基于時間序列的國產(chǎn)化水電站計算機監(jiān)控系統(tǒng)異常行為報警方法應用

李正凡，譚良良，楊淵，陳映喜，周喜，楊偉

（1.華能瀾滄江水電股份有限公司，云南昆明 650214；2.南京南瑞繼保工程技術(shù)有限公司，江蘇南京 211002；3.西安熱工研究院有限公司，陜西西安 710054）

0 引言

隨著我國電力事業(yè)的發(fā)展，多種新興設備投入國產(chǎn)化水電站的發(fā)展中，使得國產(chǎn)化水電站計算機監(jiān)控系統(tǒng)異常行為監(jiān)控十分重要。故障解列裝置異常監(jiān)控告警是整個監(jiān)控系統(tǒng)的重要一環(huán)，其作用是在水電站監(jiān)控系統(tǒng)報警檢測模塊發(fā)生故障時，能夠迅速跳開并網(wǎng)開關(guān)實現(xiàn)故障隔離，以避免故障本身影響電網(wǎng)的正常電力輸送。當水電站故障解列裝置出現(xiàn)異常行為時，不僅無法實現(xiàn)保護機制，甚至可能造成更大面積的故障癱瘓，給水電站造成巨大的經(jīng)濟損失。因此，保證國產(chǎn)化水電站故障解列裝置的平穩(wěn)運行狀態(tài)是維護國產(chǎn)化水電站正常工作的重要措施。

為此，不少學者就水電站故障解列裝置異常行為報警方法進行了相關(guān)研究。陳陣等［1］提出的基于云模型的水電站故障解列裝置異常行為報警方法以云數(shù)據(jù)為基礎構(gòu)建云模型，結(jié)合概念樹問題采用樹形形態(tài)表示法描述裝置的運行狀態(tài)，針對異常狀態(tài)進行報警；該方法操作簡潔，適應性高，但報警效率不理想，難以及時響應報警機制。滕予非等［2］提出的基于數(shù)據(jù)驅(qū)動的水電站故障解列裝置異常行為報警方法采用相似度計算模型，排除相似運行數(shù)據(jù)間的誤差值影響，以數(shù)據(jù)驅(qū)動為基礎將運行投射到多維空間中進行行為分析，結(jié)合預設報警線實現(xiàn)報警；但該方法計算步驟繁瑣，導致最終異常行為識別精度不高，報警誤報率較高。胡姣姣等［3］提出的基于深度學習的水電站故障解列裝置異常行為報警方法以深度學習法為基礎，通過對采集的裝置運行數(shù)據(jù)進行深入挖掘，采用動態(tài)彎曲距離公式計算數(shù)據(jù)間關(guān)聯(lián)性進行行為判斷，整體計算簡單，報警效率高；但報警模塊的設計不合理，往往不能實現(xiàn)有效報警。

為解決以上報警方法中存在的問題，本文提出了基于時間序列的國產(chǎn)化水電站計算機監(jiān)控系統(tǒng)異常行為報警方法，并設計了相應的對比實驗對其實際報警性能加以驗證。

1 構(gòu)建時間序列符號轉(zhuǎn)換模型

1.1 時間序列的符號化

為了有效描述時間序列的形態(tài)特征，本文提出了基于形態(tài)特征的時間序列符號轉(zhuǎn)換模型，即以特征描述學中的分段時間序列聚合近似算法為基礎，通過計算分段時間序列的斜率，以斜率特征描述該斜率對應的分段時間的形態(tài)特征。以某一時間序列Q為例，假設其總長度為L，將其平均分為w個子序列，每一個子序列的長度則為L/w，子序列可進行進一步的分段，每一個分段子序列可視為一個元素，其元素值滿足：

式中：表示子序列i中第j個分段序列的元素值；q'ij表示子序列i中第j個分段序列的斜率；n表示子序列i的分段數(shù)量。

斜率的計算公式如下：

式中：k的取值為：k=（i-1）n+1。

采用時間序列符號轉(zhuǎn)換將時間序列Q轉(zhuǎn)化為Q～后，其總長度由原來的L縮短到m，轉(zhuǎn)化后的序列稱為SPAA 序列，可以用來表示原時間序列的時間特征。根據(jù)符號轉(zhuǎn)換的需求，需采用z-score 轉(zhuǎn)換法使獲得的SPAA 序列標準化，常使用的方法為將SPAA 序列放到標準正態(tài)分布空間進行等概率區(qū)域劃分，采用相應字符表示每一個區(qū)域特征，即可完成由SPAA 序列到符號序列的轉(zhuǎn)換，轉(zhuǎn)換后的符號序列可表示為SSAX，符號序列轉(zhuǎn)換示意圖如圖1所示。

圖1 SPAA序列轉(zhuǎn)換為SSAX序列的形態(tài)變化趨勢Fig.1 Trend of morphlogical change of SPAA series to SSAX series

1.2 相似性度量

采用符號化特征對時間序列進行表示后，可以識別國產(chǎn)化水電站故障解列裝置運行數(shù)據(jù)的形態(tài)特征，有效區(qū)分正常運行數(shù)據(jù)和異常運行數(shù)據(jù)。參考國產(chǎn)化水電站故障解列裝置的運行數(shù)據(jù)的時間特征，結(jié)合裝置運行數(shù)據(jù)的基本特征，本文利用相應的距離度量函數(shù)描述國產(chǎn)化水電站故障解列裝置運行數(shù)據(jù)間的相似性，以準確區(qū)分裝置的正常運行數(shù)據(jù)和異常運行數(shù)據(jù)。

式中：ti為子序列i的標準差，采用如下公式計算：

以子序列的均值度量值為基礎，采用距離度量函數(shù)進行相似性距離計算，距離度量函數(shù)的表達式為：

式中：C為非線性特征統(tǒng)計參數(shù)。

該國產(chǎn)化水電站故障解列裝置運行數(shù)據(jù)的相似性距離值為：

式中：d為相似性距離值。

2 基于時間序列的國產(chǎn)化水電站故障解列裝置異常行為檢測算法

2.1 國產(chǎn)化水電站故障解列裝置異常行為特征識別

一般來說，國產(chǎn)化水電站故障解列裝置運行數(shù)據(jù)為時間序列數(shù)據(jù)，可分為正常運行數(shù)據(jù)、過渡運行數(shù)據(jù)和異常運行數(shù)據(jù)三種。其中，過渡運行數(shù)據(jù)是指國產(chǎn)化水電站故障解列裝置由正常運行狀態(tài)過渡到異常運行狀態(tài)產(chǎn)生的數(shù)據(jù)；異常運行數(shù)據(jù)是判斷故障解列裝置運行狀態(tài)的重要數(shù)據(jù)來源，也是進行異常行為特征識別的主要對象。針對采集的運行數(shù)據(jù)集，通過選取合適的特征識別方法可以有效識別故障解列裝置的異常行為，本文根據(jù)時間序列的符號特征表示方法，結(jié)合特征識別技術(shù)能夠有效識別國產(chǎn)化水電站故障解列裝置的運行狀態(tài)，異常行為特征識別示意圖如圖2所示。

圖2 國產(chǎn)化水電站故障解列裝置異常行為特征識別流程示意圖Fig.2 Flow diagram of hydropower station fault disconnection device abnormal behavior recognition

國產(chǎn)化水電站故障解列裝置3種運行狀態(tài)下的時間序列數(shù)據(jù)特征如圖3 所示，其即表示國產(chǎn)化水電站故障解列裝置處于正常態(tài)、過渡態(tài)以及異常態(tài)的3 種數(shù)據(jù)，也表明3 種運行狀態(tài)下時間序列數(shù)據(jù)的形態(tài)特征［4，5］。從數(shù)據(jù)波動情況來看，正常態(tài)時間序列數(shù)據(jù)的波動具有明顯規(guī)律性，而異常態(tài)沒有；過渡態(tài)與其他兩種形態(tài)數(shù)據(jù)存在較高的相似性，且過渡態(tài)數(shù)據(jù)與其他兩種形態(tài)數(shù)據(jù)間無明顯的連接點，使其特征識別較為困難。為了實現(xiàn)精準的數(shù)據(jù)識別，本文提出“去頭尾”的特征識別方法，即針對符號轉(zhuǎn)化后的時間序列數(shù)據(jù)，以4 個分段序列為單位進行序列劃分序列組，刪除四個分段均相同的組別，從而降低特征識別難度，保證識別效率。

圖3 國產(chǎn)化水電站故障解列裝置3種運行狀態(tài)下的時間序列數(shù)據(jù)特征Fig.3 Data character of hydropower station fault disconnection's time series in three running status

2.2 異常行為檢測算法

在國產(chǎn)化水電站故障解列裝置運行時間序列數(shù)據(jù)挖掘中，由裝置的異常行為產(chǎn)生的異常時間序列的子序列與正常運行時產(chǎn)生的時間序列的子序列最不相似。針對異常時間序列的檢測也是檢測裝置異常行為的重要依據(jù)，目前常采用SAX 算法進行異常時間序列的檢測。其原理是以時間序列最不相似算法和序列發(fā)現(xiàn)算法為基礎，結(jié)合時間序列間的關(guān)聯(lián)規(guī)則進行計算，從而發(fā)現(xiàn)異常子序列在時間序列中的位置。

算法的描述如下：

輸入：長度為L的時間序列Q，關(guān)聯(lián)規(guī)則out和in。

輸出：最不相似子序列以正常運行狀態(tài)下時間序列序列子序列的最小距離s，以及該最不相似子序列在時間序列Q中位置loc。

（1）將時間序列Q符號化，默認初始最小距離s值和位置loc值為0，利用out 關(guān)聯(lián)規(guī)則控制算法的內(nèi)層循環(huán)，利用in 關(guān)聯(lián)規(guī)則控制算法的外層循環(huán)，用u，v 來記錄兩個子序列在時間序列Q中的位置信息。

（2）在外層循環(huán)中，對于位置信息u 有初始最小距離s0=-1，根據(jù)u值進行內(nèi)層循環(huán)，內(nèi)層循環(huán)過程如下：①若|u-v|>L，進行序列匹配，執(zhí)行操作②，反之，執(zhí)行操作③。②若u2-v2

（3）判斷s0是否大于s，若大于，則記作s=s0，異常子序列的位置信息loc=u，同時返回步驟（2），直至檢測完時間序列Q的所有子序列為止。

（4）若無異常序列，數(shù)據(jù)安全值10。輸入下一序列進行計算。

3 基于時間序列的國產(chǎn)化水電站故障解列裝置異常行為報警

3.1 基于時間序列的自適應報警線的確定

確定自適應報警線的目的是為國產(chǎn)化水電站裝置監(jiān)控中心對故障解列裝置運行狀態(tài)的評估提供參考依據(jù)。在水電站中所使用的報警標準一般為靜態(tài)標準，從國產(chǎn)化水電站故障解列裝置投入到國產(chǎn)化水電站的微機保護時，需經(jīng)過多次的維修和檢測，因此需指定一個不變的標準進行評估。然而受磁場干擾以及機械老化等影響，故障解列裝置的運行狀態(tài)呈現(xiàn)出動態(tài)變化趨勢。本文采用數(shù)理統(tǒng)計法對故障解列裝置的異常行為檢測結(jié)果進行統(tǒng)計，即將檢測結(jié)果進行數(shù)值化處理，并采用拉依達法剔除異常數(shù)據(jù)［6］。

拉依達法的判別標準以三倍標準差為基礎，因此該判別方法又稱三倍標準差判別法［6］；其原理是根據(jù)概率論與數(shù)理統(tǒng)計中對三倍標準差的定義：當某一事件滿足正態(tài)分布規(guī)律時，該事件發(fā)生在(-3σ，+3σ)的概率為99.73%（-X為中心坐標，σ為標準差），而落在其他區(qū)間的概率為0.27%，在故障解列裝置的異常識別中，則可判定其檢測值為異常數(shù)值。

3.2 自動報警方法的實現(xiàn)

在上述報警線設置的基礎上，根據(jù)異常行為檢測算法結(jié)果響應報警機制，以自動化技術(shù)為基礎，實現(xiàn)無人看管的國產(chǎn)化水電站故障解列裝置異常行為警報。為實現(xiàn)有效的自動報警，本文采用的自動報警方法以系統(tǒng)報警和聲音報警兩種形式為基礎，其中聲音報警形式需結(jié)合相關(guān)控制算法和聲音設備發(fā)出警報聲音以實現(xiàn)報警效果。當SAX 算法檢測到異常行為時，通過SPI 接口將檢測結(jié)果傳給國產(chǎn)化水電站裝置監(jiān)控中心，國產(chǎn)化水電站裝置監(jiān)控中心經(jīng)過一系列分析識別后生成控制指令并將指令以數(shù)字化形式傳遞給下級響應模塊［7-9］。下級相應模塊與聲音報警器以雙鑒傳感網(wǎng)絡連接方式進行連接，具有信號傳輸效率高、可進行雙向傳輸?shù)葍?yōu)點，能夠提升異常行為警報的效率。當聲音報警器進入預警狀態(tài)時，其最高振動頻率為8 Hz，警報聲音大小約為70 分貝，具有一定警報力度且不會對國產(chǎn)化水電站其他裝置設備造成影響，能夠及時提醒相關(guān)工作人員對國產(chǎn)化水電站故障解列裝置進行檢查，以保證裝置的穩(wěn)定運行。自動化報警方法的實現(xiàn)流程如圖4所示。

圖4 自動化報警方法的實現(xiàn)流程Fig.4 Flow diagram of automatic alarm method

4 實驗研究

為檢測本文提出的基于時間序列的國產(chǎn)化水電站計算機監(jiān)控系統(tǒng)異常行為報警方法研究的實際報警性能，選用本文提出的方法與傳統(tǒng)的基于深度學習的國產(chǎn)化水電站故障解列裝置異常行為報警方法和基于數(shù)據(jù)驅(qū)動的國產(chǎn)化水電站故障解列裝置異常行為報警方法進行對比，為保證實驗結(jié)果的可靠性，實驗參數(shù)的設置如表1所示。

表1 實驗參數(shù)Fig.1 Experiment pameters

根據(jù)上述實驗參數(shù)，在相應實驗環(huán)境中進行實驗，為確保實驗結(jié)果的真實性，選取某一國產(chǎn)化水電站2019故障解列裝置異常行為時間序列數(shù)據(jù)為實驗數(shù)據(jù)，共采集異常數(shù)據(jù)1 400 個，采用N-garm檢測法分析3種報警方法的有效報警率和誤報率。

有效報警率的計算公式如下：

式中：Ieff表示有效報警率；H表示有效報警數(shù)量；M表示無效報警數(shù)量。

誤報率的計算公式如下：

式中：Ierror表示誤報率；R表示誤報數(shù)量。

有效報警率和誤報率的實驗結(jié)果如圖5 和圖6 所示。從圖中可以看出，隨著異常檢測時間序列數(shù)據(jù)樣本的輸入，3種報警方法的有效報警率均處于下降趨勢，誤報率呈現(xiàn)出上升趨勢，但下降幅度和上升幅度各不相同?；跀?shù)據(jù)驅(qū)動的報警方法有效報警率下降趨勢較大，誤報率上升幅度較大，平均有效報警率為75%，平均誤報率為22%?；谏疃葘W習的報警方法有效報警率和誤報率的變化幅度相對較小，其平均有效報警率為85%，平均誤報率為16%。相較之下，本文研究的報警的有效檢測率始終高于92%，平均有效報警率為94%，平均誤報率低至8%，無明顯幅度變化。

圖5 3種報警方法有效報警率對比Fig.5 Positive alarm rate of three alarm methods

圖6 3種報警方法的誤報率對比Fig.6 False alarm rate of three alarm methods

基于3 種報警方法的有效報警率和誤報率，我們對3 種方法的報警效率進行了對比，實驗結(jié)果如圖7 所示。從圖7 中可以看出，針對1 400 個報警數(shù)目，基于數(shù)據(jù)驅(qū)動的報警方法的響應時間為485 s，平均效率為2.9 個/s。基于深度學習的報警方法的響應時間為384 s，平均效率為3.6 個/s。而本文研究的基于時間序列的報警方法的響應時間為180 s，平均效率為7.8個/s。

圖7 3種方法的報警效率結(jié)果Fig.7 Efficiency of three alarm methods

綜上所述，本文研究的基于時間序列的國產(chǎn)化水電站計算機監(jiān)控系統(tǒng)異常行為報警方法具有較為準確的異常行為檢測能力，能夠進行高效率的報警，實現(xiàn)裝置異常行為有效檢測的同時及時響應報警機制；而傳統(tǒng)的報警方法普遍存在漏報和誤報現(xiàn)象，且報警效率較低，不利于維護國產(chǎn)化水電站的正常運行；相較之下，本文研究的報警方法具有更高的報警性能，值得被廣泛應用。

5 結(jié)語

針對傳統(tǒng)國產(chǎn)化水電站故障解列裝置異常行為報警方法出現(xiàn)的檢測精度低、誤報率高、響應速度遲緩等問題，本文提出了基于時間序列的國產(chǎn)化水電站計算機監(jiān)控系統(tǒng)異常行為報警方法，通過對裝置運行時間序列數(shù)據(jù)進行深入挖掘，準確分析裝置的異常行為，并及時響應報警機制，通過對比實驗結(jié)果可知，本文提出的基于時間序列的報警方法性能更好，能快速、準確地對裝置的異常行為進行報警，以維護國產(chǎn)化水電站的正常工作，能夠促進國產(chǎn)化水電站的進一步發(fā)展，對于國產(chǎn)化水電站效益的提升具有重要意義。