通信网络故障定位方法及装置与流程

本申请涉及通信网络故障定位领域，具体而言，涉及一种通信网络故障定位方法及装置。

背景技术

为适应政府监管、市场主体和企业经营的要求，电网停电约束趋向硬化，系统运行可靠性需进一步提高。变电站作为输配电中重要枢纽，对其故障准确定位并快速处理将有效提升系统运行可靠性。

随着变电站智能化进程的不断发展，智能变电站的二次系统体系结构发生了革命性改变，二次回路已由物理实体的硬接线转变为通信网络，站内各类信息交互共享水平提高。传统的二次回路故障定位方法，应用于信息输入与输出有明确映射关系的硬接线回路，而智能变电站通信网络具有信息传输不透明和网络拓扑不确定的特点，传统的二次回路故障定位方法已然不再适用。当前一次系统故障诊断模型研究愈向智能自动感知方向发展，而二次系统通信网络鲜有涉及，因此实现更智能、高效、深入的变电站通信网络故障诊断迫在眉睫。

申请内容

有鉴于此，本申请实施例提供了一种通信网络故障定位方法及装置。

一方面，本申请实施例提供了一种通信网络故障定位方法，所述方法包括：基于通信网络历史故障信息库，构建用于预测通信网络故障位置的通信网络故障定位模型，其中，所述通信网络历史故障信息库中包括告警状态信息以及通信网络故障位置信息；获取所述通信网络历史故障信息中用于训练模型的第一告警状态信息以及第一通信网络故障位置信息；将所述第一告警状态信息作为自变量，所述第一通信网络故障位置信息作为因变量对所述通信网络故障定位模型进行训练；获取待预测故障位置的通信网络的告警状态信息，输入完成训练的所述通信网络故障定位模型，对所述通信网络的故障位置进行预测。

在一个可能的设计中，基于通信网络历史故障信息库，构建用于预测通信网络故障位置的通信网络故障定位模型，包括：根据所述历史故障信息库，建立输入层、输出层以及至少一个隐藏层；根据所述输入层、至少一个隐藏层以及输出层来建立所述告警状态信息与所述通信网络故障位置信息的关联。

在一个可能的设计中，将所述第一告警状态信息作为自变量，所述第一通信网络故障位置信息作为因变量对所述通信网络故障定位模型进行训练，包括：将所述第一告警状态信息形成输入向量，输入至所述输入层；根据第一预设关系，由所述输入层获得至少一个隐藏层；根据所述第一预设关系，由所述至少一个隐藏层获得所述输出层；将所述输出层作为预测故障位置；根据所述预测故障位置与所述第一通信网络故障位置，修正所述第一预设关系。

在一个可能的设计中，所述根据第一预设关系，由所述输入层获得至少一个隐藏层，包括：根据s＝w^tx+b,v＝f(s)，由输入层x获得至少一个隐藏层v；其中，w为所述输入层与所述隐藏层间的权重，b为所述输入层与所述隐藏层间的偏置值，s为隐藏层神经元初始状态向量，f为激活函数，v为隐藏层神经元实际状态向量。

在一个可能的设计中，根据所述第一预设关系，由所述至少一个隐藏层获得所述输出层，包括：根据s＝w^tv+b,y＝f(s)，由所述至少一个隐藏层v获得输出层其中，w为所述隐藏层与所述输出层间的权重，b为所述隐藏层与所述输出层间的偏置值，s为输出层神经元初始状态向量，f为激活函数，为输出层神经元实际状态向量。

在一个可能的设计中，根据所述预测故障位置与所述第一通信网络故障位置，修正所述第一预设关系，包括：根据获得w,b的误差函数e(w,b)；对e(w,b)关于w求偏导数，获得εδw；对e(w,b)关于b求偏导数，获得εδb；令w＝w-εδw,b＝b-εδb从而修正所述第一预设关系。

另一方面，本申请实施例还提供了一种通信网络故障定位装置，所述装置包括：模型构建模块，用于基于通信网络历史故障信息库，构建用于预测通信网络故障位置的通信网络故障定位模型，其中，所述通信网络历史故障信息库中包括告警状态信息以及通信网络故障位置信息；信息获取模块，用于获取所述通信网络历史故障信息中用于训练模型的第一告警状态信息以及第一通信网络故障位置信息；模型训练模块，用于将所述第一告警状态信息作为自变量，所述第一通信网络故障位置信息作为因变量对所述通信网络故障定位模型进行训练；位置预测模块，用于获取待预测故障位置的通信网络的告警状态信息，输入完成训练的所述通信网络故障定位模型，对所述通信网络的故障位置进行预测。

在一个可能的设计中，所述模型构建模块包括：层建立模块，用于根据所述历史故障信息库，建立输入层、输出层以及至少一个隐藏层；关联建立模块，用于根据所述输入层、至少一个隐藏层以及输出层来建立所述告警状态信息与所述通信网络故障位置信息的关联。

在一个可能的设计中，所述模型训练模块包括：输入向量形成子模块，用于将所述第一告警状态信息形成输入向量，输入至所述输入层；隐藏层获得子模块，用于根据第一预设关系，由所述输入层获得至少一个隐藏层；输出层获得子模块，用于根据所述第一预设关系，由所述至少一个隐藏层获得所述输出层；预测故障位置子模块，用于将所述输出层作为预测故障位置；预设关系修正子模块，用于根据所述预测故障位置与所述第一通信网络故障位置，修正所述第一预设关系。

在一个可能的设计中，所述隐藏层获得子模块包括：运算次子模块，用于根据s＝w^tx+b,v＝f(s)，由输入层x获得至少一个隐藏层v；其中，w为所述输入层与所述隐藏层间的权重，b为所述输入层与所述隐藏层间的偏置值，s为隐藏层神经元初始状态向量，f为激活函数，v为隐藏层神经元实际状态向量。

本申请实施例提供的通信网络故障定位方法及装置的有益效果为：

本申请实施例提供了一种通信网络故障定位方法，所述方法包括：基于通信网络历史故障信息库，构建用于预测通信网络故障位置的通信网络故障定位模型，其中，所述通信网络历史故障信息库中包括告警状态信息以及通信网络故障位置信息。获取所述通信网络历史故障信息中用于训练模型的第一告警状态信息以及第一通信网络故障位置信息。将所述第一告警状态信息作为自变量，所述第一通信网络故障位置信息作为因变量对所述通信网络故障定位模型进行训练。获取待预测故障位置的通信网络的告警状态信息，输入完成训练的所述通信网络故障定位模型，对所述通信网络的故障位置进行预测。本申请实施例可以先基于历史故障信息库来构建和训练通信网络故障定位模型，然后当需要预测某一通信网络的故障位置时，将该通信网络的告警状态信息输入到模型中从而完成对故障位置的预测，与现有技术相比，能够充分发挥历史故障数据的潜在价值，实现机器自动挖掘通信网络告警信息与故障位置的映射关系，计算方法泛化能力强。能够一次处理批量告警信息，方便维修人员快速掌握故障位置和及时处理事故。

为使本申请实施例所要实现的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚的说明本申请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是本申请第一实施例提供的通信网络故障定位方法的流程图；

图2是图1中步骤s110的具体步骤示意图；

图3是图1中步骤s130的具体步骤示意图；

图4是本申请第二实施例提供的通信网络故障定位装置的结构框图；

图5示出了历史故障信息库的一种结构示意图。

具体实施方式

第一实施例

请参见图1，图1示出了本申请第一实施例提供的通信网络故障定位方法的流程示意图，具体包括如下步骤：

步骤s110，基于通信网络历史故障信息库，构建用于预测通信网络故障位置的通信网络故障定位模型，其中，所述通信网络历史故障信息库中包括告警状态信息以及通信网络故障位置信息。

告警状态信息指的是整个变电站通信网络的所有可能发生故障位置的告警信息，可以对各处通信网络故障位置进行0/1编码，即0表示无告警，1表示有告警，汇总当故障发生时，各处通信网络故障位置的告警状态信息，形成通信网络历史故障信息库。

具体地，对于一个有a、b、c、d、e五处通信网络故障位置的变电站，当a位置发生故障时，汇总上述a、b、c、d、e五处的告警状态信息；当b位置发生故障时，汇总上述a、b、c、d、e五处的告警状态信息…依次对每处位置发生故障时的五处的告警状态信息进行汇总，从而形成通信网络历史故障信息库。

请参见图2，图2示出了步骤s110的具体步骤流程图，具体包括如下步骤：

步骤s111，根据所述历史故障信息库，建立输入层、输出层以及至少一个隐藏层。

步骤s112，根据所述输入层、至少一个隐藏层以及输出层来建立所述告警状态信息与所述通信网络故障位置信息的关联。

将告警状态信息作为输入层，将通信网络故障位置信息作为输出层，将至少一个隐藏层作为输入层与输出层之间的对应关系，即告警状态信息经过至少一个隐藏层所包含的对应关系可以获得通信网络故障位置信息的结果。

请参见图5，图5示出了历史故障信息库的一种结构示意图，输入层x1、x2…xm可以为变电站每处通信网络故障位置的告警状态信息。

输出层y1、y2…yn则为对该变电站的发生故障的具体位置。至少一个隐藏层为输入层与输出层之间的对应关系，即输入层可以通过至少一个隐藏层所代表的对应关系来获得输出层对应的结果。

有时通过一个隐藏层便可以模拟出输入层与输出层的对应关系，有时需要通过多个隐藏层才可以模拟输入层与输出层的对应关系，具体需要的隐藏层的数量不应该理解为是对本申请的限制。

步骤s120，获取所述通信网络历史故障信息中用于训练模型的第一告警状态信息以及第一通信网络故障位置信息。

将历史故障信息库中的数据分为训练样本集以及测试样本集，通过训练样本集对通信网络故障定位模型进行训练，然后通过测试样本集对训练后的通信网络故障定位模型进行测试。

第一告警状态信息以及第一通信网络故障位置信息均为训练样本集中的训练样本。

步骤s130，将所述第一告警状态信息作为自变量，所述第一通信网络故障位置信息作为因变量对所述通信网络故障定位模型进行训练。

请参见图3，图3示出了步骤s130的具体步骤流程图，具体包括如下步骤：

步骤s131，将所述第一告警状态信息形成输入向量，输入至所述输入层。

通信网络故障定位模型具体为误差反向传播网络(bp神经网络)，由输入层x、隐藏层v和输出层y组成，请参见图5。整体通信网络各处告警状态信息可以形成输入向量，并输入至通信网络故障定位模型的输入层，即x＝[x1,x2,…,xm](其中，m为通信网络中告警信息总数)。

步骤s132，根据第一预设关系，由所述输入层获得至少一个隐藏层。

该步骤具体包括：根据s＝w^tx+b,v＝f(s)，由输入层x获得至少一个隐藏层v；其中，w为所述输入层与所述隐藏层间的权重，b为所述输入层与所述隐藏层间的偏置值，s为隐藏层神经元初始状态向量，f为激活函数，v为隐藏层神经元实际状态向量。

若至少一个隐藏层的数量为一个时，可以根据上式获得输入层x与隐藏层v的关系，若至少一个隐藏层的数量为多个时，可以先建立输入层x与多个隐藏层中的一个隐藏层vi(i为隐藏层的数量)间的关系。

例如若至少一个隐藏层包括第一隐藏层v1、第二隐藏层v2以及第三隐藏层v3三个隐藏层时，可以先建立输入层x与第一隐藏层v1之间的关系，再建立第一隐藏层v1与第二隐藏层v2之间的关系，随后再建立第二隐藏层v2与第三隐藏层v3之间的关系，其中，输入层x与第一隐藏层v1之间的关系、第一隐藏层v1与第二隐藏层v2之间的关系、第二隐藏层v2与第三隐藏层v3之间的关系均为第一预设关系。

步骤s133，根据所述第一预设关系，由所述至少一个隐藏层获得所述输出层。

该步骤具体包括：根据s＝w^tv+b,y＝f(s)，由所述至少一个隐藏层v获得输出层其中，w为所述隐藏层与所述输出层间的权重，b为所述隐藏层与所述输出层间的偏置值，s为输出层神经元初始状态向量，f为激活函数，为输出层神经元实际状态向量。

步骤s134，将所述输出层作为预测故障位置。

为根据输入层预测出的故障位置，接下来需要将预测出的故障位置与输入层实际对应的故障发生的位置进行比较，从而判断预测结果是否准确。

步骤s135，根据所述预测故障位置与所述第一通信网络故障位置，修正所述第一预设关系。

该步骤具体包括：根据获得w,b的误差函数e(w,b)；对e(w,b)关于w求偏导数，获得εδw；对e(w,b)关于b求偏导数，获得εδb；令w＝w-εδw,b＝b-εδb从而修正所述第一预设关系。

经过反复学习，达到预设的诊断准确度，确定与其对应的网络参数，最终确定变电站的通信网络故障定位模型。

步骤s140，获取待预测故障位置的通信网络的告警状态信息，输入完成训练的所述通信网络故障定位模型，对所述通信网络的故障位置进行预测。

当模型训练完成后，便可以将待预测故障位置的告警状态信息输入至完成训练后的通信网络故障定位模型中，从而实现对故障位置的预测。

本申请第一实施例提供的通信网络故障定位方法充分挖掘历史数据隐藏价值，不断训练建立基于监督学习的故障定位模型。批量实时报文断链告警输入至训练好的基于监督学习的故障定位模型，输出获得变电站通信网络故障位置，辅助运维人员在海量告警中快速实现通信网络故障定位。

第二实施例

请参见图4，图4示出了本申请第二实施例提供的通信网络故障定位装置，该装置300包括：

模型构建模块310，用于基于通信网络历史故障信息库，构建用于预测通信网络故障位置的通信网络故障定位模型，其中，所述通信网络历史故障信息库中包括告警状态信息以及通信网络故障位置信息。

所述模型构建模块包括：层建立子模块，用于根据所述历史故障信息库，建立输入层、输出层以及至少一个隐藏层；关联建立子模块，用于根据所述输入层、至少一个隐藏层以及输出层来建立所述告警状态信息与所述通信网络故障位置信息的关联。

信息获取模块320，用于获取所述通信网络历史故障信息中用于训练模型的第一告警状态信息以及第一通信网络故障位置信息。

模型训练模块330，用于将所述第一告警状态信息作为自变量，所述第一通信网络故障位置信息作为因变量对所述通信网络故障定位模型进行训练。

所述模型训练模块包括：

输入向量形成子模块，用于将所述第一告警状态信息形成输入向量，输入至所述输入层。

隐藏层获得子模块，用于根据第一预设关系，由所述输入层获得至少一个隐藏层。

所述隐藏层获得子模块包括：运算次子模块，用于根据s＝w^tx+b,v＝f(s)，由输入层x获得至少一个隐藏层v；其中，w为所述输入层与所述隐藏层间的权重，b为所述输入层与所述隐藏层间的偏置值，s为隐藏层神经元初始状态向量，f为激活函数，v为隐藏层神经元实际状态向量。

输出层获得子模块，用于根据所述第一预设关系，由所述至少一个隐藏层获得所述输出层。

预测故障位置子模块，用于将所述输出层作为预测故障位置。

预设关系修正子模块，用于根据所述预测故障位置与所述第一通信网络故障位置，修正所述第一预设关系。

位置预测模块340，用于获取待预测故障位置的通信网络的告警状态信息，输入完成训练的所述通信网络故障定位模型，对所述通信网络的故障位置进行预测。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。

本申请实施例提供了一种通信网络故障定位方法，所述方法包括：基于通信网络历史故障信息库，构建用于预测通信网络故障位置的通信网络故障定位模型，其中，所述通信网络历史故障信息库中包括告警状态信息以及通信网络故障位置信息。获取所述通信网络历史故障信息中用于训练模型的第一告警状态信息以及第一通信网络故障位置信息。将所述第一告警状态信息作为自变量，所述第一通信网络故障位置信息作为因变量对所述通信网络故障定位模型进行训练。获取待预测故障位置的通信网络的告警状态信息，输入完成训练的所述通信网络故障定位模型，对所述通信网络的故障位置进行预测。本申请实施例可以先基于历史故障信息库来构建和训练通信网络故障定位模型，然后当需要预测某一通信网络的故障位置时，将该通信网络的告警状态信息输入到模型中从而完成对故障位置的预测，与现有技术相比，能够充分发挥历史故障数据的潜在价值，实现机器自动挖掘通信网络告警信息与故障位置的映射关系，计算方法泛化能力强。能够一次处理批量告警信息，方便维修人员快速掌握故障位置和及时处理事故。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。