基于动态贝叶斯网络的电力通信网业务可靠性预测方法技术

本发明专利技术涉及基于动态贝叶斯网络的电力通信网业务可靠性预测方法，基于电力通信网的拓扑结构，针对影响业务可靠性的各种因素，结合市政信息，建立设备和光缆状态转化的马尔科夫模型，建立基于业务通道拓扑结构的业务可靠性动态贝叶斯网络模型，本发明专利技术具有以下优点：1、考虑业务主通道和备用通道的关系，更准确的预测了业务的可靠性。2、在建立设备和光缆状态模型的同时，同时引入了故障率和修复率的影响，更加符合电力通信网的实际情况。3、在计算设备和光缆的可靠性时，不仅考虑了自身状态的改变，同时结合环境、设备端口占有率的影响，而且还引入了光缆段市政信息的影响，使得结果更加准确。

Reliability prediction method of power communication network based on Dynamic Bayesian network

The present invention relates to a method for predicting service reliability of power communication network based on Dynamic Bayesian network, power communication network topology based on the influence of various factors in business reliability, according to municipal information, establish Markoff model equipment and cable state transformation, service reliability dynamic Bayesian network model is built based on the topological structure of the business channel, the invention has the following advantages: 1, to consider the relationship between the main channel and the standby channel, more accurate prediction of the reliability of the service. 2, in the establishment of equipment and cable state model at the same time, the introduction of the failure rate and repair rate of impact, more in line with the actual situation of the power communication network. 3, in the reliability calculation of equipment and cable, not only consider their own state changes, combined with the influence of environment, equipment port share, and the influence of cable section of municipal information is introduced, making the results more accurate.

【技术实现步骤摘要】
基于动态贝叶斯网络的电力通信网业务可靠性预测方法
本专利技术属于通信网业务可靠性预测的研究范畴，涉及大数据在电力通信网中的应用，动态贝叶斯网络，业务通道的拓扑结构的可靠性研究、光缆的可靠性分析、网元的可靠性分析、设备的负载与可靠性的关系，动力环境因素对业务可靠性的影响等研究领域。提出了一种基于动态贝叶斯网络的多层多维度的电力通信网业务可靠性动态预测模型。
技术介绍
基于海量的数据，采用大数据的手段，对电力通信网业务可靠性的预测是一个新兴的研究领域。该领域涉及到的主要研究对象，关键技术和实际应用价值主要包括：电力通信网的数据主要来源于设备告警，设备运维，业务数据等各个环节，其数据具有数据量大，数据类型繁多，数据价值高等特征。对电力通信网的智能化管理决定了其对电网业务的支撑能力。大数据能够带来更加灵活丰富的管理手段，对业务可靠性的预测，能够为通信网可靠，高效地运行提供保证，能够产生巨大的价值。基于电力通信网的数据挖掘将促进电网通信运行水平和管理效率的提高，“在进一步提升电网安全预控水平和供电可靠性的同时，带来巨大的社会效益。”通信网业务可靠性研究：电网对通信网的依赖性不断增强，对通信网的业务可靠性要求不断增强，随着电力通信网结构的不断复杂，规模日益增大，面临的挑战不断加强。现有的通信网的可靠性分析主要采用N-1分析，其目的是要确保在单一故障下不会导致同一条线路的所有业务的通信信道中断。归纳起来，通信网可靠性影响因素主要有8种。分别是：(1)通信网的拓扑结构；(2)通信网的构成部件；(3)通信网的控制软件；(4)通信网的故障诊断能力；(5)通信网的故障恢复能力；(6)用户对网络业务的性能需求；(7)通信网络环境；(8)其他因素。针对以上的各个要素，已提出了多个业务可靠性的评价和量化方法，比如刘俊毅等人提出了基于业务可用性的电力通信网可靠性量化评估方法，该方法提出基于业务重要度与业务路由状态的业务可靠性的量化指标。赵子岩等人提出了基于业务风险均衡度的电力通信网可靠性评估算法，可以从业务通道段承载业务的风险度水平方面对电力通信网的安全性、可靠性进行评估。归纳以上的量化方法，能够发现这些方法缺少对动力环境因素的考虑，还有市政施工等因素对业务可靠性的影响，更重要的不是基于大数据的预测模型。对电力通信网数据利用率的提高，可以加快电力企业盈利与控制水平的提升，无论是行业内还是行业外应用，都会带来新的发展机遇。同时，这也对大数据的认知水平提出了挑战，如何从海量数据中提取出有价值的信息，并最终转化成可以优化管理模式和提升服务水平的决策知识，这是大数据价值能否被充分展现和应用的关键所在。业务可靠性预测：电力通信网作为智能电网的支撑网络，其可靠性已成为智能电网智能化和经济、安全运行的先决条件。通过对电力通信网已有的海量数据的初步研究，我们发现外部的动力环境因素，对业务可靠性的影响很大，在大雨，雷电天气下，业务的可靠性会受到很大的影响。同时，我们发现外部的施工环境对业务可靠性的影响也是巨大的，60％的光缆故障都是由于施工引起。在国内关于通信网可靠性预测的相关研究比较欠缺，SalmaKtari提出了基于贝叶斯网络的公共安全网络的可靠性预测的模型，公共安全网络与电力通信网有些方面是比较相似的，为了保证业务的可靠性，都采用了多通道的冗余技术，不同的拓扑结构将带来不同的业务可靠性。通过本论文，可以看到贝叶斯网络在解决网络中业务可靠性预测问题的有效性。BilgehanErman等人利用贝叶斯网络针对5G无线网络的可靠性进行了预测，鉴于5G网络本身对服务质量的要求，预测将是必不可少的。文章基于概率的角度，提出了可靠性的概率表达，即网络一段时间的可靠性等于网络在这段时间不会发生故障的概率，公式如下所示。作者基于网络使用人数，网络延迟，吞吐量等因素构建贝叶斯网络，利用模拟数据计算CPT,利用贝叶斯网络的推理功能进行可靠性的预测。模型简单易用，并取得了很好的预测效果。贝叶斯网络：贝叶斯网络(Bayesiannetwork)是一种概率图型模型，是人工智能领域表达和处理不确定性问题的重要工具，贝叶斯网络自从1763年提出之后，因为其概率的基础和双向推理，广泛应用在各个领域。贝叶斯网络分为静态贝叶斯网络和动态贝叶斯网络。贝叶斯网络能够集成系统内大量的多状态的组件，相比故障树分析方法，它具有学习能力，能够根据以往的海量数据学习条件概率表，可以被用在系统的可靠性，安全性分析中。静态贝叶斯网络都没有考虑时间的维度，也没有考虑外界的无法控制的扰动，但是在业务可靠性的分析中需要考虑设备基于时序的状态转移和外界环境因素对业务可靠性的影响，所以静态贝叶斯网络无法支撑动态的可靠性预测需求。动态贝叶斯能够在解决以上的问题中发挥出巨大的优势，因而得到了重点的关注。动态贝叶斯网络(DynamicBayesianNetwork,DBN)，是一个随着毗邻时间步骤把不同变量联系起来的贝叶斯网络。通常被叫做“两个时间片”的贝叶斯网络，DBN在任意时间点T，变量的值可以从内在的回归量和直接先验值(timeT-1)计算。动态贝叶斯网络能够比马尔科夫链表达更复杂的随机过程。状态s的动态性转换是通过转换矩阵实现的，这个矩阵必须满足归一化的要求。针对以上分析的问题和电力通信网可靠性预测的迫切需求，本文专利技术了一种基于动态贝叶斯网络的电力通信网业务可靠性动态预测模型，综合考虑了业务本身通道的拓扑结构，设备本身的属性，外部的环境因素，施工因素，网元的端口占用率等重要因素，另外重点考虑了业务可靠性的时序关系，加入了时间的维度，能够在动态和不确定的外部因素下，对业务可靠性进行预测。
技术实现思路
针对电力通信网业务可靠性预测中网络拓扑结构复杂以及影响因素繁多的情况，本专利技术旨在建立电力通信网业务通道中设备和光缆的状态马尔科夫模型、通道可靠性的动态贝叶斯网络模型和业务可靠性预测的贝叶斯网络模型，通过历史数据自动学习模型参数，考虑设备所处环境和端口占率的影响，同时对光缆考虑环境、是否过江河湖以及施工这类时政因素的影响，根据电力通信网业务通道目前的状态和以上因素预测下一时段业务的可靠性。为完成以上目标，本专利技术提出基于动态贝叶斯网络的电力通信网业务可靠性预测方法，包括以下步骤：步骤1，对电力系统通信网中的业务的拓扑结构进行分析，结合专家知识利用动态贝叶斯网络构建电力通信网业务可靠性的预测模型；该步骤进一步包括以下子步骤：步骤1.1，根据电力通信网内的设备状态建立设备状态的马尔科夫模型，根据连接设备的光缆的状态建立光缆状态的马尔科夫模型；步骤1.2，根据电力通信网业务通道上的拓扑结构和影响设备光缆状态的因素建立业务通道状态的动态贝叶斯网络模型；步骤1.3，根据电力通信网内业务的主通道和备用通道的拓扑结构建立业务可靠性的贝叶斯网络模型；步骤2，利用先验数据知识计算步骤1中建立的各模型参数；该步骤进一步包括以下子步骤：步骤2.1，针对不同厂家、型号和工作年限的设备，利用先验知识计算其状态转移概率矩阵以及该转移矩阵和设备环境以及设备端口占有率的关系；步骤2.2，针对不同长度段的光缆，利用先验知识计算其状态转移概率矩阵以及该矩阵和光缆环境以及该地段施工状态的关系；步骤2.3，根据步骤1.2建立的业务通道动态贝叶斯网本文档来自技高网...

【技术保护点】
基于动态贝叶斯网络的电力通信网业务可靠性预测方法，其特征在于，包括以下步骤：步骤1，对电力系统通信网中的业务的拓扑结构进行分析，利用动态贝叶斯网络构建电力通信网业务可靠性的预测模型，包括以下子步骤：步骤1.1，根据电力通信网内的设备状态建立设备状态的马尔科夫模型，根据连接设备的光缆的状态建立光缆状态的马尔科夫模型；步骤1.2，根据电力通信网业务通道上的拓扑结构和影响设备光缆状态的因素建立业务通道状态的动态贝叶斯网络模型；步骤1.3，根据电力通信网内业务的主通道和备用通道的拓扑结构建立业务可靠性的贝叶斯网络模型；步骤2，利用先验数据知识计算步骤1中建立的各模型参数，包括以下子步骤：步骤2.1，针对不同厂家、型号和工作年限的设备，利用先验知识计算其状态转移概率矩阵以及该转移矩阵和设备环境以及设备端口占有率的关系；步骤2.2，针对不同长度段的光缆，利用先验知识计算其状态转移概率矩阵以及该矩阵和光缆环境以及该地段施工状态的关系；步骤2.3，根据步骤1.2建立的业务通道动态贝叶斯网络模型，计算业务每条通道可靠性和该通道上各设备和光缆状态的条件概率；步骤3，利用步骤1建立的模型和步骤2计算得到的参数，根据当前各设备和光缆的状态，以及当前时间段各影响因素的值，预测下一时间段的业务可靠性。...

【技术特征摘要】
1.基于动态贝叶斯网络的电力通信网业务可靠性预测方法，其特征在于，包括以下步骤：步骤1，对电力系统通信网中的业务的拓扑结构进行分析，利用动态贝叶斯网络构建电力通信网业务可靠性的预测模型，包括以下子步骤：步骤1.1，根据电力通信网内的设备状态建立设备状态的马尔科夫模型，根据连接设备的光缆的状态建立光缆状态的马尔科夫模型；步骤1.2，根据电力通信网业务通道上的拓扑结构和影响设备光缆状态的因素建立业务通道状态的动态贝叶斯网络模型；步骤1.3，根据电力通信网内业务的主通道和备用通道的拓扑结构建立业务可靠性的贝叶斯网络模型；步骤2，利用先验数据知识计算步骤1中建立的各模型参数，包括以下子步骤：步骤2.1，针对不同厂家、型号和工作年限的设备，利用先验知识计算其状态转移概率矩阵以及该转移矩阵和设备环境以及设备端口占有率的关系；步骤2.2，针对不同长度段的光缆，利用先验知识计算其状态转移概率矩阵以及该矩阵和光缆环境以及该地段施工状态的关系；步骤2.3，根据步骤1.2建立的业务通道动态贝叶斯网络模型，计算业务每条通道可靠性和该通道上各设备和光缆状态的条件概率；步骤3，利用步骤1建立的模型和步骤2计算得到的参数，根据当前各设备和光缆的状态，以及当前时间段各影响因素的值，预测下一时间段的业务可靠性。2.根据权利要求1所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法，其特征在于，所述步骤1.1中建立的设备状态马尔科夫模型如下：P{X(tk)|X(tk-1),...,X(t0)}＝P{X(tk)|X(tk-1)}其中，X(tk)表示设备在第k个时刻的状态，这里的时间间隔为一小时，该模型表明设备当前时刻的状态只与上一时刻的状态有关；设备告警数据的分析，把设备状态有三种，分别表示如下：状态NF：正常状态，表明设备此刻无任何故障，即X(t)＝NF；状态MF：轻微故障，表明设备此刻有轻微故障，但不影响设备功能的运转，如风扇故障等，即X(t)＝MF；状态PF：严重故障，表明设备此刻严重故障，已经无法满足功能需求，甚至停止工作，即X(t)＝PF；定义t时刻的设备状态分布Π(t)有如下表达：根据设备的状态情况，其状态转移概率矩阵为：其中，矩阵P中的元素Aij表示设备状态从t-1时刻的i状态转移到t时刻为j状态的概率，λ1,λ2,λ3为设备状态转移的故障率，μ,μ1为设备状态转移的修复率，计算方式如下：λ1＝a·λλ2＝b·λλ3＝c·λ1μ1＝d·λ1其中，a,b,c,d为转移系数，并且满足a+b≤1，c+d≤1，λ为设备的总故障率，μ为设备的修复率；所以，电力通信网中业务通道的设备状态分布模型如下：Π(t)＝Π(t-1)·P。3.根据权利要求2所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法，其特征在于，步骤1.1中电力通信网中业务通道的光缆状态分布模型如下：Ψ(t)＝Ψ(t-1)·D其中，Ψ(t)为光缆t时刻的状态分布，D为光缆状态的转移矩阵；其中，光缆状态Y(t)有正常和故障两种，分别用N和F表示，η为光缆的故障率，ξ为光缆的修复率。4.根据权利要求2所述的基于动态贝叶斯网络的电力通信网业务可靠性预测方法，其特征在于，步骤1.2中建立的业务通道可靠性模型如下：(T,X,CX,R,Y,CY,S)该模型为一个动态贝叶斯网络模型，其中，T＝{T(t0),...,T(tk),...,T(tN)}，T(tk),(0≤k≤N)为通道第k个时刻的状态；X＝{X1,X2,...,Xn}，Xi＝{Xi(t0),...,Xi(tk),...,Xi(tN)}，Xi(tk),(0≤k≤N,1≤i≤n)为第i台设备第k个时刻的状态；为第i台设备第k个时刻的环境因素；R＝{R1,R2,…,Rn}，Ri＝{Ri(t0),...,Ri(tk),...,Ri(tN)}，Ri(tk),(0≤k≤N,1≤i≤n)为第i台设备第k个时刻的端口占有率；Y＝{Y1,Y2,...,Ym}，Yj＝{Yj(t0),...,Yj(tk),...,Yj(tN)}，Yj(tk),(0≤k≤N,1≤j≤m)为通道上第j段光缆第k个时刻的状态；为第j段光缆第k个时刻的环境因素；S＝{S1,S2,...,Sm}，Sj＝{Sj(t0),...,Sj(tk),...,Sj(tN)},Sj(tk),(0≤k≤N,1≤j≤m)为第j段光缆第k个时刻施工状态；对设备X而言，环境因素CX和端口占有率R影响的是它的总故障率λ，有：λ(t)＝λ0+αCX(t)+βR(t)其中，λ(t)为设备t时刻的故障率，λ0为设备初始故障率，主要受设备厂商、型号和工作年限的影响，α和β为系数；将其矩阵化表示为：λ(t)＝λ0+AW(t)其中，A＝[α,β]为系数矩阵，W(t)＝[CX(t),R(t)]T表示t时刻设备故障率的影响因子；同样对光缆段Y而言，环境因素CY和施工状态S影响的也是它的故障率η，有：其中，η(t)为光缆t时刻的故障率，η0为光缆的初始故障率，主要受光缆型号、工作年限和长度的影响，ω和为系数；将其矩阵化表示为：η(t)＝η0+EQ(t)其中，为系数矩阵，Q(t)＝[CY(t),S(t)]T表示t时刻光缆故障率的影响因子；一条通道上所有设备和连接光缆段都是串联的，而且设备在正常状态和轻微故障状态下都是可靠的，所以通道在t时刻的可靠性为：

【专利技术属性】
技术研发人员：杨济海，伍小生，彭汐单，巢玉坚，李号号，蔡志民，王国欢，王华，付萍萍，李东，胡游君，邱玉祥，吕顺利，邓伟，刘皓，蔡新忠，查凡，王宏，丁传文，许胜，黄倩，李石君，余伟，李宇轩，陈雪莲，陈艳华，彭超，
申请(专利权)人：国网江西省电力公司信息通信分公司，南京南瑞集团公司，国家电网公司，武汉大学，
类型：发明
国别省市：江西,36