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.
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.shi-ke.cn/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)