面向電力通信網(wǎng)邊緣計算的缺陷診斷研究*

朱鵬宇 ，蔡新忠 ，徐士元 ，吳季樺 ，王敬宇

(1.國網(wǎng)電力科學(xué)研究院有限公司，江蘇 南京 210012；2.北京郵電大學(xué)網(wǎng)絡(luò)與交換國家重點實驗室，北京 100876)

0 引言

電子化和信息化時代的到來，給電力通信網(wǎng)的管理和維護帶來了新的挑戰(zhàn)。如何保證電力通信網(wǎng)絡(luò)的通信質(zhì)量和信道要求，如何減少運維人員壓力，如何保證電力通信網(wǎng)的穩(wěn)定性和可靠性等問題是亟待解決的問題。借助電子信息技術(shù)和人工智能技術(shù)打造“互聯(lián)互通”的智能電網(wǎng)，實現(xiàn)電力網(wǎng)和通信網(wǎng)的一體化深度融合，國家電網(wǎng)有限公司提出了建設(shè)泛在電力物聯(lián)網(wǎng)的方針。泛在電力物聯(lián)網(wǎng)的建設(shè)依托現(xiàn)有智能電網(wǎng)展開，致力于實現(xiàn)電力系統(tǒng)各個環(huán)節(jié)萬物互聯(lián)、人機交互、動態(tài)信息感知和高效信息處理等[1]。泛在電力物聯(lián)網(wǎng)為傳統(tǒng)電網(wǎng)賦能，可實現(xiàn)電力系統(tǒng)各環(huán)節(jié)設(shè)備及客戶的狀態(tài)全面感知，達到高度信息交互與數(shù)據(jù)共享[2]。

傳統(tǒng)電力骨干通信網(wǎng)缺陷診斷主要依靠各級運維人員定期巡檢設(shè)備網(wǎng)管，根據(jù)專家知識和運維經(jīng)驗進行缺陷分析和缺陷定因。其準(zhǔn)確性依賴于人為經(jīng)驗，并且需要操作員根據(jù)實時情況動態(tài)調(diào)整缺陷診斷規(guī)則。

由于電力通信網(wǎng)在保證經(jīng)濟建設(shè)、社會生產(chǎn)中的重要性，要求其保證高度的可靠性和出現(xiàn)故障時保持服務(wù)的能力。基于人工經(jīng)驗的缺陷診斷方法，主觀因素影響較大，并且難以應(yīng)付指數(shù)級增長的海量告警信息。

缺陷診斷分為事件檢測和定位。事件檢測和定位則基于事件分類。傳統(tǒng)事件分類由運維人員根據(jù)運維經(jīng)驗確定，這種分級分類只考慮電力系統(tǒng)中發(fā)生頻率最高的事件[3]。已經(jīng)有許多研究將人工智能技術(shù)應(yīng)用到電力通信網(wǎng)事件分類和缺陷診斷領(lǐng)域中以擺脫對規(guī)則的依賴，減少人力資源的投入[4]。電力通信網(wǎng)的智能化以及人工智能技術(shù)的應(yīng)用提升了電網(wǎng)整體運營能力，提高了電力通信網(wǎng)的運維效率和可靠性。但智能電網(wǎng)的大量監(jiān)管數(shù)據(jù)匯入帶來了新的挑戰(zhàn)，業(yè)務(wù)依靠海量數(shù)據(jù)支撐并且要求短時內(nèi)處理高并發(fā)信息，完成數(shù)據(jù)采集、數(shù)據(jù)傳輸、數(shù)據(jù)清洗、數(shù)據(jù)分析，對運維中心帶來了巨大的計算壓力和開銷。

為了應(yīng)對海量數(shù)據(jù)和計算量帶來的挑戰(zhàn)，邊緣云和邊緣計算(Edge Computing，EC)技術(shù)被應(yīng)用到電力通信領(lǐng)域[7]。

邊緣計算技術(shù)能夠有效支撐分布式數(shù)據(jù)采集和處理，分布式模型訓(xùn)練，分布式需求響應(yīng)，將計算壓力下沉到邊緣側(cè)，減輕運維中心壓力。作為一種新興的計算模式，邊緣計算將電力通信網(wǎng)中心的云計算資源擴展到網(wǎng)絡(luò)邊緣，使得計算中心從電力通信骨干網(wǎng)擴展到邊緣節(jié)點，縮短了業(yè)務(wù)與計算資源之間的距離，協(xié)同完成電網(wǎng)所分配的業(yè)務(wù)。目前已有的邊緣計算包括移動云計算[8]、霧計算[9]和移動邊緣計算[10]等。邊緣計算生態(tài)搭建已在國內(nèi)逐步推行，部分工業(yè)領(lǐng)域正積極部署邊緣計算的應(yīng)用。

本文提出一種電力通信網(wǎng)邊緣計算架構(gòu)，旨在構(gòu)建智能電網(wǎng)運維新生態(tài)，實現(xiàn)電力網(wǎng)通信網(wǎng)有機結(jié)合、互聯(lián)互通，并提出一套基于邊緣計算架構(gòu)，面向電力通信網(wǎng)告警數(shù)據(jù)進行缺陷診斷的技術(shù)方案。

1 電力通信網(wǎng)邊緣計算架構(gòu)

電力通信網(wǎng)邊緣計算架構(gòu)如圖1 所示，主要有以下特點：

(1)異構(gòu)設(shè)備統(tǒng)一接入。目前電力通信網(wǎng)中存在不同制造商、不同接入技術(shù)和標(biāo)準(zhǔn)協(xié)議的傳輸設(shè)備。傳輸設(shè)備異構(gòu)共存，運維中心管理困難，浪費大量人力資源。電力通信網(wǎng)邊緣計算架構(gòu)基于智能電網(wǎng)，經(jīng)過網(wǎng)管對于網(wǎng)元進行數(shù)據(jù)采集、內(nèi)容篩選、數(shù)據(jù)清洗，滿足運維中對于多樣化業(yè)務(wù)的監(jiān)管要求。

(2)電力通信骨干網(wǎng)分布化。對于電力通信骨干網(wǎng)進行重構(gòu)，計算資源下沉至網(wǎng)絡(luò)邊緣節(jié)點。邊緣云具有一定的計算資源和存儲資源，向上接受中心云的策略和業(yè)務(wù)，向下對區(qū)域內(nèi)網(wǎng)元進行資源調(diào)度和數(shù)據(jù)監(jiān)控。中心云負(fù)責(zé)管理全局?jǐn)?shù)據(jù)，層間解耦，下發(fā)業(yè)務(wù)需求時由部署在邊緣節(jié)點的邊緣云協(xié)助完成相應(yīng)業(yè)務(wù)場景的接入控制、數(shù)據(jù)轉(zhuǎn)發(fā)、數(shù)據(jù)采集、模型訓(xùn)練等功能。從而縮短網(wǎng)元到計算資源之間的距離，降低需求側(cè)業(yè)務(wù)需求的通信時延，分布式完成中心云海量計算任務(wù)。

2 電力通信網(wǎng)缺陷診斷技術(shù)及系統(tǒng)

2.1 電力通信網(wǎng)缺陷診斷技術(shù)及要求

缺陷診斷是通過利用電力系統(tǒng)及其保護裝置的廣泛知識和繼電保護等信息來識別故障的元件位置(區(qū)域)、類型和誤動作等參數(shù)。

圖1 電力通信網(wǎng)邊緣計算架構(gòu)

應(yīng)用于電力通信網(wǎng)的缺陷診斷的技術(shù)方法主要有專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、優(yōu)化技術(shù)、Petri 網(wǎng)絡(luò)、粗糙集理論、模糊集理論、貝葉斯網(wǎng)絡(luò)、多Agent 技術(shù)等[11]。電力通信網(wǎng)缺陷診斷的典型方法是基于規(guī)則的系統(tǒng)，把運維人員的專家經(jīng)驗用規(guī)則表示出來，形成故障診斷專家系統(tǒng)的知識庫。根據(jù)知識庫對實際業(yè)務(wù)環(huán)境中的告警數(shù)據(jù)進行推理，獲得故障診斷的結(jié)論。其在實際應(yīng)用中的缺陷也比較明顯：(1)要求獲取完備的知識庫才能夠匹配到所有故障；(2)當(dāng)網(wǎng)絡(luò)情況或者設(shè)備情況發(fā)生變化時，維護更新知識庫所需要的工作量很大。

缺陷診斷流程可以歸納為：(1)數(shù)據(jù)采集。對于電力通信網(wǎng)的數(shù)據(jù)，包括設(shè)備的告警數(shù)據(jù)、端口的指標(biāo)性數(shù)據(jù)、電壓狀態(tài)等原始數(shù)據(jù)進行采集以及挖掘。進行數(shù)據(jù)預(yù)處理。(2)事件檢測。對于從電力通信網(wǎng)中得到的數(shù)據(jù)和信息采用數(shù)據(jù)驅(qū)動的方法進行實時事件分類和檢測。在面向電力通信網(wǎng)告警數(shù)據(jù)的多種缺陷診斷方法當(dāng)中都采用先進行告警歸并的方式生成擾動事件集的方法。(3)缺陷診斷。對于擾動事件集，對于每個集合采用缺陷診斷方法得出缺陷診斷結(jié)果。

2.2 電力通信網(wǎng)缺陷診斷系統(tǒng)架構(gòu)

如圖2 所示，電力通信網(wǎng)缺陷診斷系統(tǒng)架構(gòu)包含三層：數(shù)據(jù)采集層、能力層、應(yīng)用層。

數(shù)據(jù)采集層包括運維數(shù)據(jù)中心、采集服務(wù)和應(yīng)用拓?fù)淙齻€功能。采集服務(wù)通過中心下發(fā)策略對接入側(cè)設(shè)備進行配置管理，實現(xiàn)對于異構(gòu)設(shè)備、異構(gòu)數(shù)據(jù)內(nèi)容、異構(gòu)數(shù)據(jù)格式的采集和結(jié)構(gòu)化以及半結(jié)構(gòu)化處理，進行數(shù)據(jù)清洗和預(yù)處理；應(yīng)用拓?fù)湄?fù)責(zé)維護設(shè)備間拓?fù)潢P(guān)系狀態(tài)，提供分析運維信息的物理依據(jù)；運維數(shù)據(jù)中心對數(shù)據(jù)組織和治理，進行持久化存儲，負(fù)責(zé)數(shù)據(jù)調(diào)度和傳輸。

能力層包含知識庫、運維信息服務(wù)、AI 引擎。知識庫負(fù)責(zé)維護以數(shù)據(jù)驅(qū)動為方法對運維數(shù)據(jù)進行分析挖掘從而形成的知識圖譜以及缺陷庫；運維信息服務(wù)實現(xiàn)對于系統(tǒng)產(chǎn)生的告警、數(shù)據(jù)監(jiān)控等信息的查詢和分析；AI引擎實現(xiàn)了缺陷診斷所使用到的模型的訓(xùn)練、部署、驗證等流程。

應(yīng)用層包含告警歸并、缺陷發(fā)現(xiàn)、缺陷診斷、智能運維服務(wù)。告警歸并實現(xiàn)基于實時告警數(shù)據(jù)分析進行告警關(guān)聯(lián)，將大概率從屬于同一個擾動事件的告警歸并到同一個集合；缺陷發(fā)現(xiàn)實現(xiàn)基于告警集的異常檢測；缺陷診斷實現(xiàn)多個業(yè)務(wù)場景下的包括網(wǎng)管級別到網(wǎng)元級別的缺陷定位以及缺陷定級；智能運維服務(wù)實現(xiàn)缺陷診斷后的缺陷單派發(fā)以及根據(jù)運維人員現(xiàn)場反饋對于缺陷庫進行迭代更新。

圖2 電力通信網(wǎng)缺陷診斷系統(tǒng)架構(gòu)

3 基于邊緣計算的電力通信網(wǎng)缺陷診斷

系統(tǒng)依托國網(wǎng)電力科學(xué)研究院有限公司建設(shè)的國家電網(wǎng)通信管理系統(tǒng)(SG-TMS)進行實驗數(shù)據(jù)采樣、模型調(diào)試并進行算法驗證。SG-TMS 系統(tǒng)在國家電網(wǎng)通信處2019 年通信專業(yè)重點工作部署項目中，依據(jù)人工規(guī)則制定缺陷自動派單規(guī)則，實現(xiàn)了傳輸網(wǎng)監(jiān)視優(yōu)化及缺陷自動派單功能[12]。

使用基于邊緣計算的電力通信缺陷診斷云邊端架構(gòu)，可以由邊緣節(jié)點對端設(shè)備進行告警采集，在邊緣節(jié)點進行告警歸并和缺陷診斷，完成邊緣計算資源生命周期管理，最后將告警歸并結(jié)果返回邊緣側(cè)或云側(cè)，支持后續(xù)的缺陷定位定級、可靠性評估、迂回路由優(yōu)選、缺陷單自動派發(fā)等功能，實現(xiàn)知識庫的自動化迭代更新，助力建立電力通信行業(yè)邊緣計算新生態(tài)。系統(tǒng)的技術(shù)難點主要集中在告警歸并和缺陷診斷部分。

3.1 告警歸并

圖3 介紹了中心云和邊緣云設(shè)備上告警歸并方法的基本流程。缺陷單數(shù)據(jù)經(jīng)過自動化文本分析和分詞得到缺陷單以及對應(yīng)告警的關(guān)系，保留數(shù)據(jù)以支持后續(xù)有效性評估[13]。系統(tǒng)使用基于密度的聚類方法(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)。

(1)特征抽取和向量化空間映射過程：DBSCAN[14-15]是基于密度的算法，意味著輸入的特征應(yīng)當(dāng)是對應(yīng)空間的坐標(biāo)點，或者是點之間的距離矩陣。在實際背景當(dāng)中告警是連續(xù)的文本信息，因此對于非結(jié)構(gòu)化的告警文本信息結(jié)構(gòu)化之后進行特征抽取，而告警的向量化過程應(yīng)該體現(xiàn)為特征提取和特征向量之間的權(quán)重分配。

基于一個缺陷可能會引起一個或多個設(shè)備在一段時間內(nèi)持續(xù)輸出相似告警的特性，聚類目標(biāo)是將擁有這種特性的屬于同一缺陷的告警聚為一個簇[15]。對告警而言，有兩方面的信息較為重要：告警本身的相關(guān)參數(shù)(告警種類、發(fā)生位置、設(shè)備類型、設(shè)備位置等)以及告警時間[14]。其中告警本身的相關(guān)參數(shù)反映了告警之間的相關(guān)程度以及告警在空間上的相近程度，告警時間是當(dāng)前告警產(chǎn)生的時間，蘊含了缺陷發(fā)生的時間信息。系統(tǒng)中對于告警本身的相關(guān)參數(shù)進行one-hot 映射[16]，而對于告警時間參數(shù)進行模型構(gòu)建，通過調(diào)整權(quán)重平衡告警時間分量和告警相關(guān)參數(shù)分量，從而得到告警向量。

(2)聚類過程：將結(jié)構(gòu)化的告警數(shù)映射為向量之后進行聚類。不同樣本的距離綜合考慮了告警本身相關(guān)參數(shù)距離和時間距離。以此對所有告警進行聚類，則最后得到的聚類結(jié)果應(yīng)該是使得時間上較為聚集的相似告警或者是時間上極為聚集的較相似告警成為同個簇。從而得到的告警集合大概率從屬于同一個擾動事件。

不同告警歸并方法的缺陷一致性對比結(jié)果如表1所示。實驗結(jié)果表明本系統(tǒng)的告警歸并方法能被部署在邊緣側(cè)節(jié)點完成數(shù)據(jù)收集和告警歸并，具有較強的魯棒性和泛化能力，同時實驗效果表明將無監(jiān)督方法應(yīng)用到告警歸并流程中能夠顯著提高歸并率和告警與缺陷的匹配率。

表1 不同告警歸并方法的缺陷一致性對比

圖3 中心云和邊緣云上告警歸并流程

3.2 缺陷診斷

圖4 介紹了中心云和邊緣云上缺陷診斷的流程。對告警歸并得到的擾動事件集進行缺陷定位定級。

對于由同一種缺陷原因引發(fā)的缺陷，應(yīng)當(dāng)在設(shè)備類型、設(shè)備數(shù)量、拓?fù)溥B接等方面存在相似。系統(tǒng)依托知識圖譜，對于告警集中告警發(fā)生的設(shè)備集進行拓?fù)涑槿。瑯?gòu)建異常子圖，通過對于異常子圖進行無監(jiān)督聚類，挖掘異常子圖之間的共性，發(fā)掘電力通信網(wǎng)擾動事件拓?fù)鋱D模式，經(jīng)過專家檢驗判定擾動事件模式是否為缺陷模式，構(gòu)建基礎(chǔ)的缺陷事件知識庫避免冷啟動；在后續(xù)基于知識圖譜完成缺陷診斷業(yè)務(wù)中則依據(jù)維護的網(wǎng)絡(luò)拓?fù)湟约叭毕菔录R庫進行推理，找尋缺陷事件知識庫中固有的結(jié)構(gòu)特征來完成缺陷診斷，對于無法匹配的結(jié)構(gòu)特征則判定為新的擾動事件模式，再次經(jīng)過專家檢驗完成缺陷事件知識庫的迭代更新。

(1)子圖表示：知識圖譜中維護的電力通信網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是典型的異質(zhì)圖(heterogeneous graph)。MANZOOR E A[17]等人將時間間隔內(nèi)出現(xiàn)的邊構(gòu)成子圖并且將子圖表示成k-shingle 的形式，利用多個流哈希函數(shù)(StreamHash)對圖進行sketch。Zhang Chuxu[18]等人利用HetGNN 模型對于異質(zhì)圖進行圖的結(jié)構(gòu)表示，采樣鄰居節(jié)點，根據(jù)鄰居節(jié)點類型分類，對于每個鄰居節(jié)點進行feature encoding，對于同類型鄰居節(jié)點進行embedding aggregation，進一步對于不同類型鄰居的embedding 進行aggregation，如此得到節(jié)點的embedding。對于告警歸并過程得到的告警集合，以集合內(nèi)的告警發(fā)生的設(shè)備作為子圖的節(jié)點，根據(jù)系統(tǒng)維護的知識圖譜獲得子圖節(jié)點之間的連接關(guān)系作為子圖的邊，系統(tǒng)采用HetGNN 模型對于子圖進行node embedding。

(2)聚類過程。對于異質(zhì)圖當(dāng)中子圖的表示有基于特征的方法[19]和基于行為的方法[20]。WANG S[21]等人提出了MatchGNet 模型用以解決異質(zhì)圖中圖匹配問題。MatchGNet 模型數(shù)據(jù)驅(qū)動的方法，使用GNN(Graph Neural Network)進行圖表征學(xué)習(xí)和相似度度量。本系統(tǒng)中使用Attentional 機制對于子圖中的node embedding 進行聚合形成graph embedding 用以表征子圖。對于得到的graph embedding 基于相似度度量進行聚類，從而得到頻繁出現(xiàn)的子圖模式。對于頻繁出現(xiàn)的子圖模式通過專家知識進行標(biāo)注計入缺陷知識庫。此后對于實時告警數(shù)據(jù)構(gòu)建的新到達子圖與缺陷知識庫內(nèi)模式進行相似度度量，實現(xiàn)缺陷診斷。

圖4 中心云和邊緣云上缺陷診斷流程

(3)業(yè)務(wù)影響分析和缺陷單自動派發(fā)。基于通信網(wǎng)設(shè)備告警情況、檢修信息、當(dāng)前性能參數(shù)、電源及環(huán)境情況，分析通信網(wǎng)中運行的設(shè)備、光纜及其拓?fù)潢P(guān)系對業(yè)務(wù)通道的影響程度，建立特征模型；并根據(jù)缺陷診斷情況完成缺陷定位定級、缺陷單起單、缺陷單派發(fā)、缺陷逐級檢視、缺陷信息反饋(更新缺陷事件知識庫)。

缺陷診斷模塊具有可擴展性，可以使用多種算法，包括基于特征的聚類方法[22]以及基于模式挖掘的頻繁子圖挖掘算法[23]等。

表2 給出了本系統(tǒng)基于gSpan[24]挖掘得到頻繁子圖進行圖匹配得到的缺陷診斷混淆矩陣，缺陷種類分為card abnormal、fiber breaking、power abnormal、power interruption，其中card abnormal 和power abnormal 預(yù)測結(jié)果和真實結(jié)果完全一致，有兩個fiber breaking 被預(yù)測為power interruption，一個power interruption 被預(yù)測為fiber breaking。實驗結(jié)果表明本系統(tǒng)的缺陷診斷方法能夠獲得較高的準(zhǔn)確性。后續(xù)可以使用多種算法以獲得更好的性能表現(xiàn)。

表2 缺陷診斷混淆矩陣

4 結(jié)論

電力通信網(wǎng)技術(shù)的發(fā)展和信息化、智能化的需求使得電網(wǎng)結(jié)構(gòu)日漸復(fù)雜、龐大。引入邊緣計算這一新型計算技術(shù)，有利于構(gòu)建電力通信網(wǎng)新生態(tài)，實現(xiàn)電網(wǎng)資源配置效率優(yōu)化，為運行、檢修人員提供缺陷診斷的輔助分析和決策手段。

本文提出了一種具備邊緣計算能力的基于現(xiàn)有電力通信網(wǎng)構(gòu)建的缺陷診斷系統(tǒng)。該系統(tǒng)在接入側(cè)云網(wǎng)融合基礎(chǔ)設(shè)施上提供數(shù)據(jù)采集功能，在邊緣側(cè)和中心側(cè)提供告警歸并和缺陷診斷能力，系統(tǒng)中提出了一種基于知識圖譜和無監(jiān)督學(xué)習(xí)的缺陷診斷方法，通過對設(shè)備告警日志的分析和網(wǎng)絡(luò)拓?fù)涞母檶崿F(xiàn)對缺陷的及時發(fā)現(xiàn)和派單維護。