一种电力骨干网告警信息解析方法与系统与流程

1.本发明属于信号处理技术领域，尤其涉及一种电力骨干网告警信息解析方法与系统。


背景技术：

2.电力通信网依托于电网，服务于电网安全生产及公司企业经营，是电力系统的重要基础设施，是电网生产经营业务的物理承载网络，是确保电网安全、稳定、经济运行的重要保障。当前，“西电东送，南北互供”的特高压网架结构日趋完善，全球能源互联网建设加快推进，电力骨干通信网络的规模随之不断扩大，拓扑结构日益复杂，新型电网生产业务数量快速增长。在海量运行维护数据面前，电力通信运维人员只能将有限的精力集中到关系业务通断性的重要告警及相关性能上，而对于大量反映生产运行本质的深层次运行数据，例如设备劣化性能、网管次要告警及事件等数据，却无暇顾及也无手段顾及，这成为当前电力通信调度生产工作的最大的痛点及难点。
3.在硕士论文《基于告警相关性的电力通信网故障诊断》作者杨鑫设计了基于网管系统深度信念网络的电力通信网故障诊断方案，将网管系统告警信息中的六类物理资源作为故障诊断的依据，其相关属性(如告警级别、告警类型、告警原因等)作为输入数据的特征，将数据分为训练集和测试集，通过训练集进行训练学习，并在测试集中验证模型的故障诊断性能，但是并没有根据故障的级别和故障影响范围的不同采用不同的告警信息解析方法，从而导致某些故障级别较高和影响范围较大的故障，仅仅采用一种方法从而不能确保对告警信息的解析的准确性，导致故障的扩大化，从而不利于电网故障的准确及时发生，造成巨大的电网安全风险和经济损失。
4.针对上述技术问题，本发明提供了一种电力骨干网告警信息解析方法与系统。


技术实现要素：

5.为实现本发明目的，本发明采用如下技术方案：
6.根据本发明的一个方面，提供了一种电力骨干网告警信息解析方法。
7.一种电力骨干网告警信息解析方法，其特征在于，具体包括：
8.s11提取电力骨干网的告警信息，并将所述告警信息进行数据重构得到重构信息，所述重构信息包括告警级别、告警类型、告警时间、告警原因、告警设备；
9.s13基于所述告警级别、告警类型、告警时间、告警原因、告警设备，送入到基于coa算法优化的lstm
–
gru算法的组合型预测模型之中，确定所述故障的故障原因，所述故障原因包括故障设备、故障级别和故障影响范围，根据所述故障设备、故障级别和故障影响范围，采用层次分析法确定此时的故障因子；
10.s14当所述故障因子大于第一故障阈值时，采用基于libsvm算法的预测模型对所述重构信息进行解析，从而进一步确定所述故障的svm故障原因。
11.s15当所述svm故障原因与所述故障原因不一致时，继续返回步骤s13进行故障原
因的确定，直到所述svm故障原因与所述故障原因保持一致时，将所述svm故障原因作为最终的故障原因进行输出。
12.由于电力骨干网的通信设备各不相同，其告警信息的数据形式和存储格式也各不相同，通过首先对电力骨干网的告警信息进行重构，使得数据的格式变得统一化，将所述重构信息送入到基于coa算法优化的lstm
–
gru算法的组合型预测模型之中，得到此时的故障原因，故障原因包括故障设备、故障级别和故障影响范围，基于故障原因，通过层次分析法确定此时的故障因子，当故障因子大于第一故障阈值时，通过基于libsvm算法的预测模型对所述重构信息进行解析，从而进一步确定所述故障的svm故障原因，当两者故障原因一致时，将所述svm故障原因作为最终的故障原因进行输出，从而解决了导致某些故障级别较高和影响范围较大的故障，仅仅采用一种方法从而不能确保对告警信息的解析的准确性，导致故障的扩大化，从而不利于电网故障的准确及时发生，造成巨大的电网安全风险和经济损失的技术问题，通过两层算法的预测结果的确认，保证了预测结果的准确性，此外当故障因子小于第一故障阈值时，此时直接将所述故障原因进行输出，从而解决了原先的没有根据故障的级别和故障影响范围的不同采用不同的告警信息解析方法的技术问题，从而进一步提升了预测的准确性。
13.通过首先对告警信息进行重构，解决了原有的告警信息多种多样，格式不一的问题，为进一步提升整体的预测精度奠定了基础，通过首先采用基于coa算法优化的lstm
–
gru算法的组合型预测模型之中，其中coa算法对lstm算法的初始值进行优化，使得lstm算法的预测效率得到进一步的提升，采用gru算法可以具有较高的预测效率，将基于coa算法优化的lstm算法和gru算法结合起来，既保证了具有较好的时序数据的处理效果，也保证了较好的预测效率，进一步提升了预测的效率和精度，根据所述故障设备、故障级别和故障影响范围，采用层次分析法确定此时的故障因子，从而能够对故障情况从多角度出发进行量化，从而进一步保证了故障判断的可靠和一致性，当故障因子大于第一故障阈值时，通过另外一种预测模型对故障情况进行预测，当两者相同时，再进行输出，从而保证了在一些严重的故障状态下判断的准确性和可靠性，而不仅仅采用某一种算法的预测结果导致故障判断的错误。
14.进一步的技术方案在于，所述数据重构是将所述告警信息的格式进行统一化得到重构数据。
15.进一步的技术方案在于，所述coa算法优化目标为，采用coa算法对所述lstm算法的隐含层的神经元个数进行寻优。
16.进一步的技术方案在于，所述故障影响范围包括小区级，区域级，城市级，所述故障级别包括一级故障、二级故障、三级故障。
17.进一步的技术方案在于，所述故障因子的计算公式为：
18.t＝k1t1+k2t2+k3t319.其中t1、t2、t3分别为故障设备、故障级别和故障影响范围经过归一化得到的数字，k1、k2、k3分别为t1、t2、t3的权值，所述权值采用专家打分法进行确认。
20.进一步的技术方案在于，所述第一故障阈值根据所述城市级别、供电可靠性要求通过专家打分的形式进行确定。
21.进一步的技术方案在于，还包括第一时间阈值，当所述故障因子大于第一故障阈
值且持续时间大于第一时间阈值，此时再采用基于libsvm算法的预测模型对所述重构信息进行解析。
22.通过第一时间阈值的设置，从而避免了由于重构信息自身由于信号的非正常突变导致的故障错误判断问题，在一定时间阈值内均存在故障因子大于第一故障阈值，说明此时确定存在故障，此时在进行故障问题的验证，保证了故障的判定精度。
23.进一步的技术方案在于，还包括第二故障阈值，当所述故障因子大于第二故障阈值且持续时间大于第二时间阈值时，此时将所述故障原因作为最终的故障原因进行输出，其中所述第二故障阈值大于第一故障阈值的两倍，且第二时间阈值小于第一时间阈值。
24.通过第二故障阈值的设定，此时故障情况较为严重，因此为了保证故障原因的判断及时性，不再进行故障原因的验证，进一步提升了预测的效率。
25.进一步的技术方案在于，采用基于libsvm算法的预测模型对所述重构信息进行解析的具体步骤为：
26.s21读取所述重构信息，并将所述重构信息送入到基于libsvm算法的预测模型中；
27.s22基于所述预测模型得到此时的svm故障原因。
28.另一方面提供了一种电力故障网告警信息解析系统，采用上述的一种电力故障网告警信息解析，包括：
29.数据采集系统，故障预测系统，故障因子确定系统，故障预测验证系统，模型输出系统；
30.所述数据采集系统负责提取电力骨干网的告警信息，并将所述告警信息进行数据重构得到重构信息，所述重构信息包括告警级别、告警类型、告警时间、告警原因、告警设备；
31.所述故障预测系统负责基于所述告警级别、告警类型、告警时间、告警原因、告警设备，送入到基于coa算法优化的lstm
–
gru算法的组合型预测模型之中，确定所述故障的故障原因，所述故障原因包括故障设备、故障级别和故障影响范围；
32.所述故障因子确定系统负责根据所述故障设备、故障级别和故障影响范围，采用层次分析法确定此时的故障因子；
33.所述故障预测验证系统负责当所述故障因子大于第一故障阈值时，采用基于libsvm算法的预测模型对所述重构信息进行解析，从而进一步确定所述故障的svm故障原因；
34.所述模型输出系统负责判断所述svm故障原因与所述故障原因是否一致，直到所述svm故障原因与所述故障原因保持一致时，将所述svm故障原因作为最终的故障原因进行输出。
附图说明
35.通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
36.图1是根据实施例1的一种电力骨干网告警信息解析方法的流程图。
37.图2是根据实施例1的采用基于libsvm算法的预测模型对所述重构信息进行解析的具体步骤的流程图。
38.图3是根据实施例2的一种电力故障网告警信息解析系统的构成图。
具体实施方式
39.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
40.用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
41.电力通信网依托于电网，服务于电网安全生产及公司企业经营，是电力系统的重要基础设施，是电网生产经营业务的物理承载网络，是确保电网安全、稳定、经济运行的重要保障。当前，“西电东送，南北互供”的特高压网架结构日趋完善，全球能源互联网建设加快推进，电力骨干通信网络的规模随之不断扩大，拓扑结构日益复杂，新型电网生产业务数量快速增长。在海量运行维护数据面前，电力通信运维人员只能将有限的精力集中到关系业务通断性的重要告警及相关性能上，而对于大量反映生产运行本质的深层次运行数据，例如设备劣化性能、网管次要告警及事件等数据，却无暇顾及也无手段顾及，这成为当前电力通信调度生产工作的最大的痛点及难点。
42.在硕士论文《基于告警相关性的电力通信网故障诊断》作者杨鑫设计了基于网管系统深度信念网络的电力通信网故障诊断方案，将网管系统告警信息中的六类物理资源作为故障诊断的依据，其相关属性(如告警级别、告警类型、告警原因等)作为输入数据的特征，将数据分为训练集和测试集，通过训练集进行训练学习，并在测试集中验证模型的故障诊断性能，但是并没有根据故障的级别和故障影响范围的不同采用不同的告警信息解析方法，从而导致某些故障级别较高和影响范围较大的故障，仅仅采用一种方法从而不能确保对告警信息的解析的准确性，导致故障的扩大化，从而不利于电网故障的准确及时发生，造成巨大的电网安全风险和经济损失。
43.实施例1
44.为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种电力骨干网告警信息解析方法。
45.一种电力骨干网告警信息解析方法，其特征在于，具体包括：
46.s11提取电力骨干网的告警信息，并将所述告警信息进行数据重构得到重构信息，所述重构信息包括告警级别、告警类型、告警时间、告警原因、告警设备；
47.s13基于所述告警级别、告警类型、告警时间、告警原因、告警设备，送入到基于coa算法优化的lstm
–
gru算法的组合型预测模型之中，确定所述故障的故障原因，所述故障原因包括故障设备、故障级别和故障影响范围，根据所述故障设备、故障级别和故障影响范围，采用层次分析法确定此时的故障因子；
48.s14当所述故障因子大于第一故障阈值时，采用基于libsvm算法的预测模型对所述重构信息进行解析，从而进一步确定所述故障的svm故障原因。
49.s15当所述svm故障原因与所述故障原因不一致时，继续返回步骤s13进行故障原
因的确定，直到所述svm故障原因与所述故障原因保持一致时，将所述svm故障原因作为最终的故障原因进行输出。
50.由于电力骨干网的通信设备各不相同，其告警信息的数据形式和存储格式也各不相同，通过首先对电力骨干网的告警信息进行重构，使得数据的格式变得统一化，将所述重构信息送入到基于coa算法优化的lstm
–
gru算法的组合型预测模型之中，得到此时的故障原因，故障原因包括故障设备、故障级别和故障影响范围，基于故障原因，通过层次分析法确定此时的故障因子，当故障因子大于第一故障阈值时，通过基于libsvm算法的预测模型对所述重构信息进行解析，从而进一步确定所述故障的svm故障原因，当两者故障原因一致时，将所述svm故障原因作为最终的故障原因进行输出，从而解决了导致某些故障级别较高和影响范围较大的故障，仅仅采用一种方法从而不能确保对告警信息的解析的准确性，导致故障的扩大化，从而不利于电网故障的准确及时发生，造成巨大的电网安全风险和经济损失的技术问题，通过两层算法的预测结果的确认，保证了预测结果的准确性，此外当故障因子小于第一故障阈值时，此时直接将所述故障原因进行输出，从而解决了原先的没有根据故障的级别和故障影响范围的不同采用不同的告警信息解析方法的技术问题，从而进一步提升了预测的准确性。
51.通过首先对告警信息进行重构，解决了原有的告警信息多种多样，格式不一的问题，为进一步提升整体的预测精度奠定了基础，通过首先采用基于coa算法优化的lstm
–
gru算法的组合型预测模型之中，其中coa算法对lstm算法的初始值进行优化，使得lstm算法的预测效率得到进一步的提升，采用gru算法可以具有较高的预测效率，将基于coa算法优化的lstm算法和gru算法结合起来，既保证了具有较好的时序数据的处理效果，也保证了较好的预测效率，进一步提升了预测的效率和精度，根据所述故障设备、故障级别和故障影响范围，采用层次分析法确定此时的故障因子，从而能够对故障情况从多角度出发进行量化，从而进一步保证了故障判断的可靠和一致性，当故障因子大于第一故障阈值时，通过另外一种预测模型对故障情况进行预测，当两者相同时，再进行输出，从而保证了在一些严重的故障状态下判断的准确性和可靠性，而不仅仅采用某一种算法的预测结果导致故障判断的错误。
52.在另外一种可能的实施例中，所述数据重构是将所述告警信息的格式进行统一化得到重构数据。
53.在另外一种可能的实施例中，所述coa算法优化目标为，采用coa算法对所述lstm算法的隐含层的神经元个数进行寻优。
54.在另外一种可能的实施例中，所述故障影响范围包括小区级，区域级，城市级，所述故障级别包括一级故障、二级故障、三级故障。
55.具体举个例子，事故影响范围为小区级时取值为0.5，区域级时为0.8，城市级时为1，故障级别为一级故障时取值为0.4，故障级别为二级故障时取值为0,7，故障级别为三级故障时取值为1。
56.在另外一种可能的实施例中，所述故障因子的计算公式为：
57.t＝k1t1+k2t2+k3t358.其中t1、t2、t3分别为故障设备、故障级别和故障影响范围经过归一化得到的数字，k1、k2、k3分别为t1、t2、t3的权值，所述权值采用专家打分法进行确认。
59.具体举个例子，k3的值大于k2的值，k2的值大于k1的值，由于故障影响范围的影响程度明显比故障级别以及故障设备要高，这就决定了其在故障因子中的占比要大得多，此外还可以通过为t3添加一个不大于0.15的a的常数值的方式，使得整体的计算公式变为，使得最终的计算结果变得更加可信。
60.在另外一种可能的实施例中，所述第一故障阈值根据所述城市级别、供电可靠性要求通过专家打分的形式进行确定。
61.在另外一种可能的实施例中，还包括第一时间阈值，当所述故障因子大于第一故障阈值且持续时间大于第一时间阈值，此时再采用基于libsvm算法的预测模型对所述重构信息进行解析。
62.通过第一时间阈值的设置，从而避免了由于重构信息自身由于信号的非正常突变导致的故障错误判断问题，在一定时间阈值内均存在故障因子大于第一故障阈值，说明此时确定存在故障，此时在进行故障问题的验证，保证了故障的判定精度。
63.在另外一种可能的实施例中，还包括第二故障阈值，当所述故障因子大于第二故障阈值且持续时间大于第二时间阈值时，此时将所述故障原因作为最终的故障原因进行输出，其中所述第二故障阈值大于第一故障阈值的两倍，且第二时间阈值小于第一时间阈值。
64.通过第二故障阈值的设定，此时故障情况较为严重，因此为了保证故障原因的判断及时性，不再进行故障原因的验证，进一步提升了预测的效率。
65.在另外一种可能的实施例中，如图2所示，采用基于libsvm算法的预测模型对所述重构信息进行解析的具体步骤为：
66.s21读取所述重构信息，并将所述重构信息送入到基于libsvm算法的预测模型中；
67.s22基于所述预测模型得到此时的svm故障原因。
68.实施例2：
69.如图3，本发明提供了一种电力故障网告警信息解析系统，采用上述的一种电力故障网告警信息解析，包括：
70.数据采集系统，故障预测系统，故障因子确定系统，故障预测验证系统，模型输出系统；
71.所述数据采集系统负责提取电力骨干网的告警信息，并将所述告警信息进行数据重构得到重构信息，所述重构信息包括告警级别、告警类型、告警时间、告警原因、告警设备；
72.所述故障预测系统负责基于所述告警级别、告警类型、告警时间、告警原因、告警设备，送入到基于coa算法优化的lstm
–
gru算法的组合型预测模型之中，确定所述故障的故障原因，所述故障原因包括故障设备、故障级别和故障影响范围；
73.所述故障因子确定系统负责根据所述故障设备、故障级别和故障影响范围，采用层次分析法确定此时的故障因子；
74.所述故障预测验证系统负责当所述故障因子大于第一故障阈值时，采用基于libsvm算法的预测模型对所述重构信息进行解析，从而进一步确定所述故障的svm故障原因；
75.所述模型输出系统负责判断所述svm故障原因与所述故障原因是否一致，直到所述svm故障原因与所述故障原因保持一致时，将所述svm故障原因作为最终的故障原因进行
输出。
76.在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
77.本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。
78.在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
79.以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。