基于故障传播模型与监督学习的电力通信网络故障定位

摘要：针对电力通信网络中的故障定位问题，分析了一种网络设备或链路故障引发的大范围连通片故障告警情形，提出一种基于故障传播模型和监督分类学习方法的故障定位算法。首先使用改进的故障传播模型求得初步定位结果，用最少的故障数目解释当前告警；然后通过故障源故障告警向量分解将故障定位问题转化为监督分类问题，定位告警区域内部故障；最后加入猜测的故障设备和故障链路完善定位结果以提高定位准确率。模拟结果表明提出的故障定位算法的故障检测率达到84%～95%，具有较高的故障定位可靠性。

关键词：故障定位；监督学习；故障传播模型；电力通信网络

中图分类号：TP393 文献标志码：A

0引言

电力通信网是为电力系统专门构建的通信网络，其对于安全性和可靠性有较高要求。本文研究电力通信网络的故障定位问题，该问题的挑战在于如何在故障发生时及时、准确、高效地查明故障源。网络中经常单个故障引发多个告警事件，其中包含大量冗余和不完整告警信息，为了定位真正的故障源，需要对这些信息进行分析处理，从而识别并帮助预测网络故障。故障定位是网管系统的关键技术之一，目前的定位算法主要有以下几种：

1）基于故障依赖关系图的故障定位方法。该类算法的主要特点是基于对网络拓扑故障依赖关系的分析。王保义等[1] 将全局网络按地理位置和重要性进行分层，在得到了告警设备节点的集合后从层次低的子网开始搜索，由依赖关系逐渐向上层确定告警父亲集合，最终得到顶层的故障源；杜晓丽等[2]基于链路故障和节点故障之间的依赖关系改进了故障依赖图，并提出一种启发算法。

2）基于贝叶斯网络的故障定位方法。该类算法以故障传播模型构造故障源故障告警关系图。张成等[3]以概率加权的二分图作为故障传播模型，提出一种基于增量贝叶斯疑似度的启发式故障定位算法，摆脱了对于时间窗口的依赖，将算法的复杂度降低为多项式级别；王开选等[4]指出故障传播模型下的故障定位问题是NP（Nondeterministic Polynomial）难的，并提出一种启发式的最小损失故障定位算法；王汝言等[5]以概率加权的二分图作为故障传播模型，提出一种基于贝叶斯征兆解释度（Bayesian Symptom Explained Degree， BSED）的链路故障定位算法，该算法的计算复杂度较低；Kandula等[6]考虑了共享风险链路组的故障关系，即网络层共享链路故障引发的故障关联关系，将这种关系映射到故障传播模型图中并在原关系图加入小概率权值的猜想边用以描述模型中可能丢失的拓扑信息。

3）基于模糊逻辑推理的故障定位方法。基于模糊推理的分析方法适用于网络情况复杂、知识库不完整等原因造成无法对故障告警给出完整解释的情形。王翔等[7]使用3种标准的隶属度函数对光网络的故障定位问题给出了模糊聚类下的解；宋继恩等[8]使用模糊算法定位故障载体，为所有可能的故障载体设置隶属度并通过二元对比决策来确定最大的隶属度从而实现故障定位。

4）基于神经网络的故障定位方法。该类算法将故障源作为输入、故障告警作为输出期望对各层神经元权值进行调整，直到实际输出满足特定要求为止。文献[9-10]均采用了基于模糊神经网络的故障诊断方法，对故障告警信息进行模糊化后再对模糊化的数据进行神经网络训练。

5）其他故障定位方法。闫生超等[11]提出基于组合规则的通信网故障分析方法，用告警事件树和代码簿分析故障，本质是对贝叶斯方法的一种改进；李彤岩[12]提出基于数据挖掘的告警关联分析，实际上是利用基于规则推理的方法定位故障。

网络中常常存在一些关键节点和关键链路，它们的故障会造成大规模的网络瘫痪，使网络中产生大量的告警，这给故障定位带来了挑战。这种关键设备或链路的位置与网络拓扑密切相关，现有的故障定位模型[1]61，[2]67，[6]175主要考虑拓扑对故障传播的影响，而忽视了故障位置对告警信息的影响。本文算法旨在解决大范围连通片故障告警下故障定位问题。

4结语

为解决电力通信网络中大规模连通片告警情景下的故障定位问题，本文提出基于改进的故障传播模型和分类学习的故障定位算法，该算法在故障检测率和误检率等指标下都有较好的表现。算法首先通过分类训练得到对全网的故障定位初始解，接着通过拓扑分析添加猜测故障元素进一步优化定位结果。为了减少故障定位中出现的误判和漏判，需要对故障告警信息进行进一步的筛选。如何有效减少告警中的无用和干扰信息，是下一步研究的重点。

参考文献：

[1]

王保义， 郭雅薇， 史占成， 等.基于依赖搜索树的电力通信网络告警关联方法的研究[J].继电器， 2008， 36（6）： 59-64.（WANG B Y， GUO Y W， SHI Z C， et al. Research of alarm correlation method based on dependency search tree in electric power communication network[J]. Relay， 2008， 36（6）： 59-64.）

[2]

杜晓丽， 朱程荣， 熊齐邦.一种基于依赖图的故障定位算法[J].计算机应用， 2005， 24（增刊2）： 67-69.（DU X L， ZHU C R， XIONG Q B. A fault location algorithm based on the dependency graph[J]. Journal of Computer Applications， 2005， 24（S2）： 67-69.）

[3]

张成， 廖建新， 朱晓民.一种基于增量贝叶斯疑似度的事件驱动故障定位算法[J].电子与信息学报， 2009， 31（6）： 1501-1504.（ZHANG C， LIAO J X， ZHU X M. An eventdriven fault localization algorithm based on incremental Bayesian suspected degree[J]. Journal of Electronic and Information Technology， 2009， 31（6）： 1501-1504.）

[4]

王开选， 杨峥， 邱雪松.面向影响分析的电力通信网故障定位算法[J]. 北京邮电大学学报， 2014， 37（增刊2）： 55-59.（WANG K X， YANG Z， QIU X S. Algorithm of fault locating on impact analysis in power communication networks[J]. Journal of Beijing University of Posts and Telecommunications， 2014， 37（S2）： 55-59.）

[5]

王汝言， 吴晴， 熊余.基于贝叶斯征兆解释度的链路故障定位算法[J].计算机应用研究， 2013， 30（3）： 712-719.（WANG R Y， WU Q， XIONG Y. Link failure localization algorithm based on Bayesian symptom explained degree[J]. Application Research of Computers， 2013， 30（3）： 712-719.）

[6]

KANDULA S， KATABI D， VASSEUR J P. Shrink： a tool for failure diagnosis in IP networks[C]// Proceedings of the 2005 ACM SIGCOMM Workshop on Mining Network Data. New York： ACM， 2005： 173-178.

[7]

王翔， 代飞， 高维忠.基于集合运算和组合式模糊条件的电力通信网故障定位[J].电力系统自动化， 2014， 38（24）： 114-118.（WANG X， DAI F， GAO W Z. Fault location for electric power communication network based on intersection operation and combined fuzzy[J]. Automation of Electric Power Systems， 2014， 38（24）： 114-118.）

[8]

宋继恩， 夏芸， 李新.模糊聚类分析在光网络多故障定位中的应用[J]. 光通信研究， 2013（4）：20-23.（SONG J E， XIA Y， LI X. Applications of fuzzy clustering analysis in multifault location in optical networks[J]. Study on Optical Communications， 2013（4）：20-23.）

[9]

张禹.模糊神经网络在移动通信网故障诊断中的应用[D].天津：天津理工大学， 2010：22-32.（ZHANG Y. Applications of fuzzy neural network in fault diagnosis in mobile communication networks[D]. Tianjin： Tianjin University of Technology， 2010：22-32.）

[10]

张义忠， 冯振声， 孟晨.模糊推理和神经网络的集成在故障诊断中的研究[J].系统工程与电子技术， 2000， 22（3）： 81-83.（ZHANG Y Z， FENG Z S， MENG C. Study on integrated fuzzy reasoning and neural network in fault diagnosis[J]. Systems Engineering and Electronics， 2000， 22（3）： 81-83.）

[11]

闫生超， 张天兵， 张春平.基于组合规则的电力通信网故障分析方法[J].电力系统通信， 2011， 32（3）： 34-38.（YAN S C， ZHANG T B， ZHANG C P. Analysis on the fault of power communication network based on combined rules[J]. Telecommunications for Electric Power System， 2011， 32（3）： 34-38.）

[12]

李彤岩.基于数据挖掘的通信网告警相关性分析研究[D].成都：电子科技大学， 2010：11-21.（LI T Y. Researches on data mining based alarm correlation analysis in communication networks[D]. Chengdu： University of Electronic Science and Technology of China， 2010：11-21.）

[13]

张学工.关于统计学习理论与支持向量机[J].自动化学报， 2000， 26（1）： 32-42.（ZHANG X G. Introduction to statistical learning theory and support vector machines[J]. Acta Automatica Sinica， 2000， 26（1）： 32-42.）

Background

This work is partially supported by the National Natural Science Foundation of China （61379130）.

ZHAO Canming， born in 1983， M. S.， engineer. His research interests include smart grid， electric power information network.

LI Zhuhong， born in 1974， M. S.， senior engineer. His research interests include smart grid， electric power information network.

TAO Lei， born in 1992， Ph. D. candidate. His research interests include wireless network， smart grid.

ZHANG Xinming， born in 1964， Ph. D.， professor. His research interests include wireless network， smart grid.