基于无监督聚类和频繁子图挖掘的电力通信网缺陷诊断与自动派单

缺陷诊断一直是电力通信领域研究的难点之一。基于人工规则的缺陷诊断已经无法应对告警数据的海量增长。基于有监督学习的智能方法需要大量的标注数据和较长的系统构建时间,且大多面向指标性数据,实现部署缺乏可行性。面向告警数据,提出一种基于无监督聚类和频繁子图挖掘实现告警归并和缺陷模式发现的自学习算法,设计了一个自动化完成缺陷诊断及处置的架构。该架构具有良好的可扩展性和迭代更新能力,并部署于实际缺陷自动派单系统中。通过真实场景数据集进行实验验证,结果显示出良好的性能表现,实现了对缺陷的及时发现及精准派单维护。

面向电力通信网边缘计算的缺陷诊断研究

电力通信网规模的扩大以及智能电网的部署给运维中心带来了海量数据以及计算压力。边缘计算技术可以缓解电网管理平台处理海量数据的压力以及减小计算开销,协助运维人员高效完成缺陷诊断和检修。重点考虑了电力通信网边缘计算新生态下的运维流程,提出了一种基于边缘计算架构结合知识图谱技术的电力通信网缺陷诊断技术方案。为了改进传统的基于规则的缺陷诊断技术,提高其可靠性和效率,该系统融合了多种智能方法用以实现边缘计算架构下的缺陷诊断,通过对设备告警日志的分析和网络拓扑的跟踪实现对缺陷的及时发现和派单维护。

面向边缘计算的电力通信网告警归并技术研究

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。