0 引言

    我國電力行業(yè)的高效平穩(wěn)發(fā)展是保證經濟安全、快速、穩(wěn)定發(fā)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(tǒng)(Telecom Management System，TMS)的發(fā)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(tǒng)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(yè)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(yōu)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(tǒng)一發(fā)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(tǒng)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(tǒng)基于規(guī)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(fā)展。目前國內外主要使用基于規(guī)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(tǒng)實時情況結合專家知識動態(tài)地調整告警歸并規(guī)則。同時，也有基于規(guī)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(guī)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(huán)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(jiān)督聚類以擺脫對規(guī)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(yè)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(tài)，解決遺留問題，節(jié)約人力資源，面對新的挑戰(zhàn)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(guī)則進行告警歸并協助通信缺陷診斷的無監(jiān)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(tǒng)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.jysgc.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)