kaiyun官方注册
您所在的位置: 首页> 通信与网络> 设计应用> 面向边缘计算的电力通信网告警归并技术研究
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。
中图分类号:TN915
文献标识码:A
DOI:10.16157/j.issn.0258-7998.201269
中文引用格式:李霁轩,吴子辰,郭焘,等. 面向边缘计算的电力通信网告警归并技术研究[J].电子技术应用,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

我国电力行业的高效平稳发展是保证经济安全、快速、稳定发展的能源保障。人工智能时代对电力通信领域提出了新的要求,也为电力通信管理系统(Telecom Management System,TMS)的发展提供了新方向[1]。TMS作为电力领域信息化产物,为整个电力系统中的电网调度、自动化、继电保护、安全自动控制、电力市场交易以及企业信息化等工作提供了坚实的基础,同时也为电力通信中的异常检测、路由优选等智能化应用提供支撑。

随着特高压电网、各级电网协调的统一发展,智能网的建设的需求也逐渐加强,对支撑电网信息化基础TMS系统提出了更高要求。在电力通信信息化、智能化建设和应用实践过程中,电力公司积累了海量的实时数据和运行数据,传统基于规则的缺陷处置方法难以满足智能化的需求,尤其缺乏一种对拓扑复杂、设备类型繁多的缺陷数据进行智能分析的方法[2]

电力通信网在信息化过程中产生了大量的数据,然而这些数据的海量增长,促使了数据归并技术(即告警归并技术)的发展。目前国内外主要使用基于规则匹配的方法进行告警归并[3]。具体而言,就是操作员根据系统实时情况结合专家知识动态地调整告警归并规则。同时,也有基于规则匹配方法上的改进。例如,加入数据预处理和数据过滤等方法辅助告警归并[4]。上述方法在告警数据规模较小、告警延迟低、告警类别固定等情况下,能达到很好的归并效果。但随着告警数据的海量增长,上述方法及其相关改进方法难以适应当前的数据环境。MADZIARZ A在移动通信网领域提出了基于K-MEANS聚类的告警聚类方法[5],尝试引入无监督聚类以摆脱对规则的依赖。虽然该方法无须大量人力资源的投入,但实际归并效果差强人意,且需要业务专家参与预测缺陷的数量,有着极大的局限性。

5G技术、边缘计算、人工智能新技术的到来给电力通信领域带来了新鲜血液。新技术与电力通信领域的有机结合,对于构造电力通信新生态,解决遗留问题,节约人力资源,面对新的挑战至关重要。

本文介绍了一种基于密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)[6]结合人工规则进行告警归并协助通信缺陷诊断的无监督学习算法。该算法具有良好的鲁棒性、轻量性,支持边缘云部署,将算法在TMS系统提供的数据中进行实验,结果显示算法达到了较好的效果。




本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003457




作者信息:

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)

此内容为AET网站原创,未经授权禁止转载。
Baidu
map