CN117579143A - 一种大电网与骨干光通信故障设备的诊断方法 - Google Patents
一种大电网与骨干光通信故障设备的诊断方法 Download PDFInfo
- Publication number
- CN117579143A CN117579143A CN202311473139.3A CN202311473139A CN117579143A CN 117579143 A CN117579143 A CN 117579143A CN 202311473139 A CN202311473139 A CN 202311473139A CN 117579143 A CN117579143 A CN 117579143A
- Authority
- CN
- China
- Prior art keywords
- fault
- power grid
- data
- equipment
- optical 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 61
- 230000003287 optical effect Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004040 coloring Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
- H04L41/0636—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis based on a decision tree analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及一种大电网与骨干光通信故障设备的诊断方法。其涉及大电网与骨干光通信系统之间的运行故障关联知识图谱和故障定位问题,本发明利用知识图谱对电网和光通信系统的故障数据进行深度分析和挖掘,通过识别和匹配故障模式,快速准确地确定故障设备的位置和类型。本发明可提高电网运行设备故障定位的效率和准确性,为电力和通信系统的维护和管理提供有力支持。
Description
技术领域
本发明涉及电力通信系统技术领域,更具体的说,涉及一种大电网与骨干光通信故障设备的诊断方法。
背景技术
电力骨干网作为与电网共生并存的第二张实体网络,是电网安全、稳定和经济运行的重要支撑。电力骨干网可以分为传输网、数据网、支撑网,每张网络中存在着大量通信设备和传输设备,如接入用的电端机(PCM), 传输用的光端机(SDH),数据通信网设备,调度数据网设备以及通信光缆、通信电源等通信资源。通信设备的厂商众多,设备类型复杂,当故障发生时无法建立起全路由端到端的原因分析。每一张网都有自己独立的网络管理和监控系统,各类监控数据和设备管理数据零散分布在通信管理系统、调度自动化系统等不同的业务系统中,同一设备在不同业务系统中的台账以及历史故障记录的原因、故障解决方案没有统一的格式,不同业务系统难以互通,故障定位难以准确。
且现有骨干网的运维工作体系中通信、运行、检修、保护专业之间界面比较模糊,在实际的故障处置过程中,由于故障原因无法精准定位,经常是多专业共同去现场排查问题原因,造成了人力、物力资源的浪费,制约了骨干通信网运维工作集约化、标准化和精益化管理。
发明内容
本发明的目的在于提供一种大电网与骨干光通信故障设备的诊断方法,以解决目前无法快速、准确地定位电力骨干网故障的技术问题。
为实现上述目的,本发明的技术方案是:一种大电网与骨干光通信故障设备的诊断方法,包括如下步骤:
S1、每隔预定第一周期获取第一电网运行数据,首先对数据进行预处理,接着对清洗完的数据进行实体识别,之后进行故障实体的关联,最终输出满足指定关系的故障关联集合,达到运行故障关联的知识抽取;
S2、每隔预定第二周期获取第二电网运行数据;
S3、根据第一电网运行数据和第二电网运行数据判断分析电网是否发生故障;若是,则根据第一电网运行数据和第二电网运行数据分别进行电网拓扑着色分析,利用知识图谱技术,建立大电网与骨干光通信系统之间的运行故障关联模型,该模型以图的形式表达大电网与骨干光通信系统之间可能存在的故障关联关系,采用基于弱监督方法的故障候选关系实体对学习和标注方法,建立关系实体对,形成知识连接网络,最后建立大电网与骨干光通信系统运行故障关系知识图谱,得到可能故障设备列表;
S4、遍历可能故障设备列表,将可能故障设备的运行信息根据匹配的预设规则树进行推理确定故障设备,具体包括,从可能故障设备列表取出一个可能故障设备进行推理,根据被推理可能故障设备的设备类型、电压等级和接线方式匹配对应的规则树,从匹配的规则树的被推理节点出发,获取被推理节点下的子节点,判断被推理节点下的子节点中至少一个节点的规则是否与被推理可能故障设备的运行信息对应;若是,则将被推理可能故障设备的可信度加1,将对应的节点存储在待推理队列;其中,对应的节点为被推理节点下规则与被推理故障设备的运行信息对应的子节点,从待推理队列中取出一个节点进行推理,判断该节点是否为叶子节点,通过假定相应设备存在某种故障,对设备实时数据和历史故障数据进行清洗、解析、分类、补全,如果有新的故障类型出现则标注,将采集到的数据进行处理转发到数据存储区域后,根据数据的使用需求分别存储至分布式存储、时序数据库或实时缓存与关系型数据库中,并将其保存于故障数据库中,后续在电网运行过程中,实时收集运行状态数据,将运行状态数据作为待清洗数据,与故障数据库中的各条故障表达式进行匹配,将匹配不成功的数据清洗掉,将匹配成功的数据筛选出来作为有效故障数据;最后利用大电网与骨干光通信系统运行故障关系知识图谱,对有效故障数据进行故障定位分析,识别出可能的设备故障;
S5、根据识别出的设备故障信息结合包括调度故障处置管理规定、故障处置预案、调度规程及异常监控手册,生成故障处置报告,并发送至相关人员,以便及时进行故障处理。
在本发明一实施例中,故障表达式生成方式为:根据电网、故障类型和故障条件,构造故障规则,根据故障规则,生成故障表达式,将故障表达式保存于故障数据库。
在本发明一实施例中,第一电网运行数据、第二电网运行数据均包括电力数据和光通信数据;所述电力数据包括电网的电压、电流、频率的参数,所述光通信数据包括光信号的强度、波长、传输速率的参数;所述第一周期的时间大于所述第二周期的时间。
在本发明一实施例中,所述知识图谱技术包括图数据库、图神经网络,通过利用这些技术,能够从大量的运行数据中提取出有用的信息,并建立起大电网与骨干光通信系统之间的运行故障关联模型。
在本发明一实施例中,所述可能故障设备的运行数据为第二电网运行数据中与所述可能故障设备相关的电力数据和光通信数据。
在本发明一实施例中,所述预设规则树定义不同类型、不同电压等级和不同接线方式的设备发生故障时电网设备信息和通信设备信息的关联关系;所述遍历可能故障设备列表,即将可能故障设备的运行信息根据匹配的预设规则树进行推理确定故障设备。
在本发明一实施例中,所述故障定位分析包括利用关联模型进行深度学习、模式识别、异常检测,从而识别出可能的设备故障。
在本发明一实施例中,所述故障报告包括故障类型、故障位置、故障程度的信息,并能够以包括图表、文字的形式展示,以方便相关人员快速了解和及时处理故障。
相较于现有技术,本发明具有以下有益效果:
1、本发明提出的一种大电网与骨干光通信故障设备的诊断方法是在大电网与骨干光通信系统之间的运行故障关联知识图谱基础上,通过识别和匹配故障模式,快速准确地确定故障设备的位置和类型。此方发改变现有的电网故障信息检索方式,通过推理实现故障检索、以图形化方式向电力运维人员展示故障信息,大大提高了故障检索效率。
2、利用调度故障处置管理规定、故障处置预案、调度规程及异常监控手册等文本数据以及从业务系统导出的结构化数据,通过知识图谱技术实现故障信息解析、故障判断、故障处置,帮助业务人员快速分析事故原因,全面地掌握故障处理的关键信息,并进行辅助决策,以提高电网的应急处置能力。
3、通过整合通信测、继电保护侧、调度数据网侧等多专业数据,结合本年度的故障信息,分析设备、光路等薄弱点,优化通信运行方式,实现被动抢修转主动运维。
附图说明
为了更清楚地说明本发明实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种大电网与骨干光通信故障设备的诊断方法的一种流程图;
图2为本申请实施例提供的一种大电网与骨干光通信故障设备的诊断方法的一种故障推理模型图;
图3为本申请实施例提供的一种大电网与骨干光通信故障设备的诊断方法的一种故障分析知识图谱搜索引擎架构图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明提供了一种大电网与骨干光通信故障设备的诊断方法,包括如下步骤:
S1、每隔预定第一周期获取第一电网运行数据,首先对数据进行预处理,接着对清洗完的数据进行实体识别,之后进行故障实体的关联,最终输出满足指定关系的故障关联集合,达到运行故障关联的知识抽取;
S2、每隔预定第二周期获取第二电网运行数据;
S3、根据第一电网运行数据和第二电网运行数据判断分析电网是否发生故障;若是,则根据第一电网运行数据和第二电网运行数据分别进行电网拓扑着色分析,利用知识图谱技术,建立大电网与骨干光通信系统之间的运行故障关联模型,该模型以图的形式表达大电网与骨干光通信系统之间可能存在的故障关联关系,采用基于弱监督方法的故障候选关系实体对学习和标注方法,建立关系实体对,形成知识连接网络,最后建立大电网与骨干光通信系统运行故障关系知识图谱,得到可能故障设备列表;
S4、遍历可能故障设备列表,将可能故障设备的运行信息根据匹配的预设规则树进行推理确定故障设备,具体包括,从可能故障设备列表取出一个可能故障设备进行推理,根据被推理可能故障设备的设备类型、电压等级和接线方式匹配对应的规则树,从匹配的规则树的被推理节点出发,获取被推理节点下的子节点,判断被推理节点下的子节点中至少一个节点的规则是否与被推理可能故障设备的运行信息对应;若是,则将被推理可能故障设备的可信度加1,将对应的节点存储在待推理队列;其中,对应的节点为被推理节点下规则与被推理故障设备的运行信息对应的子节点,从待推理队列中取出一个节点进行推理,判断该节点是否为叶子节点,通过假定相应设备存在某种故障,对设备实时数据和历史故障数据进行清洗、解析、分类、补全,如果有新的故障类型出现则标注,将采集到的数据进行处理转发到数据存储区域后,根据数据的使用需求分别存储至分布式存储、时序数据库或实时缓存与关系型数据库中,并将其保存于故障数据库中,后续在电网运行过程中,实时收集运行状态数据,将运行状态数据作为待清洗数据,与故障数据库中的各条故障表达式进行匹配,将匹配不成功的数据清洗掉,将匹配成功的数据筛选出来作为有效故障数据,故障表达式生成方式为:根据电网、故障类型和故障条件,构造故障规则,根据故障规则,生成故障表达式,将故障表达式保存于故障数据库;最后利用大电网与骨干光通信系统运行故障关系知识图谱,对有效故障数据进行故障定位分析,识别出可能的设备故障;
S5、根据识别出的设备故障信息结合包括调度故障处置管理规定、故障处置预案、调度规程及异常监控手册,生成故障处置报告,并发送至相关人员,以便及时进行故障处理。
本发明实施例中,第一电网运行数据、第二电网运行数据均包括电力数据和光通信数据;所述电力数据包括电网的电压、电流、频率的参数,所述光通信数据包括光信号的强度、波长、传输速率的参数;所述第一周期的时间大于所述第二周期的时间。
本发明实施例中,所述知识图谱技术包括图数据库、图神经网络,通过利用这些技术,能够从大量的运行数据中提取出有用的信息,并建立起大电网与骨干光通信系统之间的运行故障关联模型。所述可能故障设备的运行数据为第二电网运行数据中与所述可能故障设备相关的电力数据和光通信数据。所述预设规则树定义不同类型、不同电压等级和不同接线方式的设备发生故障时电网设备信息和通信设备信息的关联关系;所述遍历可能故障设备列表,即将可能故障设备的运行信息根据匹配的预设规则树进行推理确定故障设备。
本发明实施例中,所述故障定位分析包括利用关联模型进行深度学习、模式识别、异常检测,从而识别出可能的设备故障。
本发明实施例中,所述故障报告包括故障类型、故障位置、故障程度的信息,并能够以包括图表、文字的形式展示,以方便相关人员快速了解和及时处理故障。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种大电网与骨干光通信故障设备的诊断方法,其特征在于,包括如下步骤:
S1、每隔预定第一周期获取第一电网运行数据,首先对数据进行预处理,接着对清洗完的数据进行实体识别,之后进行故障实体的关联,最终输出满足指定关系的故障关联集合,达到运行故障关联的知识抽取;
S2、每隔预定第二周期获取第二电网运行数据;
S3、根据第一电网运行数据和第二电网运行数据判断分析电网是否发生故障;若是,则根据第一电网运行数据和第二电网运行数据分别进行电网拓扑着色分析,利用知识图谱技术,建立大电网与骨干光通信系统之间的运行故障关联模型,该模型以图的形式表达大电网与骨干光通信系统之间可能存在的故障关联关系,采用基于弱监督方法的故障候选关系实体对学习和标注方法,建立关系实体对,形成知识连接网络,最后建立大电网与骨干光通信系统运行故障关系知识图谱,得到可能故障设备列表;
S4、遍历可能故障设备列表,将可能故障设备的运行信息根据匹配的预设规则树进行推理确定故障设备,具体包括,从可能故障设备列表取出一个可能故障设备进行推理,根据被推理可能故障设备的设备类型、电压等级和接线方式匹配对应的规则树,从匹配的规则树的被推理节点出发,获取被推理节点下的子节点,判断被推理节点下的子节点中至少一个节点的规则是否与被推理可能故障设备的运行信息对应;若是,则将被推理可能故障设备的可信度加1,将对应的节点存储在待推理队列;其中,对应的节点为被推理节点下规则与被推理故障设备的运行信息对应的子节点,从待推理队列中取出一个节点进行推理,判断该节点是否为叶子节点,通过假定相应设备存在某种故障,对设备实时数据和历史故障数据进行清洗、解析、分类、补全,如果有新的故障类型出现则标注,将采集到的数据进行处理转发到数据存储区域后,根据数据的使用需求分别存储至分布式存储、时序数据库或实时缓存与关系型数据库中,并将其保存于故障数据库中,后续在电网运行过程中,实时收集运行状态数据,将运行状态数据作为待清洗数据,与故障数据库中的各条故障表达式进行匹配,将匹配不成功的数据清洗掉,将匹配成功的数据筛选出来作为有效故障数据;最后利用大电网与骨干光通信系统运行故障关系知识图谱,对有效故障数据进行故障定位分析,识别出可能的设备故障;
S5、根据识别出的设备故障信息结合包括调度故障处置管理规定、故障处置预案、调度规程及异常监控手册,生成故障处置报告,并发送至相关人员,以便及时进行故障处理。
2.根据权利要求1所述的一种大电网与骨干光通信故障设备的诊断方法,其特征在于,故障表达式生成方式为:根据电网、故障类型和故障条件,构造故障规则,根据故障规则,生成故障表达式,将故障表达式保存于故障数据库。
3.根据权利要求1所述的一种大电网与骨干光通信故障设备的诊断方法,其特征在于,第一电网运行数据、第二电网运行数据均包括电力数据和光通信数据;所述电力数据包括电网的电压、电流、频率的参数,所述光通信数据包括光信号的强度、波长、传输速率的参数;所述第一周期的时间大于所述第二周期的时间。
4.根据权利要求1所述的一种大电网与骨干光通信故障设备的诊断方法,其特征在于,所述知识图谱技术包括图数据库、图神经网络,通过利用这些技术,能够从大量的运行数据中提取出有用的信息,并建立起大电网与骨干光通信系统之间的运行故障关联模型。
5.根据权利要求1所述的一种大电网与骨干光通信故障设备的诊断方法,其特征在于,所述可能故障设备的运行数据为第二电网运行数据中与所述可能故障设备相关的电力数据和光通信数据。
6.根据权利要求1所述的一种大电网与骨干光通信故障设备的诊断方法,其特征在于,所述预设规则树定义不同类型、不同电压等级和不同接线方式的设备发生故障时电网设备信息和通信设备信息的关联关系;所述遍历可能故障设备列表,即将可能故障设备的运行信息根据匹配的预设规则树进行推理确定故障设备。
7.根据权利要求1所述的一种大电网与骨干光通信故障设备的诊断方法,其特征在于,所述故障定位分析包括利用关联模型进行深度学习、模式识别、异常检测,从而识别出可能的设备故障。
8.根据权利要求1所述的一种大电网与骨干光通信故障设备的诊断方法,其特征在于,所述故障报告包括故障类型、故障位置、故障程度的信息,并能够以包括图表、文字的形式展示,以方便相关人员快速了解和及时处理故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473139.3A CN117579143A (zh) | 2023-11-07 | 2023-11-07 | 一种大电网与骨干光通信故障设备的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311473139.3A CN117579143A (zh) | 2023-11-07 | 2023-11-07 | 一种大电网与骨干光通信故障设备的诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117579143A true CN117579143A (zh) | 2024-02-20 |
Family
ID=89883507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311473139.3A Pending CN117579143A (zh) | 2023-11-07 | 2023-11-07 | 一种大电网与骨干光通信故障设备的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117579143A (zh) |
-
2023
- 2023-11-07 CN CN202311473139.3A patent/CN117579143A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717665B (zh) | 基于调度控制系统故障辨识及趋性分析系统和方法 | |
CN109800127A (zh) | 一种基于机器学习的系统故障诊断智能化运维方法及系统 | |
CN107146018A (zh) | 基于电网状态监测系统的数据处理分析方法和系统 | |
CN108388950A (zh) | 基于大数据的变压器智能运维方法及系统 | |
CN107463998A (zh) | 一种基于云服务平台的电力设备运维服务系统及方法 | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN105337765A (zh) | 一种分布式hadoop集群故障自动诊断修复系统 | |
CN109949436A (zh) | 基于重点能耗设备模型诊断分析的工业智能优化节能系统 | |
CN103049365B (zh) | 信息与应用资源运行状态监控及评价方法 | |
CN103023028A (zh) | 一种基于实体间依赖关系图的电网故障快速定位方法 | |
CN113987001A (zh) | 轨道交通信号系统故障分析方法、装置及电子设备 | |
CN115225463A (zh) | 一种基于it运维的硬件故障监测方法及系统 | |
CN115760073A (zh) | 一种基于bim模型的变电站设备维护系统和方法 | |
CN115639801A (zh) | 基于多智能体的故障诊断与分析决策平台 | |
CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
CN109581115B (zh) | 一种配电网低电压诊断系统和诊断方法 | |
CN115037603A (zh) | 用电信息采集设备的诊断评估方法、装置及系统 | |
CN117436846B (zh) | 基于神经网络的设备预测性维护方法及系统 | |
CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
CN117521498A (zh) | 一种充电桩引导式故障诊断预测方法及系统 | |
CN117313845A (zh) | 一种基于知识图谱的电网故障检测辅助方法和系统 | |
CN115438093A (zh) | 一种电力通信设备故障判断方法与检测系统 | |
CN117579143A (zh) | 一种大电网与骨干光通信故障设备的诊断方法 | |
CN116362561A (zh) | 一种基于大数据的集控站运行辅助决策方法 | |
CN114139747A (zh) | 基于人工智能技术的AIOps智能运维系统 |
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 |