(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210882372.6 (22)申请日 2022.07.26 (71)申请人 国网天津市电力公司 地址 300010 天津市河北区五经路39号 申请人 国家电网有限公司 　 国网天津市电力公司信息通信公司 (72)发明人 张倩宜　包永迪　郝美薇　江黛茹　 张旭　颜阳　杨丹丹　付嘉鑫　 胡博　张驰　申琳琳　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 专利代理师 刘丹舟 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 10/04(2012.01)G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 7/00(2006.01) (54)发明名称 一种基于马尔可夫模型的数据中台运行故 障预测方法 (57)摘要 本发明涉及一种基于马尔可夫模型的数据 中台运行 故障预测方法， 包括步骤A:量化运行状 态； 步骤B： 故障诊断模型制定； 步骤C： 预警模式 优化， 提出 “业务故障现象 ”、“组件故障现象 ”等 六层系统运行工状态量化评价体系； 然后基于上 述状态指标建立故障诊断模型， 并借助隐马尔可 夫进行模型优化， 辅助数据中台运维人员快速定 位故障， 提升运维效率； 最后设计并实现在线故 障诊断定位系统。 以天津电力数据中台六层运行 状态量化评价体系和主动运维模式为基础， 一方 面， 可以快速定位天津电力数据中台故障排查主 体； 另一方面， 基于故障诊断模型和主动运维模 型， 可以做到天津电力数据中台运行风险主动预 警和故障快速处 理。 权利要求书2页 说明书6页 附图2页 CN 115496233 A 2022.12.20 CN 115496233 A 1.一种基于马尔可夫模型的数据中台运行故障预测方法， 其特征在于： 包括如下方法 步骤： 步骤A： 量 化运行状态 结合电网营销、 设备、 人资和运检相关业务需求和数据中台应用组件架构体系两方面， 完成数据中台各类故障、 组件状态和故障影响范围的梳理和基础数据采集， 利用数学模型 完成数据分层、 分类和关系梳理， 构建数据中台运行的量化评价体系， 利用量化数据客观 地 对系统潜在风险进行提示， 衡量数据中台健康状态， 所述的数据中台运行 的量化评价体系 包括“业务故障现象 ”、“组件故障现象 ”、“关键运行指标 ”、“关键运行状态 ”、“运维对象 ”和 “影响范围 ”六层数据中 台运行状态量 化评价体系； 步骤B： 故障诊断模型制定 为快速定位数据中台各类故障， 利用评价体系数据和 组件关联关系， 构建故障诊断概 率数学模 型， 并基于马尔可夫链进行概率验证和优化， 提升故障诊断准确度， 在数据中台发 生故障后， 输入故障数据可快速筛查排查组件顺序， 为恢复数据服务提升效率， 根据六层状 态评价体系模型中的关联关系， 以及电力数据中台运 维积累数据， 定义各层关联间的概率， 由此， 在发生了第一层业务 故障后， 可以根据各层关联走向和概率分布， 快速筛查第五层运 维对象引发 故障的排 查顺序， 同时可以同步预警第六层对应 影响范围， 模型算法如下： 式中， 代表运维对象yj发生运行问题导 致业务故障xi发生的概 率； 代表组件故障cn发生导致业务故障xi发生的概 率； 代表指标tk异常导致组件故障cn发生的概 率； 代表状态Sm异常导致指标tk异常的概 率； 代表运维对象yj发生运行问题导 致状态Sm发生异常的概 率， X为业务故障， C为组件故障Component  Fault， T为指标Target， S为状态Status， Y为运 维对象， 业务故障、 组件故障、 关键运行指标、 关键运行状态和运维对象的个数分别为m、 n、 k、 l、 r， i＝1 …m， N＝1…n， K＝1…k， L＝1…l， j＝1…r， 模型中， 各节 点的关联关系概率均为 运维数据积累， 为 提升模型准确度， 引入马尔可 夫模型对随机状态转 化概率进行优化； 步骤C： 预警模式优化 基于数据中台评价体系和故障诊断模型， 摒弃单一阈值预警运维模式， 通过算法动态 判断系统异常状态， 采用关联动态阈值替代简单阈值设定报警门限， 降低数据中台运行风 险， 基于隐马尔可夫的数据中台故障诊断模型， 提出了数据中台主动运 维模式， 分别从主动 预警、 主动学习和主动反馈三方面构建。 2.根据权利要求1所述的一种基于马尔可夫模型的数据中台运行故障预测方法， 其特 征在于： 所述的第一层业务 故障现象， 定义电网各类业务需求和各类业务事故， 本层状态 为 数据中台用户最为直观感受状态， 为数据中台运营运 维起点； 第二层组件故障现象， 定义电 力数据中台各组件常见故障， 本层各类故障的发生同步会引起第一层的业务故障， 本状态权　利　要　求　书 1/2 页 2 CN 115496233 A 2层是数据中台运维人员的平台运维的起点； 第三层关键组件指标， 定义电力数据中台各组 件关键运行指标参数， 本层的指标异常会引起第二层组件故障的发生， 本状态层是日常巡 检和故障诊断的关键层； 第四层关键组件状态值， 定义电力数据中台各底层组件的运行参 数， 本层状态信息影响着第三层组件指标的运行情况， 本层的状态异常是上层各类运行故 障的根本原因； 第五层运 维对象， 定义电力数据中台各组件的底层运 维主体， 本层是数据中 台底座的基础； 第六层影响范围， 和第一层业务含义相同， 但是还未发生的业务故障， 是第 五层运维对象发生异常后可能引发的业 务故障， 该层是主动运维提前干预的业 务范围。 3.根据权利要求1所述的一种基于马尔可夫模型的数据中台运行故障预测方法， 其特 征在于： 所述的电力诊断模型优化过程从两方面出发， 一是根据模型预测验证回馈对原模 型中的关联关系间基础概率进 行迭代； 二是基于隐马尔可夫链对诊断模型进 行验证和概率 优化， 当利用马尔可夫模型进行电力数据中台故障预测时， 首先需要选择六层状态评价体 系中一条故障路径， 该路径中第五层运维对象也就是故障的真实原因主体可定义为 故障i， 随后选取任意一条路径 n作为研究对象， 计算线路n 发生初始故障的概率P， 在经过一系列的 条件判断之后， 计算线路n的综合状态转移概率， 随后， 将该计算结果代入马尔可夫链的预 测模型中， 计算线路故障概率， 通过计算进 行比较， 选出故障概率值最大的路径作为当前路 径的下一级故障路径， 通过不断重复上述预测过程， 选出最大概率值所对应的路径， 利用这 种方式， 对每条路径发生故障的概 率进行综合分析和评价。 4.根据权利要求1所述的一种基于马尔可夫模型的数据中台运行故障预测方法， 其特 征在于： 在主动预警方面， 由于故障诊断模型是基于六层状态评价体系自上而下 的被动定 位， 在主动运 维模式下， 数据中台基于六层评价体系自下而 上的巡检， 在发现 “运维对象”相 关“关键运行状态 ”和“关键运行指标 ”异常后， 提前进行预警干预， 避免出现数据中台组件 故障， 进而导致业务故障， 保证数据中 台服务质量。 5.根据权利要求1所述的一种基于马尔可夫模型的数据中台运行故障预测方法， 其特 征在于： 在主动学习方面， 基于故障模 型定位， 在完成故障排查后， 将故障相关的数据样本、 影响范围及处理方法等存入故障知识库， 然后进行标注， 当数据中台运行指标与标注后的 历史指标特征相近时， 系统可直接匹配历史故障进 行告警， 并匹配相应的处理办法， 指导 故 障的解决和恢复。 通过这种主动学习的方式， 运 维经验可实现在整个运 维团队之 间传递， 从 而保证运维标准的统一。 6.根据权利要求1所述的一种基于马尔可夫模型的数据中台运行故障预测方法， 其特 征在于： 在主动反馈方面， 设计并实现 “电力数据中台运 维图谱”在线故障诊断工具， 辅助人 工故障排查， 建立 故障数据特征知识库， 优化数据中台运 维效率的同时， 提升运维人员运 维 素质。权　利　要　求　书 2/2 页 3 CN 115496233 A 3