CN110380903A - 一种电力通信网故障探测方法、装置及设备 - Google Patents
一种电力通信网故障探测方法、装置及设备 Download PDFInfo
- Publication number
- CN110380903A CN110380903A CN201910666558.6A CN201910666558A CN110380903A CN 110380903 A CN110380903 A CN 110380903A CN 201910666558 A CN201910666558 A CN 201910666558A CN 110380903 A CN110380903 A CN 110380903A
- Authority
- CN
- China
- Prior art keywords
- detection
- power telecom
- network
- telecom network
- network equipment
- 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.)
- Granted
Links
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
- H04L41/0631—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种电力通信网故障探测方法、装置、设备、***及可读存储介质,该方案能够根据电力通信网的探测依赖矩阵和历史运维数据构建贝叶斯模型,且针对电力通信网规模较大的问题,根据探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值的探测节点,对贝叶斯模型进行分割,后续过程分别对每个子模型执行探测选择和探测站点选择即可,显著提升了探测站点和探测的选择效率,减少了探测站点的数量,降低了探测对电力通信网的干扰。
Description
技术领域
本申请涉及通信领域,特别涉及一种电力通信网故障探测方法、装置、设备、***及可读存储介质。
背景技术
随着智能电网的快速建设,电力公司为社会提供的电力资源越来越丰富,为社会发展做出了巨大贡献。电力通信网作为智能电网***的资源调度和管理的关键要素,对于智能电网的安全、稳定运营起到了非常关键的作用。
但是,电力通信网在快速发展的背景下,也存在告警和设备故障发生的概率增大的问题,这给电力通信网的管理人员带来了较大的挑战。为解决此问题,当前的研究主要包括高效的故障诊断算法研究、基于主动探测的故障管理方法研究两个研究方向。
其中,故障诊断算法主要包括基于专家经验的故障诊断算法、基于粗糙集\模糊逻辑等模糊分析算法、基于告警和故障关联关系的故障诊断算法、基于大数据和人工智能理论的故障诊断算法。这些已有研究在提高故障诊断效率、诊断性能方面,已经取得了较多的成就。但是,存在的主要问题是网络规模越大,故障诊断模型和流程越复杂,需要的故障诊断时间越长,影响实际工作中电网的安全运行。
基于主动探测的故障管理方法,通过主动获取指定网络资源的运行信息,可以有效降低告警信息、减小网络规模,从而提升故障诊断的效率。但是,此种方法需要在网络中部署探测站点,由探测站点给指定网络发送探测信息,给网络的正常业务流程带来影响。
基于上述分析可知,基于主动探测的故障管理方法对于大规模的电力通信网故障诊断来说,是一个比较好的解决方案,但是该方案在执行探测时会给电力通信网造成较大的负担。
发明内容
本申请的目的是提供一种电力通信网故障探测方法、装置、设备、***及可读存储介质,用以解决传统的基于主动探测的故障诊断方法在执行探测时会给电力通信网带来较大的负担的问题。具体方案如下:
第一方面,本申请提供了一种电力通信网故障探测方法,包括:
获取电力通信网的探测依赖矩阵,所述探测依赖矩阵用于描述探测所经过的所述电力通信网中的网络设备;
根据所述探测依赖矩阵和所述电力通信网的历史运维数据,构建贝叶斯模型,所述贝叶斯模型包括上层节点、下层节点、所述上层节点与所述下层节点之间的连接线,所述上层节点表示网络设备,所述下层节点表示探测,所述连接线表示所述网络设备故障时探测结果为异常的概率;
确定所述贝叶斯模型中满足预设条件的探测节点,并根据所述满足预设条件的探测节点对所述贝叶斯模型进行模型分割,得到子模型集合,其中所述预设条件为探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值;
分别根据所述子模型集合中的各个子模型,执行探测选择操作和探测站点选择操作,得到所述电力通信网的探测集合和探测站点集合;
根据所述探测集合和所述探测站点集合,对所述电力通信网执行探测操作,得到故障探测结果。
优选的,所述执行探测选择操作和探测站点选择操作,包括:
确定所述探测依赖矩阵中各个探测所经过的网络设备数量,并按照所述网络设备数量对所述探测所在的行向量进行升序排列,得到行向量集合;
从所述行向量集合中依次选取行向量,并在所述行向量不能由已选取的行向量或运算得到时,将所述行向量加入已选行向量集合,直至所述行向量集合中无可选取的行向量,得到所述电力通信网的探测集合;
执行探测站点选择操作。
优选的,所述执行探测站点选择操作,包括:
确定所述探测依赖矩阵中各个网络设备作为探测站点时可发送的探测数量,并按照所述探测数量对所述网络设备所在的列向量进行降序排列,得到列向量集合;
从所述列向量集合中依次选取列向量,并在所述列向量不能由已选取的列向量或运算得到时,将所述列向量加入已选列向量集合,直至所述列向量集合中无可选取的列向量,得到所述电力通信网的探测站点集合。
优选的,所述探测占比率和所述探测状态一致的占比率分别为:
其中,δi表示所述探测占比率,βi表示所述探测状态一致的占比率,Ni表示第i个网络设备,child(Ni)表示该网络设备的下层网络设备,Po表示所述贝叶斯模型的探测集合,r(P=Pj|N=Ni)表示该网络设备故障时探测Pj的探测结果为异常的概率,表示的元素数量,δ和β分别为第一预设阈值和第二预设阈值,取值范围为(0,1)。
第二方面,本申请提供了一种电力通信网故障探测装置,包括:
探测依赖矩阵获取模块:用于获取电力通信网的探测依赖矩阵,所述探测依赖矩阵用于描述探测所经过的所述电力通信网中的网络设备;
贝叶斯模型构建模块:用于根据所述探测依赖矩阵和所述电力通信网的历史运维数据,构建贝叶斯模型,所述贝叶斯模型包括上层节点、下层节点、所述上层节点与所述下层节点之间的连接线,所述上层节点表示网络设备,所述下层节点表示探测,所述连接线表示所述网络设备故障时探测结果为异常的概率;
模型分割模块:用于确定所述贝叶斯模型中满足预设条件的探测节点,并根据所述满足预设条件的探测节点对所述贝叶斯模型进行模型分割,得到子模型集合,其中所述预设条件为探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值;
探测和探测站点确定模块:用于分别根据所述子模型集合中的各个子模型,执行探测选择操作和探测站点选择操作,得到所述电力通信网的探测集合和探测站点集合;
探测模块:用于根据所述探测集合和所述探测站点集合,对所述电力通信网执行探测操作,得到故障探测结果。
优选的,所述探测和探测站点确定模块包括:探测集合确定单元和探测站点集合确定单元;
其中,所述探测集合确定单元:用于确定所述探测依赖矩阵中各个探测所经过的网络设备数量,并按照所述网络设备数量对所述探测所在的行向量进行升序排列,得到行向量集合;从所述行向量集合中依次选取行向量,并在所述行向量不能由已选取的行向量或运算得到时,将所述行向量加入已选行向量集合,直至所述行向量集合中无可选取的行向量,得到所述电力通信网的探测集合;
所述探测站点集合确定单元:用于执行探测站点选择操作。
优选的,所述探测站点集合确定单元用于:
确定所述探测依赖矩阵中各个网络设备作为探测站点时可发送的探测数量,并按照所述探测数量对所述网络设备所在的列向量进行降序排列,得到列向量集合;从所述列向量集合中依次选取列向量,并在所述列向量不能由已选取的列向量或运算得到时,将所述列向量加入已选列向量集合,直至所述列向量集合中无可选取的列向量,得到所述电力通信网的探测站点集合。
第三方面,本申请提供了一种电力通信网故障探测设备,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如上所述的一种电力通信网故障探测方法的步骤。
第四方面,本申请提供了一种电力通信网***,包括网络设备,还包括如上所述的一种电力通信网故障探测设备。
第五方面,本申请提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上所述的一种电力通信网故障探测方法的步骤。
本申请所提供的一种电力通信网故障探测方法、装置、设备、***及可读存储介质,方案包括:获取电力通信网的探测依赖矩阵;根据探测依赖矩阵和电力通信网的历史运维数据,构建贝叶斯模型;确定贝叶斯模型中满足预设条件的探测节点,并根据满足预设条件的探测节点对贝叶斯模型进行模型分割,得到子模型集合;分别根据子模型集合中的各个子模型,执行探测选择操作和探测站点选择操作,得到电力通信网的探测集合和探测站点集合;根据探测集合和探测站点集合,对电力通信网执行探测操作,得到故障探测结果。
可见,该方案能够根据电力通信网的探测依赖矩阵和历史运维数据构建贝叶斯模型,且针对电力通信网规模较大的问题,根据探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值的探测节点,对贝叶斯模型进行分割,后续过程分别对每个子模型执行探测选择和探测站点选择即可,显著提升了探测站点和探测的选择效率,减少了探测站点的数量,降低了探测对电力通信网的干扰。
附图说明
为了更清楚的说明本申请实施例或现有技术的技术方案,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的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请所提供的一种电力通信网故障探测方法实施例一的实现流程图;
图2为本申请所提供的一种电力通信网故障探测方法实施例二的实现流程图;
图3为本申请所提供的一种电力通信网故障探测方法实施例二的贝叶斯模型示意图;
图4为本申请所提供的仿真实验的执行时间对比示意图;
图5为本申请所提供的仿真实验的探测站点数量对比示意图;
图6为本申请所提供的一种电力通信网故障探测装置实施例的功能框图;
图7为本申请所提供的一种电力通信网故障探测设备实施例的结构示意图
图8为本申请所提供的一种电力通信网故障探测***的架构示意图。
具体实施方式
本申请的核心是提供一种电力通信网故障探测方法、装置、设备、***及可读存储介质,显著提升了探测站点和探测的选择效率,减少了探测站点的数量,降低了探测对电力通信网的干扰。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面对本申请提供的一种电力通信网故障探测方法实施例一进行介绍,参见图1,实施例一包括:
S101、获取电力通信网的探测依赖矩阵,所述探测依赖矩阵用于描述探测所经过的所述电力通信网中的网络设备;
S102、根据所述探测依赖矩阵和所述电力通信网的历史运维数据,构建贝叶斯模型;
上述贝叶斯模型包括上层节点、下层节点、所述上层节点与所述下层节点之间的连接线,所述上层节点表示网络设备,所述下层节点表示探测,所述连接线表示所述网络设备故障时探测结果为异常的概率;
S103、确定所述贝叶斯模型中满足预设条件的探测节点,并根据所述满足预设条件的探测节点对所述贝叶斯模型进行模型分割,得到子模型集合;
其中所述预设条件为探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值;
S104、分别根据所述子模型集合中的各个子模型,执行探测选择操作和探测站点选择操作,得到所述电力通信网的探测集合和探测站点集合;
S105、根据所述探测集合和所述探测站点集合,对所述电力通信网执行探测操作,得到故障探测结果。
本实施例对传统的基于主动探测的故障管理方法进行了改进,本实施例中,探测是指从源节点到目的节点的一个端到端操作,其中,源节点又叫做探测站点,具有发送数据到指定目的节点的能力,以及接收目的节点返回数据的能力。为了将探测和探测站点进行关联,本实施例采用探测依赖矩阵对二者进行描述,本实施例不限定探测依赖矩阵的构建时间,可以在本实施例之前预先构建,也可以在本实施例过程中即时构建。具体的,本实施例中探测依赖矩阵包括但不限于探测所经过的电力通信网中的网络设备的信息。
基于探测依赖矩阵和历史运维数据构建的贝叶斯模型,贝叶斯模型包括上层节点、下层节点、连接线三部分。其中,上层节点表示网络设备节点,下层节点表示探测,连接线表示网络设备发生故障时,探测结果为异常的概率。电力公司在长期运营过程中,已经积累了非常丰富的网络设备运维数据,基于这些数据,可以获得贝叶斯模型中的上层节点发生故障的概率、下层节点出现异常的概率,并求解出连接线的概率。
考虑到探测和探测站点选择的目标是为了实现高效的故障诊断,因此,本实施例将电力通信网的贝叶斯模型分割为多个条件独立的子模型,这些子模型之间故障集合互不影响,从而降低探测和探测站点选择问题的复杂度,提升选择效率。
本实施例主要依据模型分割理论对贝叶斯模型进行分割,模型分割理论的主要原理在于:当贝叶斯模型中两个节点条件独立时,则可以通过求解条件概率来简化计算过程。在基于探测依赖矩阵构建的贝叶斯模型中,任意两个网络设备节点和通过探测节点相连接,这种连接方式属于逆序连接,因此,通过获取探测节点的状态,就可以基于模型分割理论对探测依赖矩阵构成的模型进行分割,从而减少网络规模,提高探测和探测站点的选择效率。
作为一种具体的实施方式,探测节点的状态可以基于探测依赖矩阵中的探测结果获得。如果探测节点的状态属于正常状态,那么与其相连接的所有节点都将处于正常状态,可以将逆序连接所涉及到的所有正常的节点进行剔除,从而将大规模的贝叶斯模型分割为多个条件独立的子模型。
由贝叶斯模型可知,任意两个网络设备节点都可以通过一个探测节点逆序连接。那么,如何选择探测节点对贝叶斯网络模型进行分割是一个关键问题,本实施例将网络设备节点关联的探测占比率和探测状态一致的占比率两个指标作为衡量条件。具体的,本实施例预先设置了两个阈值,分别为第一预设阈值和第二预设阈值,在选择探测节点时,先确定其探测占比率和探测状态一致的占比率,然后判断预设条件是否成立,若成立,则确定依据该探测节点对贝叶斯模型进行分割。其中,预设条件是指探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值的。
本实施例所提供一种电力通信网故障探测方法,能够根据电力通信网的探测依赖矩阵和历史运维数据构建贝叶斯模型,且针对电力通信网规模较大的问题,根据探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值的探测节点,对贝叶斯模型进行分割,后续过程分别对每个子模型执行探测选择和探测站点选择即可,显著提升了探测站点和探测的选择效率,减少了探测站点的数量,降低了探测对电力通信网的干扰。
下面开始详细介绍本申请提供的一种电力通信网故障探测方法实施例二,实施例二基于上述实施例一实现,并在实施例一的基础上进行了一定程度上的拓展。
参见图2,实施例二具体包括:
S201、基于电力通信网的拓扑结构,构建探测依赖矩阵;
本实施例中,探测依赖矩阵的行表示探测,列表示网络设备。
表1
N1 | N2 | N3 | N4 | N5 | N6 | 探测结果 | |
P1 | 1 | 0 | 1 | 0 | 0 | 1 | 1 |
P2 | 1 | 1 | 0 | 0 | 1 | 0 | 1 |
P3 | 1 | 0 | 0 | 1 | 0 | 0 | 0 |
P4 | 1 | 1 | 0 | 1 | 1 | 0 | 0 |
下面以表1为例说明探测依赖矩阵的构成,表1中包含N1到N6共6个网络设备,P1、P2、P3、P4共4个探测,其中N1为探测站点,探测和网络设备的交叉点表示探测是否经过当前网络设备。当取值为1时,表示探测经过当前设备;否则,表示其不经过当前设备。探测和探测结果的交叉点表示探测的结果,其中,P1、P2的探测结果为1,说明P1、P2经过的网络设备都处于正常状态。P3、P4的探测结果为0,说明P3、P4经过的网络设备中至少一个设备处于不正常状态。
S202、根据探测依赖矩阵建模贝叶斯模型;
电力通信网探测站点选择的问题,就是从网络设备中选择最少的探测站点,通过发送探测能够覆盖所有的网络设备。从探测依赖矩阵的构成可知,在电力通信网规模比较大时,探测依赖矩阵将变得非常大。这种背景下,需要提出一种网络模型分割算法,将探测依赖矩阵进行分割,从而提高探测站点的选择效率。
本实施例中,基于探测依赖矩阵构建的贝叶斯模型如图3所示。包括上层节点N、下层节点P、连接线r(Pj|Ni)三部分。其中,上层节点表示网络设备节点,下层节点表示探测,连接线表示网络设备发生故障时,探测结果为1的概率。电力公司在长期运营过程中,已经积累了非常丰富的网络设备运维数据,基于这些数据,可以获得贝叶斯模型中的上层节点N、下层节点P出现异常的概率,并求解出连接线r(Pj|Ni)的概率。
S203、根据探测占比率和探测状态一致的占比率确定目标探测节点,并根据目标探测节点将贝叶斯模型分割为多个条件独立的子模型;
当两个节点条件独立时,可以通过求解条件概率来简化计算过程。下面以两个上层节点N1、N2,一个下层节点P1为例说明节点的条件独立性。假设N1、N2通过P1节点相连接,根据三个节点的连接顺序,可以分为顺序、逆序、双向三种连接方式,下面对三种连接方式进行详细说明:
在进行顺序连接和双向连接时,即连接方式为N1→P1→N2,如果当前网络设备节点集合中包含P1节点和后续的节点,此时网络设备节点集合可以将N1和N2进行分割,从而生成两个条件独立的网络。在进行逆序连接时,即连接方式为N1→P1←N2,如果当前网络设备节点集合中不包含P1节点和后续的节点,此时网络设备节点集合可以将N1和N2进行分割,从而生成两个条件独立的网络。上述两种情况下,网络设备节点集合将N1和N2进行分割,也叫做N1和N2具备条件独立的特点。
在基于探测依赖矩阵构建的贝叶斯模型中,任意两个网络设备节点N1和N2通过探测节点P1相连接。这种连接方式属于逆序连接,即连接方式为N1←P1→N2。此时,通过获取探测节点P1的状态,就可以基于上述的模型分割理论,将探测依赖矩阵构成的模型进行分割,从而减少网络规模,提高探测和探测站点的选择效率。
探测节点P1的状态可以基于探测依赖矩阵中的探测结果获得,如果探测节点P1的状态属于正常状态,那么与其相连接的所有节点都将处于正常状态。通过此种方法,可以将逆序连接所涉及到的所有正常的节点进行剔除,从而将大规模的贝叶斯模型分割为多个条件独立的子模型。
由贝叶斯模型可知,任意两个网络设备节点都可以通过一个探测进行逆序连接。如何选择探测对贝叶斯网络模型进行分割是一个关键问题。本实施例将网络设备节点关联的探测占比率δi和探测状态一致的占比率βi两个指标作为衡量条件,探测占比率δi和探测状态一致的占比率βi分别通过公式(1)和公式(2)来进行计算:
公式(1)可求解网络设备节点关联的探测占比率δi,公式(2)可求解探测状态一致的占比率βi。其中,Ni表示可观察节点,child(Ni)表示节点Ni的后续节点,Po表示所有探测的探测结果集合,表示计算的元素数量,δ和β表示设置的参数阈值,分别为前述第一预设阈值和第二预设阈值,取值范围为(0,1)。
当探测占比率δi和探测状态一致的占比率βi取值都满足公式(1)和公式(2)时,当前的探测节点将作为被选探测对贝叶斯网络模型进行分割。
S204、对每个子模型,执行最优探测选择算法和最优探测站点选择算法;
为了实现最优探测选择算法和最优探测站点选择算法,本实施例提出启发式最优探测站点选择算法,包括最优探测选择、最优探测站点选择两个过程。
最优探测的选择过程就是从所有可用的探测集合中选择最少的探测集合,能够覆盖所有的网络设备节点。关键过程如下:将所有探测构成的行向量求和,并进行升序排列,其中,求和值最小的行向量代表该探测经过的网络设备数量最少;从排序的行向量集合中,依次取出行向量,如果行向量不能由已选择的行向量或运算得到,将其加入已选行向量集合;当行向量集合为空时,已选行向量构成的集合就是最优的探测集合。
最优探测站点选择问题的目标是找出最少的探测站点,可以发出最优探测集合中的探测。关键过程如下:将所有网络设备构成的列向量求和,并进行降序排列,其中,求和值最大的列向量代表该网络设备作为探测站点时,可以发送的探测数量最多;从排序的列向量集合中,依次取出列向量,如果列向量不能由已选择的列向量或运算得到,将其加入已选择列向量集合;当列向量集合为空时,已选择列向量所代表的网络设备构成的集合就是最优的探测站点集合。
S205、根据选择出的探测站点集合和探测集合,对电力通信网执行探测操作。
为了验证本申请提供的电力通信网故障探测方法的性能,本申请进行了仿真实验。实验中使用Inet3.0工具生成网络拓扑,网络设备数量属于[100,1900]范围内,步长为200,共生成10个网络拓扑。由于matlab具有矩阵运算方面丰富的可调用函数,实验中使用matlab进行矩阵运算。
在性能比较方面,将本申请的电力通信网故障探测方法、dssa-kp算法、dssa-ra算法在算法执行时间和探测站点选择数量两个方面进行了对比。其中,dssa-kp算法基于k条独立路径理论实现,dssa-ra算法基于随机选择探测站点集合理论,从可用探测站点中随机选择探测站点发送探测,直到所有的网络设备都被覆盖为止。
算法执行时间的实验结果如图4所示。从图中可知,随着网络设备数量的增加,三个算法的执行时间都在增加。三个算法的执行时间比较方面,本申请的电力通信网故障探测方法执行时间相比于dssa-kp算法的执行时间较短,dssa-ra算法的执行时间在三个算法中最短。
探测站点选择数量实验结果如图5所示,从图中可知,随着网络设备数量的增加,三个算法选择的探测站点数量都在增加。三个算法选择的探测站点数量比较方面,dssa-kp算法选择的探测站点数量相比于dssa-ra算法来说较少,本申请的电力通信网故障探测方法选择的探测站点数量在三个算法中最少。
从上述实验结果可知,本申请的电力通信网故障探测方法在执行效率和执行效果两个方面,都优于传统的dssa-kp算法,说明本申请的电力通信网故障探测方法提高了已有算法的执行效率,降低了探测站点的数量,减少了探测站点发送探针给网络流量造成的额外负担。
下面对本申请实施例提供的一种电力通信网故障探测装置进行介绍,下文描述的一种电力通信网故障探测装置与上文描述的一种电力通信网故障探测方法可相互对应参照。
参见图6,该装置包括:
探测依赖矩阵获取模块601:用于获取电力通信网的探测依赖矩阵,所述探测依赖矩阵用于描述探测所经过的所述电力通信网中的网络设备;
贝叶斯模型构建模块602:用于根据所述探测依赖矩阵和所述电力通信网的历史运维数据,构建贝叶斯模型,所述贝叶斯模型包括上层节点、下层节点、所述上层节点与所述下层节点之间的连接线,所述上层节点表示网络设备,所述下层节点表示探测,所述连接线表示所述网络设备故障时探测结果为异常的概率;
模型分割模块603:用于确定所述贝叶斯模型中满足预设条件的探测节点,并根据所述满足预设条件的探测节点对所述贝叶斯模型进行模型分割,得到子模型集合,其中所述预设条件为探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值;
探测和探测站点确定模块604:用于分别根据所述子模型集合中的各个子模型,执行探测选择操作和探测站点选择操作,得到所述电力通信网的探测集合和探测站点集合;
探测模块605:用于根据所述探测集合和所述探测站点集合,对所述电力通信网执行探测操作,得到故障探测结果。
在一些具体的实施例中,所述探测和探测站点确定模块604包括:探测集合确定单元和探测站点集合确定单元;
其中,所述探测集合确定单元:用于确定所述探测依赖矩阵中各个探测所经过的网络设备数量,并按照所述网络设备数量对所述探测所在的行向量进行升序排列,得到行向量集合;从所述行向量集合中依次选取行向量,并在所述行向量不能由已选取的行向量或运算得到时,将所述行向量加入已选行向量集合,直至所述行向量集合中无可选取的行向量,得到所述电力通信网的探测集合;
所述探测站点集合确定单元:用于执行探测站点选择操作。
在一些具体的实施例中,所述探测站点集合确定单元用于:
确定所述探测依赖矩阵中各个网络设备作为探测站点时可发送的探测数量,并按照所述探测数量对所述网络设备所在的列向量进行降序排列,得到列向量集合;从所述列向量集合中依次选取列向量,并在所述列向量不能由已选取的列向量或运算得到时,将所述列向量加入已选列向量集合,直至所述列向量集合中无可选取的列向量,得到所述电力通信网的探测站点集合。
本实施例的电力通信网故障探测装置用于实现前述的电力通信网故障探测方法,因此该装置中的具体实施方式可见前文中的电力通信网故障探测方法的实施例部分,例如,探测依赖矩阵获取模块601、贝叶斯模型构建模块602、模型分割模块603、探测和探测站点确定模块604、探测模块605,分别用于实现上述电力通信网故障探测方法中步骤S101,S102,S103,S104,S105。所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的电力通信网故障探测装置用于实现前述的电力通信网故障探测方法,因此其作用与上述方法的作用相对应,这里不再赘述。
本申请还提供了一种电力通信网故障探测设备,参见图7,包括:
存储器100:用于存储计算机程序;
处理器200:用于执行所述计算机程序,以实现如上所述的一种电力通信网故障探测方法的步骤。
此外,本申请还提供了一种电力通信网***,参见图8,包括网络设备801,还包括如上所述的一种电力通信网故障探测设备802。
最后,本申请提供了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如上所述的一种电力通信网故障探测方法的步骤。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的方案进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种电力通信网故障探测方法,其特征在于,包括:
获取电力通信网的探测依赖矩阵,所述探测依赖矩阵用于描述探测所经过的所述电力通信网中的网络设备;
根据所述探测依赖矩阵和所述电力通信网的历史运维数据,构建贝叶斯模型,所述贝叶斯模型包括上层节点、下层节点、所述上层节点与所述下层节点之间的连接线,所述上层节点表示网络设备,所述下层节点表示探测,所述连接线表示所述网络设备故障时探测结果为异常的概率;
确定所述贝叶斯模型中满足预设条件的探测节点,并根据所述满足预设条件的探测节点对所述贝叶斯模型进行模型分割,得到子模型集合,其中所述预设条件为探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值;
分别根据所述子模型集合中的各个子模型,执行探测选择操作和探测站点选择操作,得到所述电力通信网的探测集合和探测站点集合;
根据所述探测集合和所述探测站点集合,对所述电力通信网执行探测操作,得到故障探测结果。
2.如权利要求1所述的方法,其特征在于,所述执行探测选择操作和探测站点选择操作,包括:
确定所述探测依赖矩阵中各个探测所经过的网络设备数量,并按照所述网络设备数量对所述探测所在的行向量进行升序排列,得到行向量集合;
从所述行向量集合中依次选取行向量,并在所述行向量不能由已选取的行向量或运算得到时,将所述行向量加入已选行向量集合,直至所述行向量集合中无可选取的行向量,得到所述电力通信网的探测集合;
执行探测站点选择操作。
3.如权利要求2所述的方法,其特征在于,所述执行探测站点选择操作,包括:
确定所述探测依赖矩阵中各个网络设备作为探测站点时可发送的探测数量,并按照所述探测数量对所述网络设备所在的列向量进行降序排列,得到列向量集合;
从所述列向量集合中依次选取列向量,并在所述列向量不能由已选取的列向量或运算得到时,将所述列向量加入已选列向量集合,直至所述列向量集合中无可选取的列向量,得到所述电力通信网的探测站点集合。
4.如权利要求1-3任意一项所述的方法,其特征在于,所述探测占比率和所述探测状态一致的占比率分别为:
其中,δi表示所述探测占比率,βi表示所述探测状态一致的占比率,Ni表示第i个网络设备,child(Ni)表示该网络设备的下层网络设备,Po表示所述贝叶斯模型的探测集合,r(P=Pj|N=Ni)表示该网络设备故障时探测Pj的探测结果为异常的概率,表示的元素数量,δ和β分别为第一预设阈值和第二预设阈值,取值范围为(0,1)。
5.一种电力通信网故障探测装置,其特征在于,包括:
探测依赖矩阵获取模块:用于获取电力通信网的探测依赖矩阵,所述探测依赖矩阵用于描述探测所经过的所述电力通信网中的网络设备;
贝叶斯模型构建模块:用于根据所述探测依赖矩阵和所述电力通信网的历史运维数据,构建贝叶斯模型,所述贝叶斯模型包括上层节点、下层节点、所述上层节点与所述下层节点之间的连接线,所述上层节点表示网络设备,所述下层节点表示探测,所述连接线表示所述网络设备故障时探测结果为异常的概率;
模型分割模块:用于确定所述贝叶斯模型中满足预设条件的探测节点,并根据所述满足预设条件的探测节点对所述贝叶斯模型进行模型分割,得到子模型集合,其中所述预设条件为探测占比率大于第一预设阈值且探测状态一致的占比率大于第二预设阈值;
探测和探测站点确定模块:用于分别根据所述子模型集合中的各个子模型,执行探测选择操作和探测站点选择操作,得到所述电力通信网的探测集合和探测站点集合;
探测模块:用于根据所述探测集合和所述探测站点集合,对所述电力通信网执行探测操作,得到故障探测结果。
6.如权利要求5所述的装置,其特征在于,所述探测和探测站点确定模块包括:探测集合确定单元和探测站点集合确定单元;
其中,所述探测集合确定单元:用于确定所述探测依赖矩阵中各个探测所经过的网络设备数量,并按照所述网络设备数量对所述探测所在的行向量进行升序排列,得到行向量集合;从所述行向量集合中依次选取行向量,并在所述行向量不能由已选取的行向量或运算得到时,将所述行向量加入已选行向量集合,直至所述行向量集合中无可选取的行向量,得到所述电力通信网的探测集合;
所述探测站点集合确定单元:用于执行探测站点选择操作。
7.如权利要求6所述的装置,其特征在于,所述探测站点集合确定单元用于:
确定所述探测依赖矩阵中各个网络设备作为探测站点时可发送的探测数量,并按照所述探测数量对所述网络设备所在的列向量进行降序排列,得到列向量集合;从所述列向量集合中依次选取列向量,并在所述列向量不能由已选取的列向量或运算得到时,将所述列向量加入已选列向量集合,直至所述列向量集合中无可选取的列向量,得到所述电力通信网的探测站点集合。
8.一种电力通信网故障探测设备,其特征在于,包括:
存储器:用于存储计算机程序;
处理器:用于执行所述计算机程序,以实现如权利要求1-4任意一项所述的一种电力通信网故障探测方法的步骤。
9.一种电力通信网***,其特征在于,包括网络设备,还包括如权利要求8所述的一种电力通信网故障探测设备。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时用于实现如权利要求1-4任意一项所述的一种电力通信网故障探测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910666558.6A CN110380903B (zh) | 2019-07-23 | 2019-07-23 | 一种电力通信网故障探测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910666558.6A CN110380903B (zh) | 2019-07-23 | 2019-07-23 | 一种电力通信网故障探测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110380903A true CN110380903A (zh) | 2019-10-25 |
CN110380903B CN110380903B (zh) | 2021-09-10 |
Family
ID=68255157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910666558.6A Active CN110380903B (zh) | 2019-07-23 | 2019-07-23 | 一种电力通信网故障探测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110380903B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111787512A (zh) * | 2020-07-30 | 2020-10-16 | 许继集团有限公司 | 一种基于5g通信的继电保护通信***及通信方法 |
CN111884859A (zh) * | 2020-07-30 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种网络故障诊断方法、装置及可读存储介质 |
CN112311676A (zh) * | 2020-10-22 | 2021-02-02 | 深圳供电局有限公司 | 一种5g网络中电力通信网探测选择方法 |
CN113411221A (zh) * | 2021-06-30 | 2021-09-17 | 中国南方电网有限责任公司 | 电力通信网络故障仿真验证方法、装置、设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7321560B2 (en) * | 2003-09-02 | 2008-01-22 | Kddi Corporation | Method for detecting failure location of network in the Internet |
CN101772012A (zh) * | 2009-01-04 | 2010-07-07 | ***通信集团公司 | 网络节点信任度确定方法、***及装置 |
CN102299829A (zh) * | 2011-09-01 | 2011-12-28 | 北京市天元网络技术股份有限公司 | 一种网络故障探测与定位的方法 |
CN106452877A (zh) * | 2016-10-19 | 2017-02-22 | 国网江苏省电力公司南京供电公司 | 电力信息网故障定位方法 |
-
2019
- 2019-07-23 CN CN201910666558.6A patent/CN110380903B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7321560B2 (en) * | 2003-09-02 | 2008-01-22 | Kddi Corporation | Method for detecting failure location of network in the Internet |
CN101772012A (zh) * | 2009-01-04 | 2010-07-07 | ***通信集团公司 | 网络节点信任度确定方法、***及装置 |
CN102299829A (zh) * | 2011-09-01 | 2011-12-28 | 北京市天元网络技术股份有限公司 | 一种网络故障探测与定位的方法 |
CN106452877A (zh) * | 2016-10-19 | 2017-02-22 | 国网江苏省电力公司南京供电公司 | 电力信息网故障定位方法 |
Non-Patent Citations (1)
Title |
---|
周航: "基于贝叶斯网络推理的无线传感器网络链路故障定位方法", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111787512A (zh) * | 2020-07-30 | 2020-10-16 | 许继集团有限公司 | 一种基于5g通信的继电保护通信***及通信方法 |
CN111884859A (zh) * | 2020-07-30 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种网络故障诊断方法、装置及可读存储介质 |
CN111884859B (zh) * | 2020-07-30 | 2022-10-21 | 国网重庆市电力公司电力科学研究院 | 一种网络故障诊断方法、装置及可读存储介质 |
CN112311676A (zh) * | 2020-10-22 | 2021-02-02 | 深圳供电局有限公司 | 一种5g网络中电力通信网探测选择方法 |
CN113411221A (zh) * | 2021-06-30 | 2021-09-17 | 中国南方电网有限责任公司 | 电力通信网络故障仿真验证方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110380903B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110380903A (zh) | 一种电力通信网故障探测方法、装置及设备 | |
CN105553869A (zh) | 一种电力通信网的风险均衡方法及*** | |
Peng et al. | Security analysis of CPS systems under different swapping strategies in IoT environments | |
CN108170613A (zh) | 一种软件测试用例自动生成方法 | |
CN108090677A (zh) | 一种关键基础设施可靠性测评方法 | |
CN110048901A (zh) | 一种电力通信网的故障定位方法、装置及设备 | |
CN108289285A (zh) | 一种海洋无线传感器网络丢失数据恢复与重构方法 | |
CN101715203A (zh) | 一种自动定位故障点的方法和设备 | |
CN106506485A (zh) | 网络空间安全态势感知分析方法和*** | |
CN103077325A (zh) | 基于自适应分区状态估计的智能电网不良数据检测方法 | |
Rahman et al. | Novel attacks against contingency analysis in power grids | |
CN110266046B (zh) | 基于复杂网络的电热微网拓扑综合诊断方法与*** | |
Albarakati et al. | Evaluation of the vulnerability in water distribution systems through targeted attacks | |
CN107846307B (zh) | 一种用于对信息物理***故障传播的控制方法 | |
CN103354506B (zh) | 一种物联网业务架构以及业务组合方法 | |
Zhang | Reliable virtual network mapping algorithm with network characteristics and associations | |
CN108768748B (zh) | 一种用于电力通信服务的故障诊断方法、装置及存储介质 | |
CN106603294A (zh) | 一种基于电力通信网结构和状态的综合脆弱性评估方法 | |
CN102868572A (zh) | 一种基于端到端探测的路径延时的测量方法 | |
Su et al. | TrendRank method for evaluating the importance of power grid nodes considering information network | |
CN101695079A (zh) | 一种正确性可保证的自动服务组合方法及*** | |
CN110493218A (zh) | 一种态势感知虚拟化的方法和装置 | |
CN113139704B (zh) | 一种用于钻井仿真的钻井多参数计算***及方法 | |
CN105119741A (zh) | 一种云网络可靠性度量方法 | |
Shuvro et al. | Balancing Smart Grid's Performance Enhancement and Resilience to Cyber Threat |
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 |