CN117557127A - 电网调度***支撑平台可靠性评估方法、***及存储介质 - Google Patents
电网调度***支撑平台可靠性评估方法、***及存储介质 Download PDFInfo
- Publication number
- CN117557127A CN117557127A CN202311263921.2A CN202311263921A CN117557127A CN 117557127 A CN117557127 A CN 117557127A CN 202311263921 A CN202311263921 A CN 202311263921A CN 117557127 A CN117557127 A CN 117557127A
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- network
- reliability
- support platform
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000012633 leachable Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明提供了一种电网调度***支撑平台可靠性评估方法、***及存储介质，包括如下步骤：S1：分析支撑平台，建立邻接矩阵和度矩阵S2：搜集支撑平台故障案例，将故障注入支撑平台；S3：将故障对应的级别与故障数据对应存入时序数据库；S4：分析各服务节点的可靠性标签；S5：进行多模态故障数据集构建；S6：构建多通道图卷积网络用于半监督节点分类任务结合图卷积与通道注意力机制，融合多通道特征，得到多通道图卷积网络模型；S7：利用预处理后数据集对模型进行训练和测试；S8：将新的***数据输入至训练好的模型中，进行平台可靠性评估。本发明方法适用于进行在标签不完整的情况下不同工作条件的支撑平台可靠性等级评估。
Description
技术领域
本发明属于电网调度自动化***可靠性评估技术领域，具体涉及一种基于多通道图卷积网络的电网调度自动化***支撑平台可靠性评估方法、***及存储介质。
背景技术
电网调度自动化***可靠性分析评估方法主要包括***的可靠性指标、故障模式与效应分析、可靠性评估方法、维护策略和实施效果评估。首先，***的可靠性指标是评估电网调度自动化***可靠性的重要指标，包括***的可用性、可靠性、平均无故障时间、平均修复时间等。这些指标可以反映出***的稳定性、可靠性和可用性等方面的情况。其次，故障模式与效应分析是对电网调度自动化***进行可靠性分析的重要方法，通过对***的故障模式与效应进行分析，可以找出***的故障原因，了解故障对***的影响，为制定合理的维护策略提供依据。然后，可靠性评估方法是对电网调度自动化***进行可靠性评估的重要手段，可采用可靠性分析、故障树分析、事件树分析、Markov模型等方法对***的可靠性进行评估，分析***的故障率、失效概率、平均修复时间等可靠性指标。其次，制定合理的维护策略是提高电网调度自动化***可靠性的重要措施，可以采用定期检查、预防性维护、故障排除等策略，以提高***的可靠性和稳定性。最后，实施效果评估是对制定的维护策略进行实施效果评估的重要环节，分析维护策略的有效性和可行性，为后续的维护工作提供参考。然而，这些方法在处理非线性、高维度、动态变化等问题时往往存在着一定的局限性。随着分布式***技术在电网调度自动化***中的应用与发展，其负载均衡、数据多活等设计策略提高了***内节点间的信息交互的频率和相互影响的程度，增加了准确评估当前状态可靠性的难度。
近年来，利用深度学习方法对复杂分布式***进行可靠性评估的研究逐渐兴起。这种方法可以利用大量的历史数据进行建模和预测，从而更准确地评估电力***的可靠性。基于深度学习方法的电力***可靠性评估技术主要分为以下几类：首先是基于卷积神经网络(CNN)的电力***故障诊断技术。这种方法可以对电力***中的故障进行自动检测和诊断，从而提高电力***的可靠性。例如，可以将电力***中的故障数据输入到CNN模型中，通过学习和识别来自动检测和诊断故障。其次是基于递归神经网络(RNN)的电力***负荷预测技术。这种方法可以利用历史负荷数据进行预测，从而帮助电力***管理者更好地规划和调度电力***。例如，可以将历史负荷数据输入到RNN模型中，通过学习和记忆来预测未来的负荷情况。第三类是基于深度强化学习的电力***控制技术。这种方法可以通过学习和优化电力***的控制策略，从而提高电力***的可靠性。例如，可以将电力***中的控制策略输入到深度强化学习模型中，通过学习和优化来提高电力***的控制效能。最后，基于深度学习方法的电力***状态评估技术。这种方法可以利用历史数据对电力***的状态进行预测和评估，从而提高电力***的可靠性。例如，可以将电力***中的历史数据输入到深度学习模型中，通过学习和预测来评估电力***的状态和可靠性。然而随着电力***规模的不断扩大和复杂度的增加，其运行数据的构成也逐渐复杂化，标签获取过程消耗的资源不断增加。
发明内容
针对现有技术存在的问题，本发明拟提供一种基于多通道图卷积网络的电网调度自动化***支撑平台可靠性评估方法、***及存储介质，适用于进行在标签不完整的情况下不同工作条件的支撑平台可靠性等级评估。
本发明为解决现有技术中存在的问题采用的技术方案如下：
一种电网调度***支撑平台可靠性评估方法，包括如下步骤：
S1：分析支撑平台本身及设计文档，确定可靠性分析关键点，依据关键点并结合微服务具体内容，将电网调度***支撑平台的拓扑结构表示为图结构，将***中的服务节点表示为图中的节点，将节点之间的连接关系表示为图中的边，建立邻接矩阵和度矩阵/>
S2：搜集支撑平台故障案例，将这些故障注入支撑平台；
S3：进行FMECA分析确定数据标签，在步骤S2的基础上，针对各故障案例数据使用FMECA分析方法分析完成故障注入后的***，综合考虑故障注入造成的影响范围与后果，进行故障的严酷度定级，最后将故障对应的级别与故障数据对应存入时序数据库；
S4：结合FMECA分析结果得出各服务节点的可靠性标签，对于缺乏历史故障信息的节点，设计训练掩码(train_mask)矩阵，过滤无标签节点的信息，仅汇聚带标签节点的数据信息进入损失(Loss)函数完成正向传播；
S5：进行多模态故障数据集构建，在时序数据库记录的数据基础上进行数据清洗，综合考虑多个故障模式下的数据，采用时间滑窗法在***不同模态下构建运行数据与严酷度标签对应的的故障数据集，回避在train_mask矩阵中选择回避的节点；清洗后的数据包含三个指标向量与对应标签，分别是***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat，对应标签采用One-hot编码；
S6：基于步骤S1建立的邻接矩阵和度矩阵/>构建多通道图卷积网络用于半监督节点分类任务，同时考虑***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat三类输入，捕捉支撑平台的历史运行数据的通道特征，结合图卷积与通道注意力机制，融合多通道特征，得到多通道图卷积网络模型；
S7：利用预处理后数据集对多通道图卷积网络模型进行训练和测试；
S8：将新的***指标、网络指标和数据指标相关数据输入至训练好的多通道图卷积网络模型中，进行可靠性评估。
所述步骤S2具体方法为：基于收集到的支撑平台故障案例，形成故障信息库，将故障信息库中的已有故障单独，或随机选取任意数量的故障模式经排列组合后形成的新故障依次注入支撑平台，根据平台表现使用Ptometheus等性能监控工具实时采集故障状态下的运行数据，参考已有的电力调度自动化***健康度综合评价指标体系，例如CPU使用率、内存使用率、SWAP使用率、网卡平均流量、网络延迟、硬盘使用率等，采集的运行数据划分为以下三类：
(1)***参数：表征当前进程占用的***资源指标，如进程/服务的CPU、内存占用率，总线压力等；
(2)网络参数：表征当前进程/服务占用网络资源的大小，如网络IO强度，上行/下行速率、消息延迟、定时发送消息的间隔时间等；
(3)数据参数：表征当前进程/服务对***造成的数据压力，如硬盘使用率等。
使用时序数据库TSDB将采集完成的数据及时保存。
FMECA(故障机理与影响分析)是一种***性的分析方法，主要用于评估***中各个元件的故障机理和故障对***的影响，以及确定预防和修复措施。所述步骤S3中对支撑平台进行FMECA分析的具体步骤为：
S3.1、确定支撑平台软件***或设备的功能和目标，确定FMECA的范围和目的；
S3.2、确认支撑平台软件***或设备中的所有组件，例如硬件、软件服务、子***和平台应用；在此基础上，识别每个组件的故障模式和故障机理，包括元件可能出现的所有故障类型和原因；
S3.3、分析每个故障模式和机理的可能影响，例如对***性能的影响、安全风险等；
S3.4、最后对每个故障模式和机理进行风险评估，确定其对***的重要性和风险等级。需要注意的是，在进行FMECA分析时，需要有完备的数据和信息支持，以便对***或设备中的所有元件进行全面的分析和评估。同时，分析结果需要根据实际情况进行调整和优化，以确保FMECA分析的有效性和可行性。
所述步骤S6具体包括如下步骤：
S6.1、依据步骤S1中提出的邻接矩阵和度矩阵/>建立多通道图卷积网络，设置对应于***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat的三个独立的卷积通道，对每个通道应用l次图卷积；具体地，***指标数据是N×n1×m1的三维数组，网络指标数据是N×n2×m2的二维数组，设计模式数据是N×n3×m3的二维数组；Zsys,Zweb,Zdat是***指标数据、网络指标数据和设计模式数据经过卷积后得到的特征图，那么图卷积网络的第l层输出可以表示为：
其中，和/>表示图卷积网络的一组可学习参数，σ表示Sigmoid激活函数，最后将完成多通道图卷积后获得的图嵌入记为/>其右上角的l表示第l次图卷积；
S6.2、在利用图卷积捕获数据的空间维度信息后，再在时间维度进行一次普通的卷积操作，聚合同一节点在一定时间邻域内的数据，更新目标节点的信息，更新方式如下：
其中Φ代表时间维度的卷积核，上式中“*”表示常规卷积操作，σ表示Sigmoid激活函数，然后采用注意力机制来自动学习不同嵌入的权重，以便融合三个通道图嵌入对最终预测结果的贡献，设置α1，α2，α3分别表示三个通道的不同注意力系数，则该步骤可表示为：
Z＝α1·Zsys+α2·Zweb+α3·Zdat (7)
其中，
其中tanh与softmax分别代表两种激活函数，“omega“通常代表注意力分布(attention distribution)。它用于表示模型在进行注意力计算时，对不同输入元素的关注程度或重要性，diag()代表将向量展成对角矩阵。式中k＝1,2,3时，ch分别对应sys,web,dat；
S6.3、建立具有线性变换的全连接层和输出层，将学习到的相互关联特征映射至输出维度，从而得到多通道图卷积网络模型，选择交叉熵损失函数作为全联接层和输出层的激活函数。
所述步骤S7具体包括如下步骤：
S7.1、多通道图卷积网络中的所有参数在训练开始时随机初始化；
S7.2、使用反向传播算法对多通道图卷积进行参数更新，包括p个训练样本，多通道图卷积通过正向传播对输入序列样本执行特征学习，并以连续的步长输出可靠度R，将所有样本向前传播到输出层后，将估计的与真实值R进行比较，以交叉熵损失函数作为网络的损失函数Loss，以进行后向传播进行参数更新；
式(11)中，C为类的数目，Rij为第i个样本在第j类上的真实标签，表示模型输出，在后向传播的过程中，使用Adam算法最小化损失函数获得优化的网络结构参数，p为训练样本个数；
S7.3、利用测试集{Xi Test,Ri Test}对多通道图卷积进行测试，Xi表示训练集的输入，Ri表示训练集的输出，由精准率(Precision)和F1-Score两个指标对该网络测试性能和结果进行评估。
一种电网调度***支撑平台可靠性评估***，包含所述的电网调度***支撑平台可靠性评估方法。
一种存储介质，其上存储有计算机程序，所述计算机程序在运行时执行所述的电网调度***支撑平台可靠性评估方法。
本发明具有如下优点：
现有的传统方法在针对分布式***进行可靠性评估时，通常将***拆分为独立的节点进而结合故障数据的时空分布特征预测可能的故障模式，未考虑故障、负载、信息等因素在节点间的传播效应；在此基础上，基于深度学习的方法还无法进行部分节点数据标签缺失情况下的模型训练。因此，本方法提出通过同时学习基于网络拓扑结构的数据空间变化特征与其时间变化特征，在半监督情况下完成模型训练，对***的可靠性进行预测和评估。使用邻接矩阵与度矩阵倒数乘积形成的空间卷积核捕获节点间的交互行为特征，综合考虑临近节点间的多种因素传播效应，再通过时间卷积核在时间维度上进一步提取时序分布特征。依据这种卷积方式输出的图嵌入矩阵中每个节点都包含若干临近节点的信息及它们随时间变化的信息，因此无标签节点的特征信息已经被充分融入标签好的节点中，克服了无标签数据无法训练的问题，并充分利用测试数据使得评估结果更为充分可信。
附图说明
图1为本发明方法流程图；
图2为本发明中建立的多通道图卷积网络模型结构示例图；
图3为本发明中多通道图卷积网络模型的train_mask设计与数据训练流程。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例1
本发明提供了一种电网调度自动化***支撑平台可靠性评估方法，如图1所示，包括如下步骤：
步骤1：分析支撑平台本身及设计文档，确定可靠性分析关键点，依据关键点并结合微服务具体内容，将其拓扑结构表示为图结构，将***中的服务节点表示为图中的节点，将节点之间的连接关系表示为图中的边，建立邻接矩阵和度矩阵/>
步骤1中设计文档是一种用于记录和描述软件***设计的文档。它通常包含了软件***的整体架构、模块设计、数据结构、算法、接口定义、数据库设计、用户界面设计等方面的信息。软件设计文档的目的是为了帮助开发团队和其他相关人员理解和实现软件***。它可以作为沟通工具，使开发团队成员之间能够共享和讨论设计决策。此外，软件设计文档还可以作为软件***的参考手册，供维护人员和未来的开发人员使用。微服务是一种软件架构风格，它将一个大型的、复杂的软件***拆分成一组小型、独立的服务。每个服务都运行在自己的进程中，并通过轻量级的通信机制(如HTTP或消息队列)进行相互通信；微服务架构的核心思想是将软件***划分为一组自治的服务，每个服务都专注于解决特定的业务问题；每个服务都可以独立开发、部署和扩展，因此可以实现更高的灵活性和可伸缩性。服务节点指在服务集群内的通过交换机连接的各台主机。
步骤2：搜集支撑平台故障案例，形成故障信息库，并完成已知故障和组合故障的模拟生成，将这些故障注入支撑平台根据故障的影响范围与表现进行FMECA分析，计算每个故障的严酷度；步骤2具体方法为：将故障信息库中的已有故障单独，或随机选取任意数量的故障模式经排列组合后形成的新故障依次注入支撑平台，根据平台表现使用Ptometheus等性能监控工具实时采集故障状态下的运行数据，参考已有的电力调度自动化***健康度综合评价指标体系，例如CPU使用率、内存使用率、SWAP使用率、网卡平均流量、网络延迟、硬盘使用率等，采集的运行数据可划分为以下三类：
(1)***参数：表征当前进程占用的***资源指标，如进程/服务的CPU、内存占用率，总线压力等；
(2)网络参数：表征当前进程/服务占用网络资源的大小，如网络IO强度，上行/下行速率、消息延迟、定时发送消息的间隔时间等；
(3)数据参数：表征当前进程/服务对***造成的数据压力，如硬盘使用率等。
使用时序数据库TSDB将采集完成的数据及时保存。
步骤3：进行FMECA分析确定数据标签。在步骤3的基础上，针对每组数据使用FMECA分析方法分析完成故障注入后的***，综合考虑故障注入造成的影响范围与造成后果进行故障的严酷度定级，最后将故障对应的级别与故障数据对应存入时序数据库；
FMECA(故障机理与影响分析)是一种***性的分析方法，主要用于评估***中各个元件的故障机理和故障对***的影响，以及确定预防和修复措施。以下是对支撑平台进行FMECA分析的步骤：首先，确定支撑平台软件***或设备的功能和目标，确定FMECA的范围和目的；然后，确认支撑平台软件***或设备中的所有组件，例如硬件、软件服务、子***和平台应用；在此基础上，识别每个组件的故障模式和故障机理，包括元件可能出现的所有故障类型和原因；进一步地，分析每个故障模式和机理的可能影响，例如对***性能的影响、安全风险等；最后对每个故障模式和机理进行风险评估，确定其对***的重要性和风险等级。需要注意的是，在进行FMECA分析时，需要有完备的数据和信息支持，以便对***或设备中的所有元件进行全面的分析和评估。同时，分析结果需要根据实际情况进行调整和优化，以确保FMECA分析的有效性和可行性。
步骤4：分析各服务节点的标签获取必要性，如图3所示，设计train_mask矩阵，过滤无标签节点的信息，仅汇聚带标签节点的数据信息进入Loss函数完成正向传播；
步骤5：进行多模态故障数据集构建，在时序数据库记录的数据基础上进行数据清洗，综合考虑多个故障模式下的数据，采用时间滑窗法在***不同模态下构建运行数据与严酷度标签对应的的故障数据集，回避在train_mask矩阵中选择回避的节点；清洗后的数据包含三个指标向量与对应标签，分别是***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat，对应标签采用One-hot编码；
步骤6：基于步骤S1建立的邻接矩阵和度矩阵/>构建多通道图卷积网络用于半监督节点分类任务，同时考虑***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat三类输入，捕捉支撑平台的历史运行数据的通道特征，结合图卷积与通道注意力机制，融合多通道特征，得到多通道图卷积网络模型；
如图2所示，首先依据步骤一中提出的邻接矩阵和度矩阵/>建立多通道图卷积网络，设置对应于***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat的三个独立的卷积通道，对每个通道应用l次图卷积；具体地，***指标数据是N×n1×m1的三维数组，网络指标数据是N×n2×m2的二维数组，设计模式数据是N×n3×m3的二维数组；Zsys,Zweb,Zdat是***指标数据、网络指标数据和设计模式数据经过卷积后得到的特征图，那么图卷积网络的第l层输出可以表示为：
其中，和/>表示图卷积网络的一组可学习参数，σ表示Sigmoid激活函数，最后将完成多通道图卷积后获得的图嵌入记为/>其右上角的l表示第l次图卷积。
在利用图卷积捕获数据的空间维度信息后，再在时间维度进行一次普通的卷积操作，聚合同一节点在一定时间邻域内的数据，更新目标节点的信息，更新方式如下：
其中Φ代表时间维度的卷积核，上式中“*”表示常规卷积操作，σ表示Sigmoid激活函数，然后采用注意力机制来自动学习不同嵌入的权重，以便融合三个通道图嵌入对最终预测结果的贡献，设置α1，α2，α3分别表示三个通道的不同注意力系数，则该步骤可表示为：
Z＝α1·Zsys+α2·Zweb+α3·Zdat (7)
其中，
需要说明的是，tanh与softmax分别代表两种激活函数，“omega“通常代表注意力分布(attention distribution)。它用于表示模型在进行注意力计算时，对不同输入元素的关注程度或重要性，diag()代表将向量展成对角矩阵。式中k＝1,2,3时，ch分别对应sys,web,dat。
最后，建立具有线性变换的全连接层和输出层，将学习到的相互关联特征映射至输出维度，从而得到多通道图卷积网络模型，选择交叉熵损失函数作为全联接层和输出层的激活函数；
步骤7：利用预处理后数据集对多通道图卷积网络模型进行训练和测试；
所述步骤7具体过程为：首先，多通道图卷积网络中的所有参数在训练开始时随机初始化；然后，使用反向传播算法对多通道图卷积进行参数更新，包括p个训练样本，多通道图卷积通过正向传播对输入序列样本执行特征学习，并以连续的步长输出可靠度R，将所有样本向前传播到输出层后，将估计的与真实值R进行比较，以交叉熵损失函数作为网络的损失函数Loss，以进行后向传播进行参数更新；
式(11)中，C为类的数目，Rij为第i个样本在第j类上的真实标签，表示模型输出，在后向传播的过程中，使用Adam算法最小化损失函数获得优化的网络结构参数，p为训练样本个数；
然后，利用测试集{Xi Test,Ri Test}对多通道图卷积进行测试，Xi表示训练集的输入，Ri表示训练集的输出，由精准率(Precision)和F1-Score两个指标对该网络测试性能和结果进行评估；
步骤8：将新的***指标、网络指标和数据指标相关数据输入至训练好的多通道图卷积网络模型中，进行可靠性评估。
实施例2
本实施例提供了一种电网调度***支撑平台可靠性评估***，包含实施例1中电网调度***支撑平台的可靠性评估方法。
实施例3
本实施例提供了一种存储介质，其上存储有计算机程序，计算机程序在运行时执行实施例1的电网调度***支撑平台可靠性评估方法。
本发明的保护范围并不限于上述的实施例，显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围内，则本发明的意图也包含这些改动和变形在内。
Claims (8)
1.一种电网调度***支撑平台可靠性评估方法，其特征在于，包括如下步骤：
S1：将电网调度***支撑平台的拓扑结构表示为图结构，将***中的服务节点表示为图中的节点，将节点之间的连接关系表示为图中的边，建立邻接矩阵和度矩阵/>
S2：搜集支撑平台故障案例，将这些故障注入支撑平台；
S3：针对各故障案例数据使用FMECA分析方法分析完成故障注入后的***，综合考虑故障注入造成的影响范围与后果，进行故障的严酷度定级，最后将故障对应的级别与故障数据对应存入时序数据库；
S4：结合FMECA结果得出各服务节点的可靠性标签，对于缺乏历史故障信息的节点，设计训练掩码矩阵，过滤无标签节点的信息，仅汇聚带标签节点的数据信息进入损失函数完成网络训练；
S5：进行多模态故障数据集构建，在时序数据库记录的数据基础上进行数据清洗，综合考虑多个故障模式下的数据，采用时间滑窗法在***不同模态下构建运行数据与严酷度标签对应的故障数据集，回避在训练掩码矩阵中选择回避的节点；清洗后的数据包含三个指标向量与对应标签，分别是***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat；
S6：基于步骤S1建立的邻接矩阵和度矩阵/>构建多通道图卷积网络用于半监督节点分类任务，同时考虑***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat三类输入，捕捉支撑平台的历史运行数据的通道特征，结合图卷积与通道注意力机制，融合多通道特征，得到多通道图卷积网络模型；
S7：利用预处理后数据集对多通道图卷积网络模型进行训练和测试；
S8：将新的***指标、网络指标和数据指标相关数据输入至训练好的多通道图卷积网络模型中，进行可靠性评估。
2.如权利要求1所述的一种电网调度***支撑平台可靠性评估方法，其特征在于，所述步骤S2具体方法为：基于收集到的支撑平台故障案例，形成故障信息库，将故障信息库中的已有故障单独，或随机选取任意数量的故障模式经排列组合后形成的新故障依次注入支撑平台，使用性能监控工具实时采集故障状态下的运行数据。
3.如权利要求2所述的一种电网调度***支撑平台可靠性评估方法，其特征在于，所述步骤S2中采集的运行数据划分为以下三类：***参数、网络参数和数据参数；使用时序数据库TSDB将采集完成的数据及时保存。
4.如权利要求1所述的一种电网调度***支撑平台可靠性评估方法，其特征在于，所述步骤S3中对支撑平台进行FMECA分析的具体步骤为：
S3.1、确定支撑平台软件***或设备的功能和目标，确定FMECA的范围和目的；
S3.2、确认支撑平台软件***或设备中的所有组件；识别每个组件的故障模式和故障机理，包括元件可能出现的所有故障类型和原因；
S3.3、分析每个故障模式和机理的可能影响；
S3.4、对每个故障模式和机理进行风险评估，确定其对***的重要性和风险等级。
5.如权利要求1所述的一种电网调度***支撑平台可靠性评估方法，其特征在于，所述步骤S6具体包括如下步骤：
S6.1、依据步骤S1中提出的邻接矩阵和度矩阵/>建立多通道图卷积网络，设置对应于***指标向量Xsys，网络指标向量Xweb与数据指标向量Xdat的三个独立的卷积通道，对每个通道应用l次图卷积；具体地，***指标数据是N×n1×m1的三维数组，网络指标数据是N×n2×m2的二维数组，设计模式数据是N×n3×m3的二维数组；Zsys,Zweb,Zdat是***指标数据、网络指标数据和设计模式数据经过卷积后得到的特征图，那么图卷积网络的第l层输出可以表示为：
其中，和/>表示图卷积网络的一组可学习参数，σ表示Sigmoid激活函数，最后将完成多通道图卷积后获得的图嵌入记为/> 其右上角的l表示第l次图卷积；
S6.2、在利用图卷积捕获数据的空间维度信息后，再在时间维度进行一次普通的卷积操作，聚合同一节点在一定时间邻域内的数据，更新目标节点的信息，更新方式如下：
其中Φ代表时间维度的卷积核，上式中“*”表示常规卷积操作，σ表示Sigmoid激活函数，然后采用注意力机制来自动学习不同嵌入的权重，以便融合三个通道图嵌入对最终预测结果的贡献，设置α1，α2，α3分别表示三个通道的不同注意力系数，则该步骤可表示为：
Z＝α1·Zsys+α2·Zweb+α3·Zdat (7)
其中，
其中tanh与softmax分别代表两种激活函数，“omega“通常代表注意力分布，用于表示模型在进行注意力计算时，对不同输入元素的关注程度或重要性，diag()代表将向量展成对角矩阵，式中k＝1,2,3时，ch分别对应sys,web,dat；
S6.3、建立具有线性变换的全连接层和输出层，将学习到的相互关联特征映射至输出维度，从而得到可靠度，选择交叉熵损失函数作为全联接层和输出层的激活函数。
6.如权利要求1所述的一种电网调度***支撑平台可靠性评估方法，其特征在于，所述步骤S7具体包括如下步骤：
S7.1、多通道图卷积网络中的所有参数在训练开始时随机初始化；
S7.2、使用反向传播算法对多通道图卷积进行参数更新，包括p个训练样本，多通道图卷积通过正向传播对输入序列样本执行特征学习，并以连续的步长输出可靠度R，将所有样本向前传播到输出层后，将估计的与真实值R进行比较，以交叉熵损失函数作为网络的损失函数Loss，以进行后向传播进行参数更新；
式(11)中，C为类的数目，Rij为第i个样本在第j类上的真实标签，表示模型输出，在后向传播的过程中，使用Adam算法最小化损失函数获得优化的网络结构参数，p为训练样本个数；
S7.3、利用测试集{Xi Test,Ri Test}对多通道图卷积进行测试，Xi表示训练集的输入，Ri表示训练集的输出，由精准率和F1-Score两个指标对该网络测试性能和结果进行评估。
7.一种电网调度***支撑平台的可靠性评估***，其特征在于：包含权利要求1-6中任一项所述的电网调度***支撑平台可靠性评估方法。
8.一种存储介质，其特征在于：其上存储有计算机程序，所述计算机程序在运行时执行如权利要求1-6中任一项中所述的电网调度***支撑平台可靠性评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311263921.2A CN117557127A (zh) | 2023-09-27 | 2023-09-27 | 电网调度***支撑平台可靠性评估方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311263921.2A CN117557127A (zh) | 2023-09-27 | 2023-09-27 | 电网调度***支撑平台可靠性评估方法、***及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117557127A true CN117557127A (zh) | 2024-02-13 |
Family
ID=89813561
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311263921.2A Pending CN117557127A (zh) | 2023-09-27 | 2023-09-27 | 电网调度***支撑平台可靠性评估方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117557127A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829683A (zh) * | 2024-03-04 | 2024-04-05 | 国网山东省电力公司信息通信公司 | 基于图对比学习的电力物联数据质量分析方法及*** |
-
2023
- 2023-09-27 CN CN202311263921.2A patent/CN117557127A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117829683A (zh) * | 2024-03-04 | 2024-04-05 | 国网山东省电力公司信息通信公司 | 基于图对比学习的电力物联数据质量分析方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109800995A (zh) | 一种电网设备故障识别方法及*** | |
| Mathew et al. | Regression kernel for prognostics with support vector machines | |
| CN117557127A (zh) | 电网调度***支撑平台可靠性评估方法、***及存储介质 | |
| CN113660225A (zh) | 基于时序点的网络攻击事件预测方法、***、装置及介质 | |
| Lei et al. | Multi-level time-variant vulnerability assessment of deteriorating bridge networks with structural condition records | |
| Naqvi et al. | Human knowledge centered maintenance decision support in digital twin environment | |
| CN117494292A (zh) | 一种基于bim和ai大模型的工程进度管理方法及*** | |
| Keshun et al. | Optimizing prior distribution parameters for probabilistic prediction of remaining useful life using deep learning | |
| CN117034143B (zh) | 一种基于机器学习的分布式***故障诊断方法及装置 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN116861924A (zh) | 基于人工智能的项目风险预警方法及*** | |
| KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
| CN108846489A (zh) | 一种基于svm的大型设备健康状况评估方法 | |
| Watson et al. | System of system design-for-resilience heuristics derived from forestry case study variants | |
| KR102107689B1 (ko) | 네트워크 장애 원인 분석 장치 및 방법 | |
| Tirovolas et al. | Introducing fuzzy cognitive map for predicting engine’s health status | |
| Bond et al. | A hybrid learning approach to prognostics and health management applied to military ground vehicles using time-series and maintenance event data | |
| WO2020223184A1 (en) | Analytical model training method for customer experience estimation | |
| Sharma et al. | Behavior prediction of washing system in a paper industry using GA and fuzzy lambda–tau technique | |
| CN114897262A (zh) | 一种基于深度学习的轨道交通设备故障预测方法 | |
| Kefalas et al. | An end-to-end pipeline for uncertainty quantification and remaining useful life estimation: An application on aircraft engines | |
| CN116796617A (zh) | 基于数据标识的滚动轴承设备剩余寿命预测方法及*** | |
| Misaii et al. | Optimal task-driven time-dependent covariate-based maintenance policy | |
| Penn et al. | A predictive tool for grid data analysis using machine learning algorithms | |
| Soni et al. | Predictive maintenance of gas turbine using prognosis approach |
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 |