本发明涉及无线通信业务，尤其涉及电源监控的方法及装置。
背景技术：
1、传统的通信网络无线主控设备和射频设备大都集中部署于同一个机房中，配套电源设备的监控一般依赖于整个机房的配套支持。随着通信网络无线基站设备部署的集中化(cran部署)，极简站(射频设备拉远部署的站点)数量日渐增多，占比呈现上升趋势。但现网极简站的配套电源设备的监控条件相对简单，存在着电源监控的薄弱环节，例如存在着不能快速有效地判断市电掉电情况，不能有效监控电源稳定性等问题。
2、已有的射频设备外部告警接入方法可以实现对电源是否断电的监控，但存在着老旧射频设备型号不支持外部告警的情况；另受限于大部分外告接入线缆只支持15米的距离，存在着不符合现场部署条件的情况；即使符合部署条件，也存在着一个站点一条线缆及一次安装调试相关人力资源投入的要求。另通过现场添加物联网电源监控单元也可以形成有效的电源监控，但该方法也需要一个站点对应着增加一个实物资源及一次安装调试的人力资源投入。
3、按照现有的射频设备外部告警接入方式或添加物联网电源监控单元监控极简站电源供电及稳定性存在着以下问题。实现电源监控功能所需投资大，效率低，性价比低。现有的上述两种监控方式都需要增加现场实物资源并涉及安装调试人力资源投入，一个站点一份投入则意味着要实现全网级别的极简站电源监控需要大量投资，性价比低。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此，本发明的第一个目的在于提出一种电源监控的方法，通过寻找一种不增加实物投资，集中化配置而不需要一个站点一次配置的方式，能高效准确地实现对极简站射频设备设备电源进行监控的功能，并可以以较低的成本部署于现网，以实现全网性极简站配套电源的监控功能。
3、本发明的第二个目的在于提出一种电源监控的装置。
4、为达上述目的，本发明第一方面实施例提出一种电源监控的方法，包括：
5、获取多个周期的电压性能指标；
6、对所述电压性能指标进行特征提取以得到第一统计特征值；
7、利用无监督异常检测模型检测所述第一统计特征值的异常程度；
8、基于所述异常程度得到第一统计特征值的输入特征向量，并将所述输入特征向量和所述异常程度输入至有监督机器学习模型进行分类识别以得到电压异常的模式分类识别结果。
9、根据本发明实施例的电源监控的方法还可以具有以下附加技术特征：
10、在本发明的一个实施例中，所述获取多个周期的电压性能指标，包括：
11、利用基站射频设备自身的计数器对基站拉远射频设备的输入电压进行周期性的连续检测以得到多个周期的电压性能指标。
12、在本发明的一个实施例中，对所述电压性能指标进行特征提取以得到第一统计特征值，包括：
13、基于特征工程加工将所述电压性能指标进行电压值聚合统计以得到第二统计特征值；
14、利用meanshift均值漂移算法计算所述多个周期的电压性能指标以得到第三统计特征值；
15、基于所述第二统计特征值和所述第三统计特征值得到所述第一统计特征值。
16、在本发明的一个实施例中，所述利用meanshift均值漂移算法计算所述多个周期的电压性能指标以得到第三统计特征值，包括：
17、将所述多个周期的电压性能指标表示为电压性能指标数据点，并随机选择一个点作为第一中心点；
18、基于离第一中心点距离在预设带宽之内的所有电压性能指标数据点得到数据点集合；
19、对从第一中心点开始到所述数据点集合中每个元素的向量进行计算以得到偏移向量；
20、基于第一中心点在预设方向的移动距离，以在得到偏移向量的大小满足预设的阈值要求时确定第二中心点；
21、将电压均值漂移程度设置为电压性能指标数据点与第二中心点的距离以根据距离设置结果得到第三统计特征值。
22、在本发明的一个实施例中，所述第二统计特征值，包括：电压的均值、中位数、最小值、最大值和标准差；所述第三统计特征值，包括电压均值漂移程度的均值、中位数、最小值、最大值和标准差；所述第一统计特征值，至少还包括：电压当前粒度的均值、中位数、最小值、最大值、标准差、以及前后连续多个统计周期电压变化值。
23、在本发明的一个实施例中，利用无监督异常检测模型检测所述第一统计特征值的异常程度，包括：
24、将所述第一统计特征值输入至n-sigma异常检测模型以计算得到置信区间带；
25、将所述第一统计特征值与所述置信区间带进行数值比较，根据数值比较结果判断得到所述第一统计特征值的异常程度。
26、在本发明的一个实施例中，将所述第一统计特征值输入至n-sigma异常检测模型以计算得到置信区间带，包括：
27、利用n-sigma异常检测模型计算所述第一统计特征值的median中位数和mad方差；
28、根据median中位数和mad方差计算置信区间带；其中，所述置信区间带，包括边界和下边界，上边界upper bound＝median+n*mad，下边界lower bound＝median-n*mad。
29、在本发明的一个实施例中，将所述输入特征向量和所述异常程度输入至有监督机器学习模型进行分类识别以得到电压异常的模式分类识别结果，包括：
30、将所述输入特征向量和所述异常程度输入至随机森林算法识别模型行分类识别，通过所述第一统计特征值中的一阶差分大于基准值相对百分比的次数或一阶差分小于基准值相对百分比的次数和对应的第一异常程度，以计算得到电压波动是否频繁的第一模式分类识别结果；
31、通过所述第一统计特征值中的波幅和方差以及对应的第二异常程度以计算得到电压波动是否频繁的第二模式分类识别结果；
32、通过所述第一统计特征值中的电压最大值和最小值以及对应的第三异常程度，以计算得到电压是否存在过低、过高或者设备掉电的第三模式分类识别结果；
33、通过所述第一统计特征值中的均值漂移程度的最大值和最小值以及对应的第四异常程度，以计算得到电压是否出现跳变的第四模式分类识别结果；以及，
34、通过所述第一统计特征值中的首尾相对落差或首尾绝对落差以及及对应的第五异常程度，以计算得到电源是否转换的第五模式分类识别结果。
35、为达上述目的，本发明第二方面实施例提出一种电源监控的装置，包括：
36、电压指标获取模块，用于获取多个周期的电压性能指标；
37、特征值计算模块，用于对所述电压性能指标进行特征提取以得到第一统计特征值；
38、异常程度计算模块，用于利用无监督异常检测模型检测所述第一统计特征值的异常程度；
39、电压异常识别模块，用于基于所述异常程度得到第一统计特征值的输入特征向量，并将所述输入特征向量和所述异常程度输入至有监督机器学习模型进行分类识别以得到电压异常的模式分类识别结果。
40、本发明实施例的电源监控的方法和装置，通过寻找一种不增加实物投资，集中化配置而不需要一个站点一次配置的方式，能高效准确地实现对极简站射频设备设备电源进行监控的功能，并可以以较低的成本部署于现网，以实现全网性极简站配套电源的监控功能。解决了现有的射频设备接入外部告警或添加物联网电源监控单元这两种方式存在的投资高，效率低，性价比低的问题。
41、为达上述目的，本技术第三方面实施例提出了一种计算机设备，包括：处理器和存储器；其中，所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于实现如第一方面实施例所述的电源监控的方法。
42、为达上述目的，本技术第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的电源监控的方法。
43、本发明附加的方面和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，或通过本发明的实践了解到。
1.一种电源监控的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取多个周期的电压性能指标，包括：
3.根据权利要求2所述的方法，其特征在于，对所述电压性能指标进行特征提取以得到第一统计特征值，包括：
4.根据权利要求3所述的方法，其特征在于，所述利用meanshift均值漂移算法计算所述多个周期的电压性能指标以得到第三统计特征值，包括：
5.根据权利要求4所述的方法，其特征在于，所述第二统计特征值，包括：电压的均值、中位数、最小值、最大值和标准差；所述第三统计特征值，包括电压均值漂移程度的均值、中位数、最小值、最大值和标准差；所述第一统计特征值，至少还包括：电压当前粒度的均值、中位数、最小值、最大值、标准差、以及前后连续多个统计周期电压变化值。
6.根据权利要求5所述的方法，其特征在于，利用无监督异常检测模型检测所述第一统计特征值的异常程度，包括：
7.根据权利要求6所述的方法，其特征在于，将所述第一统计特征值输入至n-sigma异常检测模型以计算得到置信区间带，包括：
8.根据权利要求7所述的方法，其特征在于，将所述输入特征向量和所述异常程度输入至有监督机器学习模型进行分类识别以得到电压异常的模式分类识别结果，包括：
9.一种电源监控的装置，其特征在于，包括：
10.根据权利要求9所述的装置，其特征在于，所述电压指标获取模块，还用于：
11.根据权利要求10所述的装置，其特征在于，所述特征值计算模块，还包括：
12.根据权利要求11所述的装置，其特征在于，所述第二计算子单元，还用于：
13.根据权利要求12所述的装置，其特征在于，所述第二统计特征值，包括：电压的均值、中位数、最小值、最大值和标准差；所述第三统计特征值，包括电压均值漂移程度的均值、中位数、最小值、最大值和标准差；所述第一统计特征值，至少还包括：电压当前粒度的均值、中位数、最小值、最大值、标准差、以及前后连续多个统计周期电压变化值。
14.根据权利要求13所述的装置，其特征在于，所述异常程度计算模块，包括：
15.根据权利要求14所述的装置，其特征在于，所述区间带计算子单元，还用于：
16.根据权利要求15所述的装置，其特征在于，所述电压异常识别模块，还用于：
