日韩av第一页,一区二区三区不卡在线,久久精品最新地址

面向边缘计算的电力通信网告警归并技术研究

2021年电子技术应用第4期

李霁轩1，吴子辰1，郭焘1，朱鹏宇2，吴季桦3

1.国网江苏省电力有限公司信息通信分公司，江苏南京210000； 2.国网电力科学研究院有限公司，江苏南京210012；3.北京邮电大学网络与交换国家重点实验室，北京100876

摘要： 电力通信网的覆盖范围及复杂程度逐渐增大，为电力通信网带来巨大的运维压力。通过部署边缘节点在边缘侧完成数据采集和信息过滤，提供计算支持，能够极大程度上缓解电力通信网管理侧压力。告警分析是运维当中的重难点问题，传统的告警分析先使用规则对于告警进行归并从而减少后续处理的工作量，但是规则的完备需要大量专家知识和人力资源的投入且存在局限性。将无监督聚类引入到电力通信边缘云部署架构下的告警归并流程当中，提出了一个新的轻量级算法，将基于密度的聚类方法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)与现有的归并规则进行结合，结果表明加入无监督学习能够显著提高告警归并的效果，切实提高了电力通信网运维中缺陷定位的准确性和完备性。

關鍵詞： 无监督学习 DBSCAN 告警归并边缘计算

中圖分類號： TN915
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.201269
中文引用格式： 李霽軒，吳子辰，郭燾，等. 面向邊緣計算的電力通信網告警歸并技術研究[J].電子技術應用，2021，47(4)：17-23.
英文引用格式： Li Jixuan，Wu Zichen，Guo Tao，et al. Research of alarm correlation technique for edge cloud computing in power communication network[J]. Application of Electronic Technique，2021，47(4)：17-23.

Research of alarm correlation technique for edge cloud computing in power communication network

Li Jixuan1，Wu Zichen1，Guo Tao1，Zhu Pengyu2，Wu Jihua3

1.Information and Communication Branch of State Grid Jiangsu Electric Power Co.，Ltd，Nanjing 210000，China； 2.State Grid Electric Power Research Institute Co.，Ltd，Nanjing 210012，China； 3.State Key Laboratory of Networking and Switching Technology，Beijing University of Posts and Telecommunications， Beijing 100876，China

Abstract： The demand for electric power and the coverage of power communication network has been gradually expanding, which brings the challenges that need to be addressed in the operation and maintenance of the domain. The deployment of edge nodes provides the availability of data collection, information filtering and computational support, which can heavily alleviate the pressure of management. Alarm analysis is a key and difficult problem in operation and maintenance. The traditional alarm analysis first uses rules to merge alarms, so as to reduce the workload of subsequent processing. However, the completeness of rules requires a lot of expert knowledge and human resources investment, and there are limitations. This paper proposed a novel and lightweight algorithm. In this paper, Unsupervised clustering is introduced into the alarm merging process of power communication network edge cloud computing, and the density based clustering method is combined with the existing merging rules. The experimental results show that the effect of alarm merging can be significantly improved by adding unsupervised learning, which is helpful to improve the accuracy and completeness of subsequent defect location.

Key words : unsupervised learning；DBSCAN；alarm correlation；edge computing

0 引言

我國電力行業的高效平穩發展是保證經濟安全、快速、穩定發展的能源保障。人工智能時代對電力通信領域提出了新的要求，也為電力通信管理系統(Telecom Management System，TMS)的發展提供了新方向^[1]。TMS作為電力領域信息化產物，為整個電力系統中的電網調度、自動化、繼電保護、安全自動控制、電力市場交易以及企業信息化等工作提供了堅實的基礎，同時也為電力通信中的異常檢測、路由優選等智能化應用提供支撐。

隨著特高壓電網、各級電網協調的統一發展，智能網的建設的需求也逐漸加強，對支撐電網信息化基礎TMS系統提出了更高要求。在電力通信信息化、智能化建設和應用實踐過程中，電力公司積累了海量的實時數據和運行數據，傳統基于規則的缺陷處置方法難以滿足智能化的需求，尤其缺乏一種對拓撲復雜、設備類型繁多的缺陷數據進行智能分析的方法^[2]。

電力通信網在信息化過程中產生了大量的數據，然而這些數據的海量增長，促使了數據歸并技術(即告警歸并技術)的發展。目前國內外主要使用基于規則匹配的方法進行告警歸并^[3]。具體而言，就是操作員根據系統實時情況結合專家知識動態地調整告警歸并規則。同時，也有基于規則匹配方法上的改進。例如，加入數據預處理和數據過濾等方法輔助告警歸并^[4]。上述方法在告警數據規模較小、告警延遲低、告警類別固定等情況下，能達到很好的歸并效果。但隨著告警數據的海量增長，上述方法及其相關改進方法難以適應當前的數據環境。MADZIARZ A在移動通信網領域提出了基于K-MEANS聚類的告警聚類方法^[5]，嘗試引入無監督聚類以擺脫對規則的依賴。雖然該方法無須大量人力資源的投入，但實際歸并效果差強人意，且需要業務專家參與預測缺陷的數量，有著極大的局限性。

5G技術、邊緣計算、人工智能新技術的到來給電力通信領域帶來了新鮮血液。新技術與電力通信領域的有機結合，對于構造電力通信新生態，解決遺留問題，節約人力資源，面對新的挑戰至關重要。

本文介紹了一種基于密度聚類(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)^[6]結合人工規則進行告警歸并協助通信缺陷診斷的無監督學習算法。該算法具有良好的魯棒性、輕量性，支持邊緣云部署，將算法在TMS系統提供的數據中進行實驗，結果顯示算法達到了較好的效果。

本文詳細內容請下載:http://www.tom3567.com/resource/share/2000003457

作者信息：

李霽軒1，吳子辰1，郭燾1，朱鵬宇2，吳季樺3

(1.國網江蘇省電力有限公司信息通信分公司，江蘇南京210000；

2.國網電力科學研究院有限公司，江蘇南京210012；3.北京郵電大學網絡與交換國家重點實驗室，北京100876)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容