【技术实现步骤摘要】
本专利技术属于电网调度自动化系统可靠性评估，具体涉及一种基于多通道图卷积网络的电网调度自动化系统支撑平台可靠性评估方法、系统及存储介质。
技术介绍
1、电网调度自动化系统可靠性分析评估方法主要包括系统的可靠性指标、故障模式与效应分析、可靠性评估方法、维护策略和实施效果评估。首先，系统的可靠性指标是评估电网调度自动化系统可靠性的重要指标，包括系统的可用性、可靠性、平均无故障时间、平均修复时间等。这些指标可以反映出系统的稳定性、可靠性和可用性等方面的情况。其次，故障模式与效应分析是对电网调度自动化系统进行可靠性分析的重要方法，通过对系统的故障模式与效应进行分析，可以找出系统的故障原因，了解故障对系统的影响，为制定合理的维护策略提供依据。然后，可靠性评估方法是对电网调度自动化系统进行可靠性评估的重要手段，可采用可靠性分析、故障树分析、事件树分析、markov模型等方法对系统的可靠性进行评估，分析系统的故障率、失效概率、平均修复时间等可靠性指标。其次，制定合理的维护策略是提高电网调度自动化系统可靠性的重要措施，可以采用定期检查、预防性维护、故障排除等策略，以提高系统的可靠性和稳定性。最后，实施效果评估是对制定的维护策略进行实施效果评估的重要环节，分析维护策略的有效性和可行性，为后续的维护工作提供参考。然而，这些方法在处理非线性、高维度、动态变化等问题时往往存在着一定的局限性。随着分布式系统技术在电网调度自动化系统中的应用与发展，其负载均衡、数据多活等设计策略提高了系统内节点间的信息交互的频率和相互影响的程度，增加了准确评估当前状态可靠性
2、近年来，利用深度学习方法对复杂分布式系统进行可靠性评估的研究逐渐兴起。这种方法可以利用大量的历史数据进行建模和预测，从而更准确地评估电力系统的可靠性。基于深度学习方法的电力系统可靠性评估技术主要分为以下几类：首先是基于卷积神经网络(cnn)的电力系统故障诊断技术。这种方法可以对电力系统中的故障进行自动检测和诊断，从而提高电力系统的可靠性。例如，可以将电力系统中的故障数据输入到cnn模型中，通过学习和识别来自动检测和诊断故障。其次是基于递归神经网络(rnn)的电力系统负荷预测技术。这种方法可以利用历史负荷数据进行预测，从而帮助电力系统管理者更好地规划和调度电力系统。例如，可以将历史负荷数据输入到rnn模型中，通过学习和记忆来预测未来的负荷情况。第三类是基于深度强化学习的电力系统控制技术。这种方法可以通过学习和优化电力系统的控制策略，从而提高电力系统的可靠性。例如，可以将电力系统中的控制策略输入到深度强化学习模型中，通过学习和优化来提高电力系统的控制效能。最后，基于深度学习方法的电力系统状态评估技术。这种方法可以利用历史数据对电力系统的状态进行预测和评估，从而提高电力系统的可靠性。例如，可以将电力系统中的历史数据输入到深度学习模型中，通过学习和预测来评估电力系统的状态和可靠性。然而随着电力系统规模的不断扩大和复杂度的增加，其运行数据的构成也逐渐复杂化，标签获取过程消耗的资源不断增加。
技术实现思路
1、针对现有技术存在的问题，本专利技术拟提供一种基于多通道图卷积网络的电网调度自动化系统支撑平台可靠性评估方法、系统及存储介质，适用于进行在标签不完整的情况下不同工作条件的支撑平台可靠性等级评估。
2、本专利技术为解决现有技术中存在的问题采用的技术方案如下：
3、一种电网调度系统支撑平台可靠性评估方法，包括如下步骤：
4、s1：分析支撑平台本身及设计文档，确定可靠性分析关键点，依据关键点并结合微服务具体内容，将电网调度系统支撑平台的拓扑结构表示为图结构，将系统中的服务节点表示为图中的节点，将节点之间的连接关系表示为图中的边，建立邻接矩阵和度矩阵
5、s2：搜集支撑平台故障案例，将这些故障注入支撑平台；
6、s3：进行fmeca分析确定数据标签，在步骤s2的基础上，针对各故障案例数据使用fmeca分析方法分析完成故障注入后的系统，综合考虑故障注入造成的影响范围与后果，进行故障的严酷度定级，最后将故障对应的级别与故障数据对应存入时序数据库；
7、s4：结合fmeca分析结果得出各服务节点的可靠性标签，对于缺乏历史故障信息的节点，设计训练掩码(train_mask)矩阵，过滤无标签节点的信息，仅汇聚带标签节点的数据信息进入损失(loss)函数完成正向传播；
8、s5：进行多模态故障数据集构建，在时序数据库记录的数据基础上进行数据清洗，综合考虑多个故障模式下的数据，采用时间滑窗法在系统不同模态下构建运行数据与严酷度标签对应的的故障数据集，回避在train_mask矩阵中选择回避的节点；清洗后的数据包含三个指标向量与对应标签，分别是系统指标向量xsys，网络指标向量xweb与数据指标向量xdat，对应标签采用one-hot编码；
9、s6：基于步骤s1建立的邻接矩阵和度矩阵构建多通道图卷积网络用于半监督节点分类任务，同时考虑系统指标向量xsys，网络指标向量xweb与数据指标向量xdat三类输入，捕捉支撑平台的历史运行数据的通道特征，结合图卷积与通道注意力机制，融合多通道特征，得到多通道图卷积网络模型；
10、s7：利用预处理后数据集对多通道图卷积网络模型进行训练和测试；
11、s8：将新的系统指标、网络指标和数据指标相关数据输入至训练好的多通道图卷积网络模型中，进行可靠性评估。
12、所述步骤s2具体方法为：基于收集到的支撑平台故障案例，形成故障信息库，将故障信息库中的已有故障单独，或随机选取任意数量的故障模式经排列组合后形成的新故障依次注入支撑平台，根据平台表现使用ptometheus等性能监控工具实时采集故障状态下的运行数据，参考已有的电力调度自动化系统健康度综合评价指标体系，例如cpu使用率、内存使用率、swap使用率、网卡平均流量、网络延迟、硬盘使用率等，采集的运行数据划分为以下三类：
13、(1)系统参数：表征当前进程占用的系统资源指标，如进程/服务的cpu、内存占用率，总线压力等；
14、(2)网络参数：表征当前进程/服务占用网络资源的大小，如网络io强度，上行/下行速率、消息延迟、定时发送消息的间隔时间等；
15、(3)数据参数：表征当前进程/服务对系统造成的数据压力，如硬盘使用率等。
16、使用时序数据库tsdb将采集完成的数据及时保存。
17、fmeca(故障机理与影响分析)是一种系统性的分析方法，主要用于评估系统中各个元件的故障机理和故障对系统的影响，以及确定预防和修复措施。所述步骤s3中对支撑平台进行fmeca分析的具体步骤为：
18、s3.1、确定支撑平台软件系统或设备的功能和目标，确定fmeca的范围和目的；
19、s3.2、确认支撑平台软件系统或设备中的所有组件，例如硬件、软件服务、子系统和平台应用；在此基础上，识别每个组件的故障模式和故障机理，包括本文档来自技高网...
【技术保护点】
1.一种电网调度系统支撑平台可靠性评估方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种电网调度系统支撑平台可靠性评估方法，其特征在于，所述步骤S2具体方法为：基于收集到的支撑平台故障案例，形成故障信息库，将故障信息库中的已有故障单独，或随机选取任意数量的故障模式经排列组合后形成的新故障依次注入支撑平台，使用性能监控工具实时采集故障状态下的运行数据。
3.如权利要求2所述的一种电网调度系统支撑平台可靠性评估方法，其特征在于，所述步骤S2中采集的运行数据划分为以下三类：系统参数、网络参数和数据参数；使用时序数据库TSDB将采集完成的数据及时保存。
4.如权利要求1所述的一种电网调度系统支撑平台可靠性评估方法，其特征在于，所述步骤S3中对支撑平台进行FMECA分析的具体步骤为：
5.如权利要求1所述的一种电网调度系统支撑平台可靠性评估方法，其特征在于，所述步骤S6具体包括如下步骤：
6.如权利要求1所述的一种电网调度系统支撑平台可靠性评估方法，其特征在于，所述步骤S7具体包括如下步骤：
7.一种电网调度
8.一种存储介质，其特征在于：其上存储有计算机程序，所述计算机程序在运行时执行如权利要求1-6中任一项中所述的电网调度系统支撑平台可靠性评估方法。
...【技术特征摘要】
1.一种电网调度系统支撑平台可靠性评估方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种电网调度系统支撑平台可靠性评估方法，其特征在于，所述步骤s2具体方法为：基于收集到的支撑平台故障案例，形成故障信息库，将故障信息库中的已有故障单独，或随机选取任意数量的故障模式经排列组合后形成的新故障依次注入支撑平台，使用性能监控工具实时采集故障状态下的运行数据。
3.如权利要求2所述的一种电网调度系统支撑平台可靠性评估方法，其特征在于，所述步骤s2中采集的运行数据划分为以下三类：系统参数、网络参数和数据参数；使用时序数据库tsdb将采集完成的数据及时保存。
4.如权利要求1所述的一种电网调度...
【专利技术属性】
技术研发人员：杨顺昆，段峙宇，石灿玮，宫玲琳，刘芳，李宇佳，夏文岳，陈斌，李泽科，徐鑫，卫泽晨，董根源，李思远，徐志光，丁凌龙，雷宝龙，陈鹏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。