多源信息融合的微服務(wù)化電網(wǎng)事故追憶

韋洪波，曹 偉，葉桂南，韋昌福，何伊妮

(廣西電網(wǎng)電力調(diào)度控制中心，廣西 南寧 530024)

事故追憶是電網(wǎng)調(diào)度自動(dòng)化系統(tǒng)的重要組成部分，是電網(wǎng)調(diào)度運(yùn)行人員進(jìn)行事故分析、調(diào)整系統(tǒng)運(yùn)行方式和保障電網(wǎng)安全經(jīng)濟(jì)運(yùn)行必不可少的工具[1]，也可以為調(diào)度員培訓(xùn)仿真提供培訓(xùn)案例。

事故追憶系統(tǒng)由事故信息記錄和事故反演兩個(gè)部分組成：

(1)事故信息記錄：它通過(guò)記錄事故發(fā)生前后電網(wǎng)的各類事件順序，例如開(kāi)關(guān)斷開(kāi)、重合、保護(hù)動(dòng)作，以及事故發(fā)生前后一段時(shí)間內(nèi)的遙信和遙測(cè)數(shù)據(jù)，為事故分析提供信息基礎(chǔ)；

(2)事故反演：在事故信息記錄的基礎(chǔ)上，結(jié)合事故發(fā)生時(shí)的網(wǎng)絡(luò)拓?fù)湟约捌渌到y(tǒng)記錄的信息等，將當(dāng)時(shí)的事故情景進(jìn)行重演[1]，直觀的展示故障發(fā)生前后電網(wǎng)的運(yùn)行情況。

受限于自身的存儲(chǔ)容量和數(shù)據(jù)處理性能，事故追憶系統(tǒng)一般從事故發(fā)生前某一時(shí)刻開(kāi)始記錄電網(wǎng)變化的數(shù)據(jù)，而不會(huì)記錄事故發(fā)生前后的所有斷面數(shù)據(jù)和網(wǎng)架模型。這種數(shù)據(jù)記錄方式可以大大減少存儲(chǔ)資源，提高系統(tǒng)響應(yīng)效率，但是容易造成網(wǎng)架模型與記錄的數(shù)據(jù)不匹配，無(wú)法準(zhǔn)確反映事故發(fā)生時(shí)的情況。采用多態(tài)思想構(gòu)建的事故追憶系統(tǒng)，解決了事故斷面與記錄數(shù)據(jù)的匹配問(wèn)題，但是無(wú)法有效應(yīng)對(duì)大規(guī)模數(shù)據(jù)的檢索與識(shí)別，系統(tǒng)擴(kuò)展性能和響應(yīng)用戶操作速度有待進(jìn)一步研究。

微服務(wù)(microservice)架構(gòu)繼承自面向服務(wù)架構(gòu)(service-oriented architecture，SOA)，旨在將大型復(fù)雜應(yīng)用解耦為多個(gè)具有特定功能、松散自治的微服務(wù)[2]。目前，結(jié)合云計(jì)算和容器等技術(shù)，微服務(wù)架構(gòu)已經(jīng)在電力行業(yè)得到廣泛應(yīng)用，并逐步發(fā)展為新的研究熱點(diǎn)[3]。文獻(xiàn)[4]通過(guò)分析電力云平臺(tái)的業(yè)務(wù)需求，提出采用微服務(wù)架構(gòu)理念構(gòu)建電力云平臺(tái)的設(shè)計(jì)方案，并對(duì)平臺(tái)的各個(gè)組件進(jìn)行分析。文獻(xiàn)[5]設(shè)計(jì)并實(shí)現(xiàn)了含微服務(wù)的分布式實(shí)時(shí)數(shù)據(jù)庫(kù)，解決傳統(tǒng)調(diào)度自動(dòng)化系統(tǒng)實(shí)時(shí)數(shù)據(jù)庫(kù)響應(yīng)慢、不易擴(kuò)展的問(wèn)題；為了有效利用容器資源，在云計(jì)算平臺(tái)上設(shè)計(jì)了一種基于微服務(wù)架構(gòu)的EMS系統(tǒng)，將系統(tǒng)程序部署在容器后，提出了基于MILP的容器資源調(diào)整策略；文獻(xiàn)[6]基于卡爾曼濾波法對(duì)突發(fā)負(fù)載進(jìn)行預(yù)測(cè)，提升資源彈性供給效率。為了提高容器中應(yīng)用軟件的運(yùn)行穩(wěn)定性，采用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory，LSTM)和卷積神經(jīng)網(wǎng)絡(luò)算法，從容器原始數(shù)據(jù)中自動(dòng)提取惡意軟件的攻擊特征，用于檢測(cè)及發(fā)現(xiàn)容器中存在的惡意軟件，提前阻斷潛在的攻擊行為；采用深度學(xué)習(xí)中的無(wú)監(jiān)督時(shí)間序列算法，通過(guò)比較當(dāng)前預(yù)測(cè)流量與當(dāng)前實(shí)際流量的差值，實(shí)現(xiàn)網(wǎng)絡(luò)異常檢測(cè)。這些工作較好的提升了容器環(huán)境下的資源利用效率，以及容器環(huán)境的網(wǎng)絡(luò)安全性和各類應(yīng)用運(yùn)行穩(wěn)定性，為建設(shè)微服務(wù)化的事故追憶系統(tǒng)提供了新的思路。

基于上述分析，應(yīng)用云計(jì)算技術(shù)和容器技術(shù)，提出一種構(gòu)建微服務(wù)化的事故追憶系統(tǒng)的方法。在云計(jì)算平臺(tái)上，依據(jù)事故追憶系統(tǒng)的功能需求，構(gòu)造了電網(wǎng)模型、事故記錄、操作記錄和人機(jī)交互四個(gè)功能獨(dú)立的微服務(wù)對(duì)事故追憶系統(tǒng)進(jìn)行重構(gòu)，各服務(wù)運(yùn)行在獨(dú)立的Docker容器中，并通過(guò)API網(wǎng)關(guān)與其他服務(wù)或應(yīng)用進(jìn)行交互；提出了基于LSTM算法的容器資源預(yù)測(cè)調(diào)度策略，對(duì)突變負(fù)載進(jìn)行預(yù)調(diào)度，有效提升系統(tǒng)響應(yīng)性能。實(shí)驗(yàn)結(jié)果表明，所開(kāi)發(fā)的事故追憶系統(tǒng)可靠性達(dá)到99.999 980%，在用戶響應(yīng)、擴(kuò)展性和穩(wěn)定性等方面具有較大的提升。

1 系統(tǒng)結(jié)構(gòu)

1.1 微服務(wù)

微服務(wù)架構(gòu)由Martin Fowler與James Lewis于2014年提出，是面向服務(wù)架構(gòu)(service oriented architecture，SOA)的繼承和發(fā)展。兩者的區(qū)別在于：SOA架構(gòu)側(cè)重于將多個(gè)單體應(yīng)用注冊(cè)至企業(yè)服務(wù)總線(enterprise service bus，ESB)，各應(yīng)用通過(guò)ESB進(jìn)行數(shù)據(jù)交互，常用于粗粒度大型企業(yè)應(yīng)用系統(tǒng)的集成和開(kāi)發(fā)[7]；而微服務(wù)的核心思想是將大型應(yīng)用系統(tǒng)按照業(yè)務(wù)邏輯和功能需求解耦為多個(gè)離散可復(fù)用、只完成單一特定的業(yè)務(wù)需求的小型服務(wù)，實(shí)現(xiàn)去中心化[8]。微服務(wù)運(yùn)行在單獨(dú)的進(jìn)程中，與其他服務(wù)完全隔離，具有高度的自治性，便于搭建輕量級(jí)應(yīng)用，具有很高的靈活性和可擴(kuò)展性。

1.2 容器技術(shù)

容器(container)是一種輕量級(jí)、靈活的虛擬化方式。如圖1所示，與傳統(tǒng)的虛擬機(jī)不同，容器創(chuàng)建在操作系統(tǒng)層面上，本質(zhì)上是宿主機(jī)上的一個(gè)進(jìn)程，共享下層操作系統(tǒng)的硬件資源，具有獨(dú)立的IP地址和操作系統(tǒng)管理員賬戶，重啟單一容器不會(huì)對(duì)其他容器造成影響[9]，并且內(nèi)存、CPU 和存儲(chǔ)效率得到大幅度提高。容器具有輕量級(jí)、低成本和可移植等優(yōu)點(diǎn)。運(yùn)行在不同容器中的服務(wù)實(shí)際上處于相互隔離的環(huán)境之中，可快速實(shí)現(xiàn)單個(gè)服務(wù)的熱升級(jí)，滿足負(fù)載突變的需求。

1.3 微服務(wù)化的電網(wǎng)事故追憶

云計(jì)算是虛擬化、分布式和負(fù)載均衡等多種計(jì)算機(jī)技術(shù)的混合體，它通過(guò)虛擬化技術(shù)將多種硬件資源抽象到計(jì)算資源池，為用戶提供快捷簡(jiǎn)單的計(jì)算能力支持。與傳統(tǒng)的計(jì)算模式相比，具有存儲(chǔ)容量大、異地災(zāi)備和負(fù)載均衡的優(yōu)勢(shì)[10]。

目前云計(jì)算及其相關(guān)技術(shù)已經(jīng)在電力系統(tǒng)得到廣泛的應(yīng)用[11-13]，為事故追憶系統(tǒng)在云平臺(tái)上部署奠定了良好基礎(chǔ)。系統(tǒng)涉及從多個(gè)應(yīng)用系統(tǒng)調(diào)取數(shù)據(jù)，是一個(gè)多源信息交互的系統(tǒng)。由于開(kāi)發(fā)方式、部署環(huán)境等方面存在差異，各應(yīng)用系統(tǒng)的數(shù)據(jù)接口和運(yùn)行效率不盡相同。

本文根據(jù)實(shí)際功能需求，采用圖2所示系統(tǒng)結(jié)構(gòu)，將系統(tǒng)解耦為電網(wǎng)模型、事故記錄、操作記錄和人機(jī)交互四個(gè)服務(wù)，各服務(wù)只需響應(yīng)與之相關(guān)的業(yè)務(wù)活動(dòng)和數(shù)據(jù)交互，不需要所有服務(wù)聯(lián)動(dòng)，從而降低對(duì)基礎(chǔ)平臺(tái)資源的要求。此外，所有的服務(wù)均部署在云計(jì)算平臺(tái)的Docker容器中，使容器中每一個(gè)獨(dú)立的服務(wù)單元都能夠共享云平臺(tái)提供的軟硬件資源環(huán)境，由于各服務(wù)之間不存在耦合關(guān)系且存在多個(gè)備份，因此服務(wù)升級(jí)過(guò)程中系統(tǒng)仍然可用，也不會(huì)對(duì)其他服務(wù)造成影響，保障了系統(tǒng)的可用性和易維護(hù)性，同時(shí)確保系統(tǒng)擁有充足的動(dòng)態(tài)冗余資源及良好的災(zāi)備性能。通過(guò)統(tǒng)一API網(wǎng)關(guān)聚合各類服務(wù)接口，為各類終端訪問(wèn)提供統(tǒng)一的服務(wù)入口，動(dòng)態(tài)調(diào)控終端用戶的訪問(wèn)流量，實(shí)現(xiàn)訪問(wèn)入口側(cè)的負(fù)載均衡。

2 系統(tǒng)實(shí)現(xiàn)

2.1 開(kāi)發(fā)環(huán)境

所述方法在Windows 通信技術(shù)平臺(tái)(windows communication foundation，WCF)上，采用Visual Studio2017作為開(kāi)發(fā)工具，通過(guò)C#和JavaScript編程語(yǔ)言，在阿里云(alibaba cloud apsara stack)上開(kāi)發(fā)和測(cè)試了微服務(wù)架構(gòu)下的事故追憶系統(tǒng)。所開(kāi)發(fā)的系統(tǒng)部署在Docker容器，通過(guò)IIS8.0對(duì)服務(wù)進(jìn)行發(fā)布。

2.2 服務(wù)構(gòu)建

用WCF具體實(shí)現(xiàn)了事故追憶系統(tǒng)下的電網(wǎng)模型、事故記錄、操作記錄和人機(jī)交互四個(gè)服務(wù)，分別對(duì)應(yīng)于PNMService、ARService、ORService、HCIService四個(gè)標(biāo)準(zhǔn)的服務(wù)接口，并在接口中封裝了讀寫(xiě)信息源數(shù)據(jù)和云平臺(tái)RDS、OSS的方法，各服務(wù)間的交互關(guān)系如圖3所示。

事故記錄服務(wù)：在觸發(fā)源被啟動(dòng)后，從事故追憶信息源處讀取預(yù)置時(shí)間段內(nèi)的數(shù)據(jù)，存儲(chǔ)在云平臺(tái)的OSS中，并在RDS中對(duì)應(yīng)生成一條新的記錄。

電網(wǎng)模型服務(wù)：在事故觸發(fā)源啟動(dòng)時(shí)，從前置系統(tǒng)獲取當(dāng)前的電網(wǎng)模型，并生成cim文件保存在OSS中；在事故反演時(shí)，將cim文件返回給服務(wù)消費(fèi)者。

操作記錄服務(wù)：讀取事故發(fā)生時(shí)段的調(diào)度日志、網(wǎng)絡(luò)發(fā)令、保護(hù)投退等調(diào)度運(yùn)行人員記錄的內(nèi)容，并進(jìn)行篩查，分析事故相關(guān)的設(shè)備操作。

人機(jī)交互服務(wù)：響應(yīng)用戶端的訪問(wèn)，生成圖形界面參數(shù)，并返回顯示。用戶端訪問(wèn)時(shí)，API網(wǎng)關(guān)動(dòng)態(tài)分配流量至人機(jī)交互服務(wù)。界面顯示的內(nèi)容分為“圖形”和“數(shù)值”兩類，人機(jī)交互服務(wù)僅提供裝載圖像、數(shù)據(jù)的外殼及界面交互邏輯功能，服務(wù)本身不帶有數(shù)據(jù)或圖形，圖形和數(shù)值字符串由其他服務(wù)返回。

其他服務(wù)消費(fèi)者經(jīng)過(guò)API網(wǎng)關(guān)的審核后，可訪問(wèn)服務(wù)注冊(cè)中心，并與上述服務(wù)建立連接關(guān)系，獲得服務(wù)內(nèi)定義的各類功能的返回值，完成數(shù)據(jù)交互交互。初期實(shí)現(xiàn)的事故追憶涉及到從前置系統(tǒng)、網(wǎng)絡(luò)發(fā)令、調(diào)度日志等9個(gè)系統(tǒng)獲取故障信息，這些系統(tǒng)采用SOA架構(gòu)進(jìn)行開(kāi)發(fā)和集成，其接口注冊(cè)在統(tǒng)一的服務(wù)總線供服務(wù)消費(fèi)者檢索和引用，將其接入單獨(dú)的容器后，可被檢索和調(diào)用。在Visual Studio 2019開(kāi)發(fā)平臺(tái)下添加人機(jī)交互服務(wù)引用示例如圖4 所示。

2.3 服務(wù)交互

當(dāng)用戶端訪問(wèn)系統(tǒng)時(shí)，服務(wù)響應(yīng)如圖5所示。

step1：“外殼”加載。當(dāng)用戶鏈接到系統(tǒng)時(shí)，調(diào)用人機(jī)交互服務(wù)，響應(yīng)用戶端的訪問(wèn)請(qǐng)求。服務(wù)將Highcharts的底層js文件內(nèi)容嵌入到網(wǎng)頁(yè)，并發(fā)送到用戶瀏覽器，從而搭建起顯示圖形的“外殼”，此過(guò)程僅在用戶連接時(shí)進(jìn)行一次，步驟如圖5中的①-②。

step2：形成圖形字符。此過(guò)程如圖5中的③-⑦所示。作為服務(wù)消費(fèi)者，人機(jī)交互服務(wù)通過(guò)AJAX[14]，向服務(wù)提供者電網(wǎng)模型服務(wù)、事故記錄服務(wù)和操作記錄服務(wù)傳遞檢索數(shù)據(jù)所需的關(guān)鍵詞。服務(wù)收到關(guān)鍵詞后，從云計(jì)算平臺(tái)的OSS和RDS獲取繪圖的基礎(chǔ)數(shù)據(jù)，并將繪圖基礎(chǔ)數(shù)據(jù)整理成可以在界面上直接顯示的圖形字符，再發(fā)送至用戶端。

step3：圖形顯示。如圖5中的⑧-11，用戶端的瀏覽器收到圖形字符后，在HTML網(wǎng)頁(yè)上加載圖形框架，再將圖形字符填充在圖形顯示區(qū)內(nèi)。完成后，按照預(yù)定義的曲線顏色和背景顏色對(duì)圖形進(jìn)行渲染，最終實(shí)現(xiàn)圖形字符在用戶瀏覽器的“外殼”中顯示。

用戶操作時(shí)，人機(jī)交互服務(wù)結(jié)合刷新區(qū)域，從API網(wǎng)關(guān)選擇性的調(diào)用已注冊(cè)的服務(wù)，獲得可顯示的字符，有針對(duì)性的對(duì)頁(yè)面中響應(yīng)用戶操作并發(fā)生變化的部分進(jìn)行更新，而不是對(duì)整個(gè)HTML頁(yè)面進(jìn)行刷新。這種方式可有效減少用戶操作過(guò)程中的流量消耗，提升界面響應(yīng)速度。

3 LSTM預(yù)測(cè)的容器調(diào)度策略

為了使事故追憶系統(tǒng)中各微服務(wù)具備較高的并發(fā)能力和應(yīng)對(duì)突變負(fù)載能力，從云計(jì)算平臺(tái)的監(jiān)控系統(tǒng)采集各容器存儲(chǔ)空間、網(wǎng)絡(luò)用量、訪問(wèn)數(shù)，采用LSTM算法預(yù)測(cè)節(jié)點(diǎn)的內(nèi)存使用量、CPU利用率等負(fù)載參數(shù)，提前做好預(yù)調(diào)策略，在保證系統(tǒng)正常運(yùn)行的同時(shí)，提升資源利用率。

3.1 LSTM算法

LSTM是一種循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)，相較于普通的RNN網(wǎng)絡(luò)，LSTM能更好的消除長(zhǎng)時(shí)間序列訓(xùn)練過(guò)程中存在的梯度消失和梯度爆炸問(wèn)題，可高效獲取歷史時(shí)序數(shù)據(jù)的特征信息，在長(zhǎng)時(shí)序預(yù)測(cè)方面具有良好的效果[15]。LSTM的結(jié)構(gòu)如圖6所示，由輸入門(mén)(input gate)、遺忘門(mén)(forget gate)和輸出門(mén)(output gate)構(gòu)成[16-17]，各個(gè)部分采用式(1)-(6)進(jìn)行計(jì)算。

(1)

ft=σ(Wf·[xt，fht-1]+bf)

(2)

ot=σ(Wo·[xt，oht-1]+bo)

(3)

ct=ft?ct-1+it?tanh(Wc·[xt，ht-1]+bc)

(4)

ht=ot?tanh(ct)

(5)

預(yù)測(cè)結(jié)果為：

yt=ht

(6)

LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練包括四個(gè)步驟：

(1)根據(jù)實(shí)際需求以及訓(xùn)練數(shù)據(jù)結(jié)構(gòu)，確定LSTM網(wǎng)絡(luò)的深度和神經(jīng)元數(shù)量；

(2)前向計(jì)算每個(gè)神經(jīng)元的輸出值。即結(jié)合訓(xùn)練數(shù)據(jù)，通過(guò)(1)-(5)式，分別計(jì)算it、ft、ot、ct、ht五個(gè)向量的值；

(3)反向計(jì)算每個(gè)神經(jīng)元的誤差項(xiàng)。在訓(xùn)練過(guò)程中， LSTM的誤差項(xiàng)反向傳播存在于兩個(gè)方向：一個(gè)是從當(dāng)前時(shí)刻開(kāi)始，沿時(shí)間的反向傳播，另一個(gè)是將誤差項(xiàng)向上傳遞給下一個(gè)[18-19]。

(4)根據(jù)上述步驟計(jì)算出來(lái)的神經(jīng)元誤差項(xiàng)，重新計(jì)算每個(gè)權(quán)重的梯度。依此類推，完成整個(gè)LSTM網(wǎng)絡(luò)的訓(xùn)練。

2.3 容器調(diào)度策略

云計(jì)算平臺(tái)監(jiān)控系統(tǒng)采集的容器負(fù)載數(shù)據(jù)包括磁盤(pán)使用量、網(wǎng)絡(luò)使用量、訪問(wèn)數(shù)、內(nèi)存使用率和CPU利用率，這些數(shù)據(jù)是一種典型的非線性、動(dòng)態(tài)長(zhǎng)時(shí)間序列數(shù)據(jù)。采用LSTM算法進(jìn)行動(dòng)態(tài)預(yù)測(cè)時(shí)，將容器集群中磁盤(pán)使用量、網(wǎng)絡(luò)使用量和訪問(wèn)數(shù)作為輸入特征變量，內(nèi)存使用率和CPU利用率作為輸出變量，通過(guò)LSTM算法挖掘特征變量與輸出變量之間的對(duì)應(yīng)關(guān)系，經(jīng)模型訓(xùn)練后，獲得預(yù)測(cè)模型的網(wǎng)絡(luò)參數(shù)，供實(shí)時(shí)調(diào)度使用。其步驟如圖7所示。

Step1：從云平臺(tái)監(jiān)控系統(tǒng)中采集每個(gè)容器的內(nèi)存、CPU、訪問(wèn)數(shù)、磁盤(pán)、網(wǎng)絡(luò)等系統(tǒng)資源使用率(量)；

Step2：構(gòu)造數(shù)據(jù)集。訪問(wèn)數(shù)、磁盤(pán)、網(wǎng)絡(luò)為輸入X={x1，x2，…，xn}，CPU、內(nèi)存為輸出Y={y1，y2，…，yn}，按照8：2將其劃分為訓(xùn)練集和測(cè)試集，并采用式(7)進(jìn)行歸一化；

(7)

式中：x'表示參數(shù)歸一化后的值，x表示原始值，xmax、xmin分別表示序列中x的最大值、最小值。

Step3：訓(xùn)練LSTM模型。設(shè)置LSTM網(wǎng)絡(luò)的窗口和預(yù)測(cè)步長(zhǎng)，將輸入數(shù)據(jù)x、ht-1和ct-1輸入隱層單元，獲得經(jīng)過(guò)遺忘門(mén)產(chǎn)生的[0，1]狀態(tài)值；

Step4：采用tanh函數(shù)處理step3的輸出值，產(chǎn)生t時(shí)刻元胞的狀態(tài)ct；

Step5：在輸入門(mén)處，經(jīng)σ函數(shù)可以得到初始輸出，結(jié)合tanh函數(shù)對(duì)輸出進(jìn)行[-1，1]的數(shù)據(jù)縮放并與其相乘得到預(yù)測(cè)輸出ht；

Step5：計(jì)算預(yù)測(cè)輸出ht與實(shí)際標(biāo)簽的損失，采用BP算法反向調(diào)整模型的權(quán)重矩陣。

Step6：訓(xùn)練完成后，將實(shí)時(shí)采樣數(shù)據(jù)輸入最終的LSTM預(yù)測(cè)模型，輸出預(yù)測(cè)值yn+1(即下一時(shí)段的內(nèi)存和CPU使用率)。

Step7：將預(yù)測(cè)值返回監(jiān)控系統(tǒng)，若上述兩個(gè)指標(biāo)中的任一預(yù)測(cè)值達(dá)到當(dāng)前值的高于80%或低于20%，則執(zhí)行容器的擴(kuò)展或收縮。

4 性能分析

4.1 可靠性分析

為了不失一般性，假設(shè)各子系統(tǒng)、傳輸通道和主機(jī)可靠性相同，對(duì)所述事故追憶系統(tǒng)的可靠性進(jìn)行分析，并與傳統(tǒng)系統(tǒng)進(jìn)行對(duì)比。

傳統(tǒng)事故追憶系統(tǒng)的架構(gòu)簡(jiǎn)圖8所示，其本質(zhì)是一個(gè)單體應(yīng)用，整個(gè)系統(tǒng)的程序邏輯耦合在一起，各程序模塊互相關(guān)聯(lián)，任何一個(gè)環(huán)節(jié)出現(xiàn)問(wèn)題，系統(tǒng)將無(wú)法使用。

雖然各個(gè)程序模塊的程序邏輯不同，但是它們的可靠性指標(biāo)基本一致。因此，可將其抽象為一個(gè)可修復(fù)元件。傳統(tǒng)系統(tǒng)由多個(gè)程序模塊組成，采用雙機(jī)冗余配置，其可靠性邏輯框圖可用圖9表示：

所提系統(tǒng)架構(gòu)簡(jiǎn)圖如圖10所示。每個(gè)系統(tǒng)程序模塊相互獨(dú)立，并由多個(gè)微服務(wù)構(gòu)成，數(shù)據(jù)庫(kù)被RDS取代。

所述系統(tǒng)可進(jìn)行應(yīng)用服務(wù)級(jí)別的橫向拓展，其可靠性邏輯框圖可用圖11表示：

其中，m大于等于2。

對(duì)于任意一個(gè)可修復(fù)元件或系統(tǒng)，其可靠性可根據(jù)式(8)進(jìn)行計(jì)算。

(8)

其中，MTBF為平均無(wú)故障時(shí)間(mean time between failure，MTBF)，MTTR為平均故障恢復(fù)時(shí)間(mean time to repair，MTTR)。λ為失效率(失效次數(shù)/年)，μ為修復(fù)率(修復(fù)次數(shù)/年)，其定義如下：

(9)

(10)

對(duì)于n個(gè)可修復(fù)元件，若采用串聯(lián)方式，有：

(11)

(12)

若2個(gè)元件為并聯(lián)方式，有：

(13)

μ=μ1+μ2

(14)

由阿里云性能測(cè)試和業(yè)務(wù)實(shí)時(shí)監(jiān)控服務(wù)測(cè)試可知，上述各元件的MTBF和MTTR如表1所示。

結(jié)合可靠性框圖，將表1數(shù)據(jù)代入式(8)～(14)中，可得傳統(tǒng)系統(tǒng)應(yīng)用的可靠性及年故障時(shí)長(zhǎng)(分鐘)：

(15)

所提系統(tǒng)的可靠性及年故障時(shí)長(zhǎng)(分鐘)：

(16)

可見(jiàn)，所提系統(tǒng)的年故障時(shí)長(zhǎng)較傳統(tǒng)架構(gòu)相比，減少了約14倍。

4.2 承壓能力分析

系統(tǒng)部署在阿里云計(jì)算平臺(tái)(alibaba cloud apsara stack)上，基礎(chǔ)配置為3臺(tái)服務(wù)器，4核8G內(nèi)存，4M帶寬?？紤]到事故追憶系統(tǒng)在電網(wǎng)正常運(yùn)行時(shí)很少使用、故障時(shí)多個(gè)用戶在短時(shí)間內(nèi)登陸的情況，對(duì)系統(tǒng)進(jìn)行壓力測(cè)試時(shí)，上限用戶設(shè)為20個(gè)，測(cè)試結(jié)果如表2所示。

表2 系統(tǒng)壓力測(cè)試結(jié)果Tab.2 Results of system pressure test

由表2可知：系統(tǒng)處理的請(qǐng)求數(shù)為37154，平均響應(yīng)時(shí)間為42.39 ms，成功率達(dá)到100%。在多系統(tǒng)數(shù)據(jù)交互的情況下，無(wú)響應(yīng)超時(shí)，每秒處理的事務(wù)數(shù)(TPS)達(dá)249.38，保證系統(tǒng)的可用性，同時(shí)具有較高的數(shù)據(jù)訪問(wèn)效率。

3 結(jié)論

本文提出一種大數(shù)據(jù)環(huán)境下支持多源信息融合的微服務(wù)化電網(wǎng)事故追憶系統(tǒng)設(shè)計(jì)方法。將事故追憶系統(tǒng)重構(gòu)為電網(wǎng)模型、事故記錄、操作記錄和人機(jī)交互四個(gè)細(xì)粒度微服務(wù)，并部署在云計(jì)算平臺(tái)的容器中運(yùn)行，通過(guò)LSTM算法對(duì)容器資源進(jìn)行預(yù)測(cè)調(diào)度，提高了系統(tǒng)的響應(yīng)速度、處理效率和資源利用率；從前置系統(tǒng)、調(diào)度日志、網(wǎng)絡(luò)發(fā)令等系統(tǒng)獲取事故時(shí)間段內(nèi)的多種事故信息，豐富了追憶信息源，為運(yùn)行分析人員分析事故成因提供更好的服務(wù)，也為新一代事故追憶系統(tǒng)設(shè)計(jì)提供參考。實(shí)際測(cè)試效果表明，采用該方法設(shè)計(jì)的事故追憶系統(tǒng)可靠性高、實(shí)時(shí)性強(qiáng)、運(yùn)行穩(wěn)定可靠。