一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法

摘要

本发明涉及一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法，属于异常管理技术领域。该方法包括以下步骤：S1：全链路异常信息预处理；S2：全链路异常权重分析；S3：全链路异常定位规则固化。本发明采用计量链路关键业务中的异常数据，对计量业务链路进行拓扑降维、异常数字化等预处理，通过引入计量链路异常权重分析算法，挖掘出权重面积大的链路，并对链路上的异常进行根源定位，最终将定位结果及规则进行固化，构建一套计量全链路关键业务异常定位模型，能够有效的协助电力公司更加精准的发现计量业务链路上的根源异常，高效排查并解决计量业务链路上的异常，保障电网稳定运行。

说明书

技术领域

本发明属于电力计量管理技术领域，特别涉及一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法。

背景技术

在电网系统中，计量业务链路上产生的大量异常，其一是数量大，网络通讯、数据加载和终端数据采集等各环节都会产生异常；二是连续性，系统的异常是以时间为顺序进行报警的；三是关联性，计量主站全链路上的异常都是产生于环环相扣的节点上的，并且异常产生的数据流、调用指令是和环节拓扑关系相关系的。但是这些异常需要定位与解决，处理这些异常项缺乏从链路逻辑上寻找根源的方法，造成运维工作量大、效率低等问题。为此需要结合计量业务中的异常数据，基于异常权重面积算法，急需一套计量全链路关键业务异常定位模型。

发明内容

有鉴于此，本发明的目的是提供一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法，通过构建一套计量全链路关键业务异常定位模型，能够克服现有技术中存在的问题。

本发明的目的是通过以下技术方案实现的：

该种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法，包括以下步骤：

步骤S1：全链路异常信息预处理；

步骤S2：构建全链路异常权重分析；

步骤S3：全链路异常定位规则固化。

特别地，所述步骤S1中，全链路异常信息预处理包括：构建计量全链路关键业务拓扑图、计量全链路关键业务拓扑降维、计量全链路关键业务异常项获取、噪音异常过滤与时间序列切割，最终标准化出可供定位根源的异常链路。

特别地，所述步骤S2具体为：结合计量全链路关键业务异常项，以四条核心降维链路为例进行全链路异常权重分析。

特别地，所述步骤S3具体为：

通过历史数据反复对链路上的异常进行权重面积计算，将异常至于优先级高的链路中寻找在链路上的根源异常，并保留全链路径；

将根源异常结果与日常运维中的异常排查结果对比验证，将匹配的异常定位规则固化成规则库。

特别地，所述绘制计量全链路关键业务拓扑图是依据通过研究梳理运维手册、前置设计说明绘制指令下发与任务采集这两类类关键业务拓扑图。

特别地，所述计量全链路关键业务拓扑降维分为主采任务指令下发、主采任务信息采集、补采任务指令下发与补采任务信息采集4条核心链路。

特别地，所述计量全链路关键业务异常项包括全链路状态评价异常值与运维日志异常项。

特别地，所述全链路异常权重分析采用如下步骤进行：

步骤S21：异常链路数字化处理：结合业务信息与时间信息的异常链，将调序后的异常链进行抽象化处理，删减多余的业务信息和时间信息，用1代表异常节点，0代表非异常节点，得到抽象后的01异常链。

步骤S22：特殊倍率赋值通过增加权重，进一步提高异常链路的计算准确性。经分析计量全链路关键业务需三种特殊链的异常权重算法进行调整；

步骤S23：异常链路权重面积算法通过对链路环节上异常数量和异常密集程度，计算链路异常关联程度，为异常定位提供参考；

步骤S24：异常链路权重面积计算：评价计算与日志记录的异常项对应到链路的环节之上，并且通过时间戳进行显示，将异常信息数字化成0和1表示的标准链，通过权重面积算法得出每一条链的面积，以此表示不同链的异常优先级，以实现辅助运维异常排查的目的；

步骤S25：计量全链路根源异常定位：设置链路优先级，在优先级范围内依据时间戳顺序确定根源异常。

特别地，所述步骤S22中，其具体规则如下：

全链仅存在单个异常节点的单节点异常链：乘因c＝1+异常节点序/总节点数；

存在单个异常密集段且在链最后的后置异常链：乘因c＝整体异常权重放大10倍；

全链各节点都异常的全异常链：乘因c＝整体异常权重放大10倍。

特别地，所述步骤S24中，计算链路异常关联程度的具体步骤如下：

步骤S231：将异常数量以宽度表示，若链路异常节点数N＝1，则宽度a＝1；若链路异常节点数N>1，则宽度a＝max(相连异常节点数)；

步骤S232：将异常密集程度以长度表示：若链路异常节点数N＝1，则长度b＝1+告警节点所在链路的序号/链路总节点数,若链路异常节点数N>1，则长度

步骤S233：利用如下的异常链路权重面积公式计算异常链路权重面积：

S＝a*b*100*c。

本发明的有益效果是：

本发明基于计量链路异常数据，能够构建一套基于融合业务拓扑的电力计量全链路关键业务异常定位模型。在实践过程中，通过对链路上异常信息的预处理，然后运用权重面积算法对异常链路的异常关联性进行定量计算，通过对链路异常关联性优先级排序，定位根源异常，最后通过规则固化确定计量全链路关键业务异常定位方法，协助电力公司更加精准的发现计量链路上的根源异常，提高日常运维工作异常排查与处理效率，保障电网稳定运行。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1为本发明的构建流程图；

图2为全链路关键业务拓扑示意图；

图3为计量全链路关键业务拓扑降维示意图；

图4为计量全链路关键业务异常项获取示意图；

图5为异常链路数字化处理示意图；

图6为实施例对链路定位准确性进行验证的对比表；

图7为异常定位实例的界面显示图。

具体实施方式

以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。

如图1所示，本发明的一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法，包括以下步骤：

步骤S1：全链路异常信息预处理；

全链路异常信息预处理包括：构建计量全链路关键业务拓扑图、计量全链路关键业务拓扑降维、计量全链路关键业务异常项获取、噪音异常过滤与时间序列切割，最终标准化出可供定位根源的异常链路。

本实施例中，如图2所示，绘制计量全链路关键业务拓扑图是依据通过研究梳理运维手册、前置设计说明绘制指令下发与任务采集这两类类关键业务拓扑图；

如图3所示，计量全链路关键业务拓扑降维分为主采任务指令下发、主采任务信息采集、补采任务指令下发与补采任务信息采集4条核心链路；

计量全链路关键业务异常项获取包括全链路状态评价异常值与运维日志异常项，去除噪音异常及依据时间序列切割异常项获得异常定位重点关注的异常项，如图4所示。

步骤S2：构建全链路异常权重分析；具体为：

结合计量全链路关键业务异常项，以四条核心降维链路为例进行全链路异常权重分析。

本实施例中，全链路异常权重分析采用如下步骤进行：

步骤S21：异常链路数字化处理：结合业务信息与时间信息的异常链，将调序后的异常链进行抽象化处理，删减多余的业务信息和时间信息，用1代表异常节点，0代表非异常节点，得到抽象后的01异常链。具体如图5所示。

步骤S22：特殊倍率赋值通过增加权重，进一步提高异常链路的计算准确性。经分析计量全链路关键业务需三种特殊链的异常权重算法进行调整；

步骤S23：异常链路权重面积算法通过对链路环节上异常数量和异常密集程度，计算链路异常关联程度，为异常定位提供参考；

步骤S24：异常链路权重面积计算：评价计算与日志记录的异常项对应到链路的环节之上，并且通过时间戳进行显示，将异常信息数字化成0和1表示的标准链，通过权重面积算法得出每一条链的面积，以此表示不同链的异常优先级，以实现辅助运维异常排查的目的；

步骤S25：计量全链路根源异常定位：设置链路优先级，在优先级范围内依据时间戳顺序确定根源异常。

其中，在步骤S22中，具体规则如下：

(1)全链仅存在单个异常节点的单节点异常链：乘因c＝1+异常节点序/总节点数；

(2)存在单个异常密集段且在链最后的后置异常链：乘因c＝整体异常权重放大10倍；

(3)全链各节点都异常的全异常链：乘因c＝整体异常权重放大10倍。

而在步骤S23中，计算链路异常关联程度的具体步骤如下：

计算链路异常关联程度的具体步骤如下：

步骤S231：将异常数量以宽度表示，若链路异常节点数N＝1，则宽度a＝1；若链路异常节点数N>1，则宽度a＝max(相连异常节点数)；

步骤S232：将异常密集程度以长度表示：若链路异常节点数N＝1，则长度b＝1+告警节点所在链路的序号/链路总节点数,若链路异常节点数N>1，则长度

步骤S233：利用如下的异常链路权重面积公式计算异常链路权重面积：

S＝a*b*100*c。

步骤S3：全链路异常定位规则固化。具体为：

首先，通过历史数据反复对链路上的异常进行权重面积计算，将异常至于优先级高的链路中寻找在链路上的根源异常，并保留全链路径；

将根源异常结果与日常运维中的异常排查结果对比验证，将匹配的异常定位规则固化成规则库。

实例中，通过历史异常数据及运维排查日志，选取2020年4月10日至2020年4月24日的5.32万条数据作为训练样本集，选取15天5类链路环节中重要程度较高的报错作为异常信息，其包括：任务生成环节的生成失败报错、前置服务环节的通讯延迟报错节、任务调度环节的状态评价低及组规约环节的异常报错。选择这些异常信息前后10分钟内的异常信息，每间隔2分钟获取一次异常信息，最终对异常关联度优先级设置为排名前3的链路进行分析，此类链路覆盖根源异常的比例均超过50％，其中5类关键异常的定位准确性高于75％，验证了本文提出的电力计量全链路关键业务异常定位规则的准确性和有效性，如图6所示。

异常定位实例中，将定位信息进行直观展示，显示定位节点与链路信息，帮助运维人员排查异常的根源，界面如图7所示。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的的方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。