基于决策树的电力光传输系统故障定位方法及系统

技术领域

本发明涉及光传输系统故障定位技术领域，尤其涉及一种基于决策树的电力光传输系统故障定位方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

在智能电网的构建过程中，运用先进技术能够提高电力系统的运行效率，实现电网的创新发展。OTN光传输作为具有一定代表性的技术，对电力通信网络的工作性能起到积极作用，有效促进电力系统的稳定、良好运行。

电力光传输系统(以下简称OTN)的传输容量，相较于传统的SDH传输系统，传输带宽容量大大提升，但随之而来大量的尾纤连接，复杂的信号流向，使得日常运维的难度也大大增加。当电力OTN出现故障时，难以快速对其进行故障定位排查，对运维人员技术水平要求较高。

发明内容

为了解决上述问题，本发明提出了一种基于决策树的电力光传输系统故障定位方法及系统，可以快速定位电力OTN的故障位置，解决了电力OTN分析判断故障位置困难，对运维人员技术要求高的问题。

在一些实施方式中，采用如下技术方案：

一种基于决策树的电力光传输系统故障定位方法，包括：

获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据，构建特征向量；

将所构建的特征向量输入至训练后的OTN故障定位决策树，输出故障定位区段；

其中，所述OTN故障定位决策树包括一个根结点，若干个内部分支结点和若干个叶节点；每个叶节点对应于一个定位的故障区段，其他每个内部分支结点对应于OTN设备的特征状态，根节点包含样本全集，从根结点到每个叶节点的路径对应一个故障定位判定逻辑。

作为进一步地方案，所述OTN故障定位决策树的训练过程包括：

(1)基于电力OTN设备日常运维过程中故障消缺记录，构建训练样本集D

(2)选取电力OTN设备发生故障时的相关特征，构建属性集A；

(3)生成根结点T，若训练样本集D

(4)若a

(5)如果

作为进一步地方案，电力OTN设备的特征向量包括电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据。

作为进一步地方案，还包括：基于部分电力OTN设备日常运维过程中故障消缺记录，构建验证集D

作为进一步地方案，所述信息增益的计算方法为：

训练样本集D

假定特征属性a有V个可能的取值{a

计算出用属性a对训练样本集D

作为进一步地方案，若训练样本集D

作为进一步地方案，若

在另一些实施方式中，采用如下技术方案：

一种基于决策树的电力光传输系统故障定位系统，包括：

数据获取模块，用于获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据，构建特征向量；

故障区段定位模块，用于将所构建的特征向量输入至训练后的OTN故障定位决策树，输出故障定位区段；

其中，所述OTN故障定位决策树包括一个根结点，若干个内部分支结点和若干个叶节点；每个叶节点对应于一个定位的故障区段，其他每个内部分支结点对应于OTN设备的特征状态，根节点包含样本全集，从根结点到每个叶节点的路径对应一个故障定位判定逻辑。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于决策树的电力光传输系统故障定位方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于决策树的电力光传输系统故障定位方法。

与现有技术相比，本发明的有益效果是：

(1)本发明通过引入决策树机器学习算法，通过不断训练学习，可以快速定位OTN光传输系统故障位置，解决了OTN系统分析判断故障位置困难，对运维人员技术要求高的问题。进一步增强电力OTN光传输系统业务性能健壮性，保障电网业务正常稳定运行。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1为电力光传输系统A、B两通信站点结构图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种基于决策树的电力光传输系统故障定位方法，具体包括如下过程：

(1)获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据，构建特征向量；

(2)将所构建的特征向量输入至训练后的OTN故障定位决策树，输出故障定位区段；其中，所述OTN故障定位决策树包括一个根结点，若干个内部分支结点和若干个叶节点；每个叶节点对应于一个定位的故障区段，其他每个内部分支结点对应于OTN设备的特征状态，根节点包含样本全集，从根结点到每个叶节点的路径对应一个故障定位判定逻辑。

具体地，将电力OTN系统A、B两通信站点结构抽象为图1所示，可以将整个电力OTN系统分为五部分：

A站业务设备-A站OTN设备OTU单板、A站OTN设备OTU单板-A站OTN设备FIU单板、A站OTN设备FIU单板-B站OTN设备FIU单板、B站OTN设备OTU单板-B站OTN设备FIU单板、以及B站业务设备-B站OTN设备OTU单板，作为五个可能的故障区段。

将每一个故障区段记做向量Y，第i次故障记录用y

然后选取业务设备、OTU(光转换单元)单板、OMU(光合波单元)单板、ODU(光分波单元)单板、SC2(光监控信道单元)单板、BA(前置放大)单板、PA(后置放大)单板、FIU(光纤线路接口单元)单板等图1中所列设备发生故障时的输入光功率、输出光功率、MUT_LOS(合波信号丢失)、R_LOS(接收线路侧信号丢失)、OSC_LOS(光监控信号丢失)、HARD_BARD(硬件损坏)、IN_PWR_LOW(输入光功率过低)、NE_NOT_LOGIN(网元未登录)、NE_COMMU_BREAK(网元通信中断)告警、DOWN(停机)、UP(在运行)状态等，作为特征属性数据，记做向量X，每一次故障记录用x

在样本集D中随机抽取70％的样本作为训练集：D

剩下30％的样本，得到验证集：D

本实施例中，一棵决策树包含一个根结点，若干个内部分支结点和若干个叶节点。叶节点对应于决策结果，也就是定位的电力光传输系统的故障区段，其他每个结点则对应于一个属性测试，也就是OTN设备单板的特征状态，例如SC2单板的输入光功率。每个结点包含的样本集合根据属性测试的结果被划分到子结点中，根节点包含样本全集。从根结点到每个叶节点的路径对应了一个故障定位判定逻辑，通过不同特征SC2单板的输入光功率、SC2单板的OSC_LOS、BA板卡MUT_LOS、PA板卡MUT_LOS、业务设备DOWN、UP状态等，一步步判断故障位置。

决策树学习的目的是为了产生一棵处理未见故障事例能力强的决策树，为了避免过拟合，在使用训练集D

本实施例中，对于OTN故障定位决策树的训练过程具体如下：

(1)基于电力OTN设备日常运维过程中故障消缺记录，构建训练样本集D

(2)选取电力OTN设备发生故障时的特征向量，构建属性集A；

本实施例中，属性集A表示所有的特征属性集合，决策树训练的时候，要使用属性集A中所有的属性来进行分类。电力OTN设备的特征向量包括电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征。

(3)生成根结点T，若训练样本集D

若训练样本集D

否则，计算属性集A中各特征的信息增益，并选择信息增益最大的特征属性a

样本集合D

(4)若a

若a

其中，通过设定相关阈值δ，可以控制OTN故障定位决策树的深度。

(5)如果

后剪枝过程：对于训练完成的OTN故障定位决策树，在有30％故障消缺记录样本的验证集D

下一步递归地对OTN故障定位决策树进行剪枝判定，得到精度最高，泛化能力最强的OTN故障定位决策树T

实施例二

在一个或多个实施方式中，公开了一种基于决策树的电力光传输系统故障定位系统，包括：

数据获取模块，用于获取电力OTN设备的输入光功率、输出光功率、MUT_LOS、R_LOS、OSC_LOS、HARD_BARD、IN_PWR_LOW、NE_NOT_LOGIN、NE_COMMU_BREAK告警、DOWN和UP状态特征属性数据，构建特征向量；

故障区段定位模块，用于将所构建的特征向量输入至训练后的OTN故障定位决策树，输出故障定位区段；

其中，所述OTN故障定位决策树包括一个根结点，若干个内部分支结点和若干个叶节点；每个叶节点对应于一个定位的故障区段，其他每个内部分支结点对应于OTN设备的特征状态，根节点包含样本全集，从根结点到每个叶节点的路径对应一个故障定位判定逻辑。

需要说明的是，上述各模块的具体实施方式已经在实施例一中进行了说明，此处不再详述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于决策树的电力光传输系统故障定位方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于决策树的电力光传输系统故障定位方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。