CN117675516B - 一种基于相依网络模型的电力数据中台网络故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于相依网络模型的电力数据中台网络故障诊断方法，包括：根据访问电力数据中台的终端设备的日志信息构建电力数据中台相依网络的级联失效模型；为网络中的每条边计算其初始负载和容量，模拟随机网络故障并更新网络状态，计算更新后网络中每条边的当前负载，如果当前负载大于边的容量，则从网络中删除该条边；重复进行状态更新和负载计算、删除，直到电力数据中台网络中所有的边都满足当前负载小于或等于边的容量，或者网络中所有的节点都为孤立节点；计算当前网络模型函数数值，给出量化的研判结果。本发明面向复杂的电力数据中台场景，通过相依网络模型建模捕捉获取节点状态实时变化，有效支撑对其进行状态感知与故障分析。

Description

一种基于相依网络模型的电力数据中台网络故障诊断方法

技术领域

本发明涉及一种基于相依网络模型的电力数据中台网络故障诊断方法，属于电力数据中台技术领域。

背景技术

随着电力企业两级数据中台建设完成，业务数据整体呈现集中存储趋势。目前电力企业正处在数字化转型期，电网信息化的建设及应用逐步深化，各类业务数据急剧增长，电力数据表现出业务多、规模大、价值高的特征，这对电力数据中台网络提出了更加坚强的要求。

传统的网络故障诊断技术通常采用事中监测、事后分析的诊断模式，在监测数据的基础上建立故障传播模型进行故障定位，找到产生网络异常的根本原因。但电力数据中台网络中存在的物理连接和业务逻辑连接关系往往使得一个故障的发生引起许多关联电力设备发出告警，甚者会严重影响电力网络的正常调控和故障恢复。因此，研究一种快速准确的电力数据中台网络故障诊断方法是必要且迫切的。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于相依网络模型的网络故障诊断方法，实现对于电力数据中台的网络状态分析与故障诊断识别。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于相依网络模型的网络故障诊断方法，包括以下步骤：

根据访问电力数据中台的终端设备的日志信息构建电力数据中台相依网络的级联失效模型，所述相依网络中两层网络分别是用户主体网络和行为网络，两层网络之间的边是用户的访问行为，主体网络中的节点是访问电力数据中台的终端设备，如果存在两个终端设备访问同一条日志，则这两个终端设备对应的节点之间存在一条边；行为网络中的节点是中台数据间访问路径中的短路径，如果两条短路径之间存在访问关系，则对应的两个节点之间存在一条边；

为网络中的每条边计算其初始负载和容量，模拟随机网络故障并更新网络状态，计算更新后网络中每条边的当前负载，如果当前负载大于边的容量，则从网络中删除该条边；

重复进行状态更新和负载计算、删除，直到电力数据中台网络中所有的边都满足当前负载小于或等于边的容量，或者网络中所有的节点都为孤立节点；

计算当前网络模型函数W＝FoP-SoCF数值，给出量化的待测网络模型状态测评结果，根据研判结果识别出网络故障态势，其中FoP为故障优化率，SoCF为故障渗入度。

进一步地，构建电力数据中台网络级联失效模型包括：定义M＝(N,E)表示一个多层网络，其中N＝{N_α,N_β}，N_α表示主体网络中的节点集合，N_β为表示行为网络中的节点集合，则E为相依网络中的边，表示为：

E＝{E_αα,E_αβ,E_ββ}

式中，E_αα表示主体网络中的边集合，E_αβ为主体网络节点N_α和行为网络节点N_β之间的连接边，E_ββ为表示行为网络中的边集合。

进一步地，故障渗入度SoCF定义为：

式中，D表示网络中的节点个数，V_N表示分离出去的孤立连通子图中的节点个数。

进一步地，故障优化率FoP定义为：

式中，定义D_S为模拟级联失效的次数，D_S(i)表示节点v_i的失效次数。

进一步地，网络中的每条边的初始负载K_ij计算方式如下：

式中，Y_lb表示节点n_l与n_b之间的最短路径个数，Y_lb(e_ij)表示节点n_l与n_b之间经过边e_ij的最短路径个数；

边的容量R_ij定义为：

R_ij＝(1+α)K_ij

其中α＞0，是预先设定的参数。

进一步地，模拟随机网络故障并更新网络状态包括：

任意选取网络中某一节点及其关联边进行删除，更新网络状态；

随机选择已删除节点关联的网络节点及其关联边进行删除，再更新网络状态。

与现有技术相比，本发明所达到的有益效果是：打破传统网络故障事后判断的诊断分析模式，基于相依网络建立合理的故障传播模型，模拟电力数据中台网络级联失效的过程，分析电力数据中台网络节点的拓扑属性与网络节点级联失效之间的内在联系，拟合把握网络状态变化，实现电力数据中台网络故障诊断。本发明对规模大、业务量高的电力数据中台的实现网络状态获取及判别提供了一种简便且有效的诊断思路。

附图说明

图1为本发明提供的电力数据中台网络故障诊断方法流程图；

图2为本发明提供的电力数据中台网络级联失效模型图；

图3是本发明提供的不同方法下的网络状态分析情况对比图。

具体实施方式

下面结合附图对本发明的技术方案作进一步描述。

本发明提供了一种基于相依网络模型的电力数据中台网络故障诊断方法，具体包括如下内容：

步骤1：基于相依网络模型构建电力数据中台网络级联失效模型。

本发明中，相依网络模型的两层网络分别是用户主体网络和行为网络，两层网络之间的边就是用户的访问行为。主体网络中的节点为访问电力数据中台的终端设备，如果存在两个终端设备访问同一条日志，则这两个终端设备对应的节点之间就存在一条边。行为网络中的节点是中台数据间访问路径中的短路径，如果两条短路径之间存在访问关系，即存在一条访问路径分别通过两条短路径，该访问路径为行为网络中的边。

将日志的字段数据符号化为日志数据模型；收集到的日志表示为一个有序集合L＝{l₁,l₂,……,l_m}；每条日志信息包括都包括特定的参数，包括：用户IP(IPc)、请求大小(Rs)、请求方法(M)、请求路径(U)、状态码(Sc)和日期(D)等，如表1所示。

表1网络日志组成

用户对数据中台的每一次访问行为都会产生一条日志信息。在日志信息中，用户请求的网络资源的路径是决定用户访问意图的重要凭证。

构建电力数据中台网络级联失效模型，定义M＝(N,E)表示一个多层网络，其中N＝{N_α,N_β}，N_α表示主体网络中的节点集合，N_β为表示行为网络中的节点集合，则E为相依网络中的边，表示为：

E＝{E_αα,E_αβ,E_ββ} (1)

式中，E_αα表示主体网络中的边集合，E_αβ为主体网络节点N_α和行为网络节点N_β之间的连接边，E_ββ为表示行为网络中的边集合。同时，将层间的连接定义为一对一的模式。图2所示为电力数据中台网络级联失效模型图。所述的相依网络是包括主体网络和行为网络的整个网络。

步骤2：采用故障渗入度SoCF量化节点失效对数据中台通信质量影响；

本发明中，故障渗入度SoCF定义为：

式中，D表示相依网络中的节点个数，V_N表示分离出去的孤立连通子图中的节点个数。

步骤3：引入故障优化率FoP量化节点失效后再工作能力；

本发明中，故障优化率FoP定义为：

式中，D_S为模拟级联失效的次数，D_S(i)表示节点v_i的失效次数。

步骤4：为相依网络中的每条边计算其初始负载K_ij和容量R_ij：

式中，Y_lb表示节点n_l与n_b之间的最短路径个数，Y_lb(e_ij)表示节点n_l与n_b之间经过边e_ij的最短路径个数，以该介数中心作为边的初始负载，从而边的容量R_ij可以定义为：

R_ij＝(1+α)K_ij (5)

其中α＞0，是人为预先设定的参数；

步骤5：为模拟网络故障随机性，任意选取网络中某一节点及其关联边进行删除，更新网络状态；

步骤6：随机选择已删除节点关联的网络节点及其关联边进行删除，计算更新后网络中每条边的负载K'_ij；

步骤7：如果K'_ij>R_ij；则从网络中删除边e_ij；

步骤8：返回步骤6直到电力数据中台网络中所有的边都满足K'_ij≤R_ij或网络中所有的节点都为孤立节点；

在步骤5-步骤8的处理中，被删除的节点，以及被删除的边所对应的节点，构成了分离出去的孤立连通子图，这些节点数量是衡量整个网络中故障严重程度的一个重要指标，因此本发明基于该数量构建了故障渗入度指标，见步骤2。

步骤9：计算当前网络模型函数W＝FoP-SoCF数值，量化评价待测网络模型状态。

根据步骤9所计算的W数值，可以对网络模型状态有一个综合性的评估结果，由于网络模型的构建是基于终端设备对业务的访问关系，其中隐含了数据中台节点拓扑，因此根据该评估结果，可以识别出复杂网络中的故障态势，从而可针对性地采取措施来处理故障。例如，故障渗入度高说明数据中台网络故障节点数量较多，可着重排查设备单点故障；故障优化率高则说明网络级联失效相对于网络节点失效较多，说明关联设备之间存在较深级联影响，应注重功能模块之间排查；从二者的差值及其随时间的变化趋势，可以了解设备以及设备之间级联关系的变化情况。

为证实本发明方法可实现电力数据中台网络状态分析，采用启发式算法和特定路由近似算法作为对比方法，将不同方法均应用至对实际电力数据中台网络故障分析实验中。

同时，引入均方误差MSE来衡量指标预测值与真实值之间差距。MSE指标越小表明预测效果越准确。

其中，p_i为节点m_i的预测值，d_i为预测值。

不同方法下的网络状态拟合情况如图3所示。

如图3所示，采用本发明所提出的网络故障分析方法可更好对复杂电力数据中台网络进行态势感知和故障分析，相比其他方法对于复杂网络分析更好。本方法采用故障渗入度量化节点失效对数据中台通信质量影响，并引入故障优化率量化节点失效后再工作能力，能更好模拟数据中台网络状态变化过程，分析电力数据中台网络节点的拓扑属性与网络节点级联失效之间的内在联系，量化评价待测网络模型运行状态，实现电力数据中台网络故障诊断。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种基于相依网络模型的电力数据中台网络故障诊断方法，其特征在于，包括以下步骤：

根据访问电力数据中台的终端设备的日志信息构建电力数据中台相依网络的级联失效模型，所述相依网络中两层网络分别是用户主体网络和行为网络，两层网络之间的边是用户的访问行为，用户主体网络中的节点是访问电力数据中台的终端设备，如果存在两个终端设备访问同一条日志，则这两个终端设备对应的节点之间存在一条边；行为网络中的节点之间存在访问关系，则对应的两个节点之间存在一条边；

为网络中的每条边计算其初始负载和容量，模拟随机网络故障并更新网络状态，计算更新后网络中每条边的当前负载，如果当前负载大于边的容量，则从网络中删除该条边；

重复进行状态更新和负载计算、删除，直到电力数据中台网络中所有的边都满足当前负载小于或等于边的容量，或者网络中所有的节点都为孤立节点；

计算当前网络模型函数W＝FoP-SoCF数值，根据W数值随时间的变化趋势，给出量化的电力数据中台网络状态的研判结果，根据研判结果识别出网络故障态势，其中FoP为故障优化率，SoCF为故障渗入度；

故障优化率FoP定义为：

式中，D_S为模拟级联失效的次数，D_S(i)表示节点v_i的失效次数；

故障渗入度SoCF定义为：

式中，D表示网络中的节点个数，V_N表示分离出去的孤立连通子图中的节点个数。

2.根据权利要求1所述的方法，其特征在于，构建电力数据中台网络级联失效模型包括：定义M＝(N,E)表示一个多层网络，其中N＝{N_α,N_β}，N_α表示用户主体网络中的节点集合，N_β为表示行为网络中的节点集合，则E为相依网络中的边，表示为：

E＝{E_αα,E_αβ,E_ββ}

式中，E_αα表示用户主体网络中的边集合，E_αβ为用户主体网络节点N_α和行为网络节点N_β之间的连接边，E_ββ为表示行为网络中的边集合。

3.根据权利要求1所述的方法，其特征在于，网络中的每条边的初始负载K_ij计算方式如下：

式中，Y_lb表示节点n_l与n_b之间的最短路径个数，Y_lb(e_ij)表示节点n_l与n_b之间经过边e_ij的最短路径个数；

边的容量R_ij定义为：

R_ij＝(1+α)K_ij

其中α＞0，是预先设定的参数。

4.根据权利要求1所述的方法，其特征在于，模拟随机网络故障并更新网络状态包括：

任意选取网络中某一节点及其关联边进行删除，更新网络状态；

随机选择已删除节点关联的网络节点及其关联边进行删除，再更新网络状态。