障概率的影响记作Id;4)设备/光缆的型号,记作model,model对故障概率的影响记作Im,这些因素对故障概率的影响均为相互独立,则可将故障概率的公式转变为:/>当计算网络元素为光纤链路的故障概率时,应考虑故障概率受链路长度的影响,即单位长度发生故障的概率与光纤长度的乘积;最后,进行业务的风险概率计算,可根据“N-X”风险预警模型中规划的2种情况进行分类计算;第一类:[S0 Mk],业务的主路由存在高风险,主路由Mk由{Vn}、{Em}构成,其中V为主路由上的设备,E为主路由上的链路;第二类:[S1 Gn],业务的主备用路由的重合处存在高风险,重合处由{Vn}、{Em}构成,其中V为重合处上的设备,E为重合处上的链路,则有业务i的风险概率值就是所有Vk,Ek的故障概率值之和,即:/>
步骤3:业务风险暴露时间T:考虑检修事件的时间因素,表6列出了故障事件影响时间的量化参考值;
表6设备检修事件的影响时间段设置
表6将影响时间进行划分,使在某一时间段内的影响时间具有相同的Ti值基本单位为小时,其中当影响时间为一个工作日时,设置t大于24小时,档位为两个工作日时,设置t大于48小时来计算;对于无明确影响时间的设备检修事件,统一设置其影响时间T值为1;
步骤4:网络风险值:因该模型应用于故障检修状态下,因此针对某设备或链路进行检修时,对全网风险值变化的影响为参考重点,不需进行网络风险向量这一步骤,网络风险值这一指标可用来描述网络整体的风险水平,定义网络风险值为RN,RN由式(17)可得;
综上所述,基于检修模式下的“N-X”风险评估方法旨在概率风险评估的基础上,引入调度数据网的统计参数,在X处进行检修时得到对网络的风险值变化影响,并结合“N-X”风险预警机制,给出合理检修建议;充分考虑网络检修状态下的风险因素,能够说明检修模式下的风险值变化,对调度数据网具有运行维护和风险管控的工程意义。
本发明为一种电力调度数据网系统的智能检测方法,在使用中,本发明以实际电力调度数据网运行统计数据为基础,首先,综合考虑了业务路由路径组织方式对网络风险的影响,并应用故障树理论,针对不同路径组织方式的业务建立故障模型,结合业务故障状态变化理论得到的业务损失估计,建立基于业务的网络风险评估模型;然后,结合网络配置、业务故障状态及危害度分析,应用定性与定量相结合的方法,构建基于FMECA的电力调度数据网运行风险评估模型,并将两种模型进行对比分析,得出两种模型的应用场景以及量化结果的不同含义;接着对上述方法不适用的特殊风险场景-检修模式,应用概率风险评估方法,构建调度数据网检修模式下的N-X风险评估方法;三种模型均可针对调度数据网进行不同测度的有效风险量化,具有一定的工程价值;本发明具有实现综合风险因素考量、评估结果准确性高、有效风险量化的优点。
实施例2
如图1-11所示,一种电力调度数据网系统的智能检测方法,所述的方法包括以下步骤:
步骤1:构建电力调度数据网测试模型,对电力调度数据网的性能、兼容性和组网进行测试;
步骤2:构建基于业务的电力调度数据网风险评估模型;
步骤3:构建基于FMECA的电力调度数据网运行风险评估模型;
步骤4:构建基于检修模式下的“N-X”的电力调度数据网风险评估模型。
在本实施例中,基于检修模式下的“N-X”的风险评估算法流程图如图9所示,算法流程如下:
步骤1:导入模块:在数据结构中导入业务路由信息表,并存储;
步骤2:遍历检索模块:遍历业务路由信息表,检索出0备用路由业务,给出对应业务列表及主路由;检索出n+1重合路由业务,给出对应业务列表及重合处;如果是初始化遍历检索,则无检修前后的风险值对比,是全网初始化的风险值累加;否则的话累加所有风险业务的风险值,给出检修前后网络风险值的对比;
步骤3:输入模块:操作人员可选择检修或恢复任务进行输入,若输入检修任务,则执行步骤4,否则执行步骤5;
步骤4:检修处理模块:首先根据“N-X”检修预警机制,评估和分析检修任务的可行性,如果不可行,则给出原因和改善建议,并进入步骤2:否则进入检修处理,将相应受影响业务的3种路由进行调整,然后进入步骤2;
步骤5:恢复模块:(输入的必须是处于检修状态的,即X的检修状态=1,否则将会重新输入)将相应恢复的业务的3种路由进行调整,然后进入步骤2。
其中检修处理模块具体为:检修处理模块是“N-X”检修风险预警算法中的核心部分,该模块的主要内容是:在接收到检修任务后,将网络元素进行检修,将包含检修部分并承载业务i的主或备用路由设置为检修路由;为保证该业务的正常运行,将业务i的传输调整到不包含检修任务的路由上;算法流程图如图10所示;
恢复模块具体为:算法不仅可以执行检修工作,同时还具备检修后的恢复工作,即:将检修过的检修路由移入备用路由,同时为下一次检修任务更好地执行做好准备,算法流程图如图11所示。
本发明为一种电力调度数据网系统的智能检测方法,在使用中,本发明以实际电力调度数据网运行统计数据为基础,首先,综合考虑了业务路由路径组织方式对网络风险的影响,并应用故障树理论,针对不同路径组织方式的业务建立故障模型,结合业务故障状态变化理论得到的业务损失估计,建立基于业务的网络风险评估模型;然后,结合网络配置、业务故障状态及危害度分析,应用定性与定量相结合的方法,构建基于FMECA的电力调度数据网运行风险评估模型,并将两种模型进行对比分析,得出两种模型的应用场景以及量化结果的不同含义;接着对上述方法不适用的特殊风险场景-检修模式,应用概率风险评估方法,构建调度数据网检修模式下的N-X风险评估方法;三种模型均可针对调度数据网进行不同测度的有效风险量化,具有一定的工程价值;本发明具有实现综合风险因素考量、评估结果准确性高、有效风险量化的优点。
Claims (10)
1.一种电力调度数据网系统的智能检测方法,其特征在于:所述的方法包括以下步骤:
步骤1:构建电力调度数据网测试模型,对电力调度数据网的性能、兼容性和组网进行测试;
步骤2:构建基于业务的电力调度数据网风险评估模型;
步骤3:构建基于FMECA的电力调度数据网运行风险评估模型;
步骤4:构建基于检修模式下的“N-X”的电力调度数据网风险评估模型。
2.如权利要求1所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤2中的构建基于业务的电力调度数据网风险评估模型具体为:通过对业务路由路径组织方式进行故障树建模,得到风险事件的故障概率,并结合网络元素故障引起的业务损失变化,最终得到网络元素风险量化值,具体分包括以下步骤:
步骤2.1:网络元素故障概率估计;
步骤2.2:业务故障树建模;
步骤2.3:业务损失估计;
步骤2.4:风险评估。
3.如权利要求2所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤2.1中的网络元素故障概率估计具体为:采用运行统计法估计网络元素故障概率:以传输链路为例,链路段的物理层主要包括OPGW、ADSS类型的光缆,因此,路由链路的故障概率即重点针对典型类型的光缆故障;光缆平均故障时长MTRO是用来描述光缆故障持续时间的指标,该指标含义为在统计周期中,统计范围内所有光缆故障持续时间总和对故障次数的平均值,即:式中,N为统计周期中光缆故障次数;TROi为第次光缆故障的持续时间;光缆平均故障次数λO指单位时间内光缆出现故障状态的次数,该指标的含义为在统计周期中,统计范围内所有光缆故障次数总和对光缆总长度的平均值,即:式中,TP为统计周期;NF(TP)为统计周期内所有光缆故障次数总和;LOS为统计周期中,统计范围内的光缆总长度;光缆平均故障概率PO是指单位光缆长度出现故障状态的概率,其在数值上等价于光缆平均故障次数与光缆平均故障时长的乘积;即:PO=λO·MTRO(3);由光缆平均故障率PO反映光缆的实际工作状态,表示单位长度光缆的故障概率,其进一步可得到光缆段故障率POS,即一定长度的光缆段出现故障状态的概率,该指标与光缆长度相关,即:/>式中,Li为第i段光缆的长度;POSi为第i段光缆的故障概率;则光缆段无故障概率为:/>仅当PO和Li较小时,式(4)-(5)可采用近似算法;与光缆故障概率的方法类似,可得到网络设备路由器、交换机的故障概率,网络设备的平均故障概率为:
POR=λOR·MTROR(6),式中,MTROR为设备的平均故障时间;λOR为设备的平均故障次数;网络元素平均故障概率即可反映网络元素的运行状态,也可用来表示单个设备或单位长度链路的故障概率。
4.如权利要求3所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤2.2中的业务故障树建模具体为:用来描述承载业务与链路、路由器、交换机网络元素之间逻辑关系,既可反映业务对网络元素的依赖关系,也可表征网络元素的故障事件对业务的影响程度,业务影响程度可以作为风险评估的重要参数,业务故障模型所表达的逻辑关系可通过下式的逻辑函数方程组表示:
式中,yi为第i个业务的逻辑值,i=1,2,...,m;m为网络中配置的业务数量;fi(...)第i个业务的逻辑函数;x1,x2,...,xj,...,xn为底事件逻辑变量;xj表示其中一网络元素的工作状态,j=1,2,...,n;n为网络中网络元素数量的总和;数据信息类业务作为电力调度数据网功能的具体体现形式,其在网络中的正常工作状态不仅取决于网络链路、路由器、交换机网络元素的工作状态,同时还与业务组织方式密切相关,因此,需要针对不同业务组织方式建立故障树模型,得出相应的业务故障概率。
5.如权利要求4所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤2.3中的业务损失估计具体为:业务损失是指网络中某个元素由无故障状态变为故障状态,业务无故障概率的缩小值,“无故障状态变为故障状态”意味着“故障概率由0变1”,此指标表明网络故障元素对业务的影响程度;假设业务只有“故障”和“无故障”两种状态,则网络元素也有“故障”和“无故障”两种状态,根据故障树模型得到的业务故障概率PSj,当第i个元素的故障概率Pi=0时,则网络第j条业务的故障概率定义为PSj(Pi=0),无故障概率定义为QSj(Pi=0)=1-PSj(Pi=0);当第i个元素的故障概率Pi=1时,网络第j条业务的故障概率定义为PSj(Pi=1),无故障概率定义为QSj(Pi=1)=1-PSj(Pi=1),则业务损失可定义为:δij=QSj(Pi=0)=1-QSj(Pi=1)(11),式中,δij为网络第i个元素故障后,第j个业务受到的损失;从整体调度数据网络中来看,则可把业务损失矩阵定义为:
式中,n为网络业务数;m为网络元素总数。
6.如权利要求5所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤2.4中的风险评估具体包括以下步骤:
步骤2.41:步骤1:业务权重:根据业务类别及其重要程度来确定,假设网络有N个业务类型,根据不同类型业务相对于电网运行的重要程度,对N个业务类型进行赋值,可定义承载业务的权重向量为:W=[α1,α2,...,αj,...,αn]T(13),式中,αj表示第j条承载业务的权重值;n为业务分类数;W中元素值越大,则对应的业务类型越重要;
步骤2.42:网络业务损失向量:网络元素故障会造成多个业务的损失,将同一网络元素产生的所有业务损失加权求和,即得到该元素故障对全网业务的损失,所有元素对应的网络业务损失排列即构成网络业务损失向量,计算公式为:C=Δ·W=[c1,c2,...,ci,...,cm]T(14),式中,m为网络元素数量,则网络业务损失向量是一个m维向量;ci为第i个网络网络元素发生故障产生的业务损失;ci的表达式为:
步骤2.43:网络元素故障概率向量:将网络元素的故障概率排列即构成网络元素故障概率向量,若网络元素数量为m,则网络元素故障概率向量是一个m维向量,记为P=[P1,P2,...,Pi,...,Pm],故障概率可由式(4)、式(6)计算;
步骤2.44:网络风险向量:将网络元素故障概率向量与网络业务损失向量相乘,即得到网络风险向量,网络风险向量记为R=[R1,R2,...,Ri,...,Rm]。网络风险向量的计算公式为:Ri=pi·ci(16),式中,pi为第i个网络元素的故障概率;
步骤2.45:网络风险值:将网络风险向量的各元素求和,即得到网络风险值,该指标用来描述整体的网络风险,定义网络风险值记为RN,网络风险值的计算公式为:矩阵表示为:RN=P·Δ·W(18)。
7.如权利要求1所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤3中的构建基于FMECA的电力调度数据网运行风险评估模型具体为:在关键风险要素的基础上,结合危害矩阵FMECA,考量对具体故障模式参数的风险评估,采用定性与定量相结合的方法,用于量化故障引起的业务损失程度及网络风险水平,具体包括以下步骤:
步骤3.1:基于故障模式危害度的量化模型;
步骤3.2:基于FMECA的网络运行风险评估。
8.如权利要求7所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤3.2中的基于FMECA的网络运行风险评估具体包括以下步骤:
步骤3.21:收集运行统计数据:根据风险评估的需要,对调度数据网一定周期内的运行统计数据进行整理收集,最终集合成为风险评估需要的基本数据集;
步骤3.22:统计故障模式类型:对统计的L种故障模式,m个网络元素,有网络元素故障概率向量是一个m维向量,记为P=[p1,p2,...,pi,...,pm],其中pi为第i个网络元素的故障概率,其计算公式为:式中,/>表示第i个网络元素发生第l种故障事件的概率,可由基础数据统计得出;
步骤3.23:计算业务损失:业务重要度是业务在网络运行过程中的重要参数,假设网络有n种业务类型根据不同类型业务相对于电网运行的重要程度,对n种业务类型进行赋值,定义承载业务的权重向量为:I=[α1,α2,...,αj,...,αn]T(20),统计区域中统计周期内故障事件l导致第i个网络元素中断的时长为:式中,Til为第l类故障事件影响第i个网络元素运行的总时长;Mil为第l类故障事件影响第i个网络元素运行的次数;/>为统计出第k次第l类故障事件影响第i个网络元素运行的历时;基于故障模式危害度的量化模型,可得到第l类故障事件对于第i个网络元素的危害度Bil,则第i个网络元素的业务损失为:式中,/>表示受故障事件l影响的第j项业务的重要度;Al表示受故障事件l影响的业务数量;
步骤3.24:网络风险向量:将网络元素故障概率向量与网络业务损失向量相乘,即得到网络风险向量,网络风险向量记为R=[R1,R2,...,Ri,...,Rm],网络风险向量由式(16)可得;
步骤3.25:网络风险值:将网络风险向量的各元素求和,即得到网络风险值,该指标用来描述网络整体的风险水平,定义网络风险值为RN,RN由式(17)可得。
9.如权利要求1所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤4中的构建基于检修模式下的“N-X”的电力调度数据网风险评估模型具体为:是指在运行的调度数据网络中因计划检修、抢修或其他故障原因而造成X处传输设备或链路故障后,对原运行业务和网络进行的风险影响分析及建议展开的相关风险策略,具体包括以下步骤:
步骤4.1:“N-X”风险预警模型:定义无向网络G(V,E)为电力调度数据网络的拓扑图,其中V为传输设备节点的集合,E为传输链路的集合,导入的业务集合为S=(SK),即有K条业务,其中单条业务SK必然有一条主路由MK,若干条备用路由Aki和检修路由Oki;运维人员发布检修任务X,X为G中任意一点或任意一边e,经过算法匹配,路由表更新,得出定义1中业务集合S0的主路由MK,和定义2中业务集合S1的重合处集合Gn(Vm,E1)∈G,得出“N-X”风险预警模型为:
步骤4.2:基于概率的“N-X”风险评估模型。
10.如权利要求9所述的一种电力调度数据网系统的智能检测方法,其特征在于:所述的步骤4.2中的基于概率的“N-X”风险评估模型具体为:利用概率风险评估的方法,实现检修模式下的风险评估,概率风险评估为:PRI=R×P×T(24),即:风险值=风险后果值*风险概率值*风险暴露时间;在“N-X”检修模式下,因为X处的检修工作导致的相关设备和链路的风险概率的叠加,得到总的风险概率为:
假设各个网络元素发生故障的概率是相互独立的,可简化为:/>在电力调度数据网正常运行过程中,由于自愈环、保护倒换机制,降低业务运行风险,但在“N-X”检修模式的情况下,由于人为的检修行为,导致了倒换机制中部分路由的失效,当承载某业务的主路由或路由重合处发生故障,则业务发生中断,产生高风险,因此,式(24)可以改为:为检修场景下基于概率的“N-X”风险量化公式,式中,Ri为业务i的风险后果值;P(Aij)为业务i中有风险路由集合中j元素的故障概率;Ti为业务i的风险暴露时间。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727089.0A CN116962232A (zh) | 2023-06-19 | 2023-06-19 | 一种电力调度数据网系统的智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310727089.0A CN116962232A (zh) | 2023-06-19 | 2023-06-19 | 一种电力调度数据网系统的智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116962232A true CN116962232A (zh) | 2023-10-27 |
Family
ID=88457348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310727089.0A Withdrawn CN116962232A (zh) | 2023-06-19 | 2023-06-19 | 一种电力调度数据网系统的智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116962232A (zh) |
-
2023
- 2023-06-19 CN CN202310727089.0A patent/CN116962232A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110971525B (zh) | 一种面向电力通信网的业务运行的业务路由寻址方法 | |
WO2013189110A1 (zh) | 一种电力通信故障预警分析方法及系统 | |
CN106506357A (zh) | 一种电力通信网的双路由配置方法及装置 | |
CN110222889B (zh) | 基于多种智能算法的配电网馈线自动化终端配置方法 | |
CN114025264B (zh) | 一种面向电力通信sdh光传输网络的路由规划方法 | |
CN109246495A (zh) | 一种面向多层次、多指标的光网络业务质量评估方法 | |
Xing et al. | Load balancing-based routing optimization mechanism for power communication networks | |
CN105703973A (zh) | 一种基于复合量度的电力通信光纤网络可靠性研究方法 | |
CN114172784B (zh) | 一种网络故障风险分析方法及装置 | |
CN107689884A (zh) | 一种电力通信半实物网络规划仿真的方法 | |
CN114513451A (zh) | 一种基于风险均衡的电网双路由规划方法及系统 | |
Dong et al. | A service routing reconstruction approach in cyber-physical power system based on risk balance | |
CN100571138C (zh) | 评估传输网络性能的方法 | |
CN109861855B (zh) | 一种电力通信网络中节点重要度的确定方法和装置 | |
CN116962232A (zh) | 一种电力调度数据网系统的智能检测方法 | |
CN103369416A (zh) | 一种工业epon冗余组网可靠性分析方法 | |
Ji et al. | Comprehensive vulnerability assessment and optimisation method of power communication network | |
CN114221901A (zh) | 一种能源互联网cps韧性调度方法、系统及其存储介质 | |
Booker et al. | Efficient traffic loss evaluation for transport backbone networks | |
Ngamjaroen et al. | Communication Service Risk Evaluation Based on Risk Balancing Network for Selecting Service Route | |
Fan et al. | Research on Reliability Evaluation of Electric Power Communication Network Based on Big Data | |
Zhang et al. | Vulnerability analysis and optimization of power communication network | |
CN110177029B (zh) | 一种电力通信网业务运行质量评估方法 | |
CN113361941B (zh) | 一种电力通信网可靠性评价方法及系统 | |
Liu et al. | Service reliability modeling of the IT infrastructure of active-active cloud data center |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231027 |