一種電力通信網(wǎng)故障定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及通信網(wǎng)絡(luò)管理技術(shù)領(lǐng)域，尤其涉及一種電力通信網(wǎng)故障定位方法。
【背景技術(shù)】
[0002] 電力通信網(wǎng)依托于電網(wǎng)組建而來，是智能電網(wǎng)建設(shè)的支持和保障，主要負(fù)責(zé)傳輸 數(shù)據(jù)業(yè)務(wù)，監(jiān)控網(wǎng)絡(luò)性能，管理生產(chǎn)運(yùn)行等。隨著網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜化，設(shè)備多樣化，業(yè)務(wù)規(guī)?；?發(fā)展，電力通信網(wǎng)已經(jīng)不是傳統(tǒng)的單一化層次結(jié)構(gòu)，視頻、語音等多媒體業(yè)務(wù)也加入其中。 所以，當(dāng)電力通信網(wǎng)發(fā)生故障時(shí)，會產(chǎn)生大量復(fù)雜告警數(shù)據(jù)，這些數(shù)據(jù)信息給實(shí)時(shí)監(jiān)控系 統(tǒng)、數(shù)據(jù)庫系統(tǒng)帶來了嚴(yán)重負(fù)擔(dān)。尤其在發(fā)生告警風(fēng)暴時(shí)，多個告警事件錯綜疊加，真正告 警癥狀淹沒其中，給故障定位帶來很大麻煩。故障定位技術(shù)就是從大量表象的告警信息中 找到問題的根源即故障源，如何能夠在一個大規(guī)模、復(fù)雜環(huán)境中精確高效的完成故障定位 成為研究重點(diǎn)。
[0003] 現(xiàn)有的故障定位主要是靠人工去完成的，所運(yùn)用的知識是一些運(yùn)維專家長期積累 的經(jīng)驗(yàn)。由于人經(jīng)驗(yàn)的不足性以及更新緩慢等特點(diǎn)，當(dāng)產(chǎn)生一些新的告警癥狀時(shí)，基于專家 知識的故障定位技術(shù)很難快速有效的發(fā)現(xiàn)故障源。在自動化方面，成熟的網(wǎng)管系統(tǒng)中都包 含故障管理這一模塊，采用的方法大多數(shù)是分析網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和故障發(fā)生前后關(guān)系，這種 方法能夠發(fā)現(xiàn)連通性故障，但是對一些關(guān)聯(lián)性小的故障就不容易發(fā)現(xiàn)，這樣綜合起來的準(zhǔn) 確率遠(yuǎn)遠(yuǎn)達(dá)不到要求。

【發(fā)明內(nèi)容】

[0004] 針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種電力通信網(wǎng)故障定位方 法，可有效解決現(xiàn)有故障定位技術(shù)中存在的準(zhǔn)確率低、反應(yīng)慢等技術(shù)問題，同時(shí)，針對電力 通信網(wǎng)發(fā)生故障時(shí)要求能夠快速高效找到故障源的特殊性，本發(fā)明專門設(shè)計(jì)了一種適用于 電力通信網(wǎng)故障定位的基于影響因子校正的權(quán)重組合決策樹分類方法，該方法克服了單一 決策樹分類器誤差偏大的弊端，能夠更加高效準(zhǔn)確的實(shí)現(xiàn)故障定位。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明提出了一種電力通信網(wǎng)故障定位方法，其特征在于，所述 方法包括：
[0006] (1)從監(jiān)控平臺獲得告警數(shù)據(jù)，包括歷史告警數(shù)據(jù)和現(xiàn)有告警數(shù)據(jù)；
[0007] (2)對歷史告警數(shù)據(jù)進(jìn)行預(yù)處理，得到m個重要告警屬性，對每個重要告警屬性分 別分配對應(yīng)的影響因子(?,各,％ ;
[0008] (3)根據(jù)預(yù)處理后的歷史告警數(shù)據(jù)建立多個基分類器，作為子預(yù)測模型，利用每一 個基分類器對歷史告警數(shù)據(jù)分別進(jìn)行預(yù)測，得到的預(yù)測準(zhǔn)確率作為對應(yīng)基分類器的權(quán)重；
[0009] (4)按照故障類別的不同將多個基分類器劃分為不同的基分類器集合，針對每一 組基分類器集合，估計(jì)得到每一組基分類器集合的平均權(quán)重和平均影響因子；
[0010] (5)利用上述步驟獲得的平均權(quán)重和平均影響因子，估計(jì)得到每一組基分類器集 合的綜合權(quán)重FR(X k)，從所有組基分類器集合(X^X2, ...，Xk)對應(yīng)的綜合權(quán)重中選取綜合 權(quán)重最大值FRmafMaWFRU1)，F(xiàn)R(X2)，. . .，F(xiàn)R(Xk))，其所對應(yīng)的故障類別即為最終預(yù)測故 障定位結(jié)果，從而完成組合預(yù)測模型的建立；
[0011] (6)利用組合預(yù)測模型對步驟(1)獲得的現(xiàn)有告警數(shù)據(jù)進(jìn)行預(yù)測，得到最終的故障 定位預(yù)測結(jié)果。
[0012] 作為進(jìn)一步優(yōu)選的，所述平均權(quán)重具體為：
[0014] 其中X為一組基分類器集合，X = X11X2, ...，Xk;m為對應(yīng)基分類器集合中基分類器 數(shù)量，f (X1)為基分類器的權(quán)重。
[0015] 作為進(jìn)一步優(yōu)選的，所述平均影響因子具體為：
[0017] 其中X為一組基分類器集合，X = X1,X2,…，Xk;n2為對應(yīng)基分類器集合中影響因子 數(shù)量，S,為基分類器的影響因子。
[0018] 作為進(jìn)一步優(yōu)選的，所述綜合權(quán)重具體為：
[0019] FR(X)=F(X) · R(X)
[0020] 其中X為一組基分類器集合，X=X1JiV^XkO
[0021 ]作為進(jìn)一步優(yōu)選的，所述最終預(yù)測故障定位結(jié)果S具體為：
[0022] S=Fr1(FRmax)
[0023] 作為進(jìn)一步優(yōu)選的，所述基分類器的建立是并發(fā)生成的。
[0024] 總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，主要具備以下的 技術(shù)優(yōu)點(diǎn)：
[0025] 1.通過執(zhí)行本發(fā)明的電力通信網(wǎng)故障定位方法，可有效解決現(xiàn)有故障定位技術(shù)中 存在的準(zhǔn)確率低、反應(yīng)慢等技術(shù)問題，不僅有效提高了故障定位的準(zhǔn)確性，同時(shí)基分類器的 建立為并發(fā)生成，顯著縮短了故障定位所消耗的時(shí)間；
[0026] 2.本發(fā)明對歷史告警數(shù)據(jù)進(jìn)行了甄選，對預(yù)測結(jié)果有重大影響的重要告警屬性被 賦予一定比重，使得包含有較多重要告警屬性的故障更容易被預(yù)測出來，從而使得最終的 故障定位預(yù)測結(jié)果更趨向合理性；
[0027] 3.本發(fā)明將每個基分類器的預(yù)測準(zhǔn)確率作為權(quán)重，而不是將其固化為單位1，進(jìn)一 步加強(qiáng)了有效基分類器(準(zhǔn)確率>50%)在最終預(yù)測結(jié)果的比重，使得最終預(yù)測結(jié)果偏向于 具有高平均權(quán)重組分類器的預(yù)測結(jié)果，從而提高了預(yù)測的準(zhǔn)確性。
【附圖說明】
[0028]圖1是電力通信網(wǎng)故障定位系統(tǒng)總體示意圖；
[0029]圖2是某電力通信網(wǎng)單一基分類器構(gòu)建結(jié)構(gòu)圖；
[0030]圖3是基分類器組合示意圖；
[0031 ]圖4是單一基分類器與組合分類器誤差分析圖。
【具體實(shí)施方式】
[0032]為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實(shí)施方式中所涉及到的技術(shù)特征只要 彼此之間未構(gòu)成沖突就可以相互組合。
[0033]下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)闡述：
[0034] 如圖1所示本發(fā)明提供了一種電力通信網(wǎng)故障定位方法，所述方法包括：
[0035] (1)從監(jiān)控平臺獲得告警數(shù)據(jù)，包括歷史告警數(shù)據(jù)和現(xiàn)有告警數(shù)據(jù)，歷史告警數(shù)據(jù) 即已知故障，而現(xiàn)有告警數(shù)據(jù)即未知故障;對歷史告警數(shù)據(jù)運(yùn)用數(shù)據(jù)預(yù)處理技術(shù)進(jìn)行處理， 從中優(yōu)選出m個重要告警屬性，對每個重要告警屬性分別分配對應(yīng)的影響因子 {dx,d2,...,dmyi
[0036] (2)對歷史告警數(shù)據(jù)進(jìn)行抽樣，獲得η個訓(xùn)練數(shù)據(jù)樣本，分別建立對應(yīng)的基分類器 (X1， X2, .. .Χη)，將每個基分類器作為預(yù)測模型，對歷史告警數(shù)據(jù)進(jìn)行預(yù)測，得到η個預(yù)測準(zhǔn) 確率并把其作為對應(yīng)基分類器的權(quán)重f Ui)，其中，i為基分類器數(shù)量，i = l，2,...，η;
[0037] (3)按照故障類別的不同對步驟(2)中得到的基分類器(Χ1，Χ2, . . .，χη)進(jìn)行劃分歸 類，得到k組基分類器集合(X11X2, .. .Xk)，繼而得到每一組基分類器集合的平均權(quán)重F(X)， 同時(shí)針對每一組基分類器集合的重要告警屬性，估計(jì)得到對應(yīng)的平均影響因子R(X)，其中X 為一組基分類器集合，X=X1J2,...，Xk;
[0038] (4)對每一組基分類器集合，分別利用平均影響因子對平均權(quán)重進(jìn)行校正，得到每 一組基分類器的綜合權(quán)重FR(X) =F(X) · R(X);
[0039] (5)從所有組基分類器集合(X1J2, ...，Xk)對應(yīng)的綜合權(quán)重FR(Xk)中選取綜合權(quán) 重最大值FIWrMaWFRU1)，F(xiàn)R(X2)，. . .，F(xiàn)R(Xk))，其所對應(yīng)的故障類別即為最終預(yù)測故障 定位結(jié)果，從而完成組合預(yù)測模型的建立；
[0040] (6)利用組合預(yù)測模型對步驟(1)獲得的現(xiàn)有告警數(shù)據(jù)進(jìn)行預(yù)測，得到最終的故障 定位預(yù)測結(jié)果。
[0041] 對上述具體過程做如下描述：
[0042] 1、歷史告警數(shù)據(jù)預(yù)處理:對一些重復(fù)出現(xiàn)的相同記錄只保留一項(xiàng)，其余的全部刪 除，在相似度高或具有很強(qiáng)相關(guān)性的記錄里只保留一些特征記錄，去掉剩余記錄。如：告警 數(shù)據(jù)"鏈路流量時(shí)多時(shí)少"和"鏈路流量波動頻繁"可以合并為"鏈路流量異常"。從處理后的 告警數(shù)據(jù)中優(yōu)選出對預(yù)測結(jié)果有較大影響的m個重要告警屬性(如骨干線路、主要設(shè)備的特 性），并對每個重要告警屬性分配不同的影響因子P1.G之；)，所述影響因子值為根據(jù)實(shí) 際經(jīng)驗(yàn)或?qū)嶒?yàn)分配。如:選出"告警級別為重要"、"告警次數(shù)大于Γ、"鏈路流量異常"、"服務(wù) 器與網(wǎng)元通信異常"這4個屬性作為重要告警屬性，分別賦予0.3、0.