基于告警信號文本挖掘的電力調(diào)控智能分析和故障診斷技術(shù)

張 寧

（國網(wǎng)靈壽縣供電公司，河北 石家莊 050500）

0 引 言

電力系統(tǒng)一旦出現(xiàn)運(yùn)行故障，就會產(chǎn)生大量告警信號。電力調(diào)控實施，通常需要快速處理這些告警信號。據(jù)相關(guān)統(tǒng)計，某縣域電力調(diào)控中心平均每天接收的告警信號量高達(dá)40 萬條，導(dǎo)致調(diào)控人員很容易出現(xiàn)遺漏重要告警信號的風(fēng)險[1]。同時，調(diào)空人員很難在第一時間快速做出正確決策，嚴(yán)重影響故障處理效率，不利于電力系統(tǒng)運(yùn)行性能的快速恢復(fù)。為避免不良現(xiàn)象的出現(xiàn)，技術(shù)人員要借助文本信息挖掘與歸類告警信號，利用歸類處理好的告警信號快速處理電力系統(tǒng)故障，有效提高電力系統(tǒng)運(yùn)行性能[2]。為保證告警信號文本挖掘和分類效果，強(qiáng)化對電力調(diào)控故障的診斷顯得尤為重要。

1 告警信號文本預(yù)處理

1.1 告警信號文本預(yù)處理流程

通過對告警信號文本進(jìn)行預(yù)處理，可以獲得良好的文本向量化處理效果，為后期告警信號分類提供重要的依據(jù)和參考[3]。告警信號文本預(yù)處理流程，如圖1 所示。告警信號文本預(yù)處理主要包含統(tǒng)計本體、詞性標(biāo)注、導(dǎo)入故障樣本、分詞、去除停用詞以及建立向量6 個環(huán)節(jié)。

圖1 告警信號文本預(yù)處理流程

1.2 建立本體詞典

本體詞典中的“本體”主要是指告警信號中具有一定含義的實詞。結(jié)合本體詞語的類別，可以判斷本體詞性。每類本體詞語均含有相應(yīng)的詞性標(biāo)注。

本體和本體詞性標(biāo)注組合后，可以形成本體詞典。本體詞典實例，如表1 所示。其中：n 代表一次設(shè)備或者二次設(shè)備的名詞；qn 代表帶編號設(shè)備的帶修飾名詞；u 代表電壓等級等數(shù)量信息的數(shù)詞；v 代表輸變電設(shè)備狀態(tài)的狀態(tài)詞?，F(xiàn)階段，本體詞典主要采用人工方式構(gòu)建，構(gòu)建工作量較大。例如：某省電網(wǎng)應(yīng)用告警信號實詞、變電站名和線路名等信息，完成了對本體詞典的構(gòu)建。本體詞典是否完整，直接影響后期故障診斷結(jié)果的精確度。本體詞典具有較高的通用性，因此在告警信號中出現(xiàn)一次即可。

表1 本體詞典實例

1.3 故障樣本向量化

對于中文文本而言，在進(jìn)行詞語分隔時，無須借助空格，增加了中文文本信息挖掘復(fù)雜度，不利于后期中文文本信息挖掘工作的開展。在進(jìn)行文本向量化處理時，中文分詞屬于重要環(huán)節(jié)。通過運(yùn)用隱馬爾可夫模型，可以保證分詞處理效果，同時要將詞性標(biāo)注添加到分詞后的詞語中，并結(jié)合實際用詞習(xí)慣，去除“和、或、及”等停用詞。此外，文本信息特征表示模型的應(yīng)用，可以有效表示和描述非結(jié)構(gòu)化文本特點(diǎn)，使其表示為結(jié)構(gòu)化向量。告警信號簇主要指告警信號一類集合，運(yùn)用故障診斷方法，可以將所有告警信號簇一一映射到指定的向量空間，為所有告警信號簇分配相應(yīng)的向量。向量與主體之間存在一對一映射關(guān)系，保證故障樣本向量化實現(xiàn)效果。單個故障樣本告警信號簇映射為向量是，首先將各個故障樣本導(dǎo)入電力系統(tǒng)，其次分詞處理告警信號簇并去除停用詞，保證告警信號簇處理效果，再次結(jié)合各個告警信號簇構(gòu)建相應(yīng)的向量，并對向量各維坐標(biāo)進(jìn)行初始化處理，使其處于置零狀態(tài)，最后從告警信號簇中搜索需要的本體。當(dāng)搜索出一個本體時，向量維坐標(biāo)值自動加1。

2 電力調(diào)控故障診斷

2.1 基于告警信號文本挖掘的故障診斷流程

故障診斷流程，如圖2 所示。該故障診斷算法劃分為2 層實施，先根據(jù)故障和非故障情況下相似度向量在向量空間中的分布情況判斷是否發(fā)生故障，再根據(jù)發(fā)生故障的相似度向量中所有相似度的分布情況判斷發(fā)生的故障類型，可以避免閾值設(shè)定問題。

圖2 故障診斷流程

應(yīng)用提出的2層故障診斷算法，可以結(jié)合故障情況下和非故障情況下對應(yīng)的相似度向量，有效分析和判斷當(dāng)前電力系統(tǒng)是否存在故障問題，然后結(jié)合發(fā)生故障相似度向量判斷其故障類型。這種故障診斷算法具有較高的可靠性和準(zhǔn)確性[4-5]。

2.2 實時告警信號向量化

應(yīng)用故障診斷方法時，要做好對實時告警信號的構(gòu)建，并根據(jù)滑動時間，實時讀取和輸入各個實時告警信號[6]。應(yīng)用滑動機(jī)制，切分處理實時告警信號簇，保證故障診斷精確度。為保證實時告警信號向量化效果，要從所有告警信號中篩選和刪除故障無關(guān)告警信號，便于調(diào)控人員更好地向量化處理告警信號。

3 算例分析

3.1 算例設(shè)置

利用C++編程語言，編寫相應(yīng)的故障診斷程序，并利用計算機(jī)，以某電力調(diào)控系統(tǒng)實際告警信號為算例，對設(shè)計方法進(jìn)行有效測試和驗證。為保證最終測試結(jié)果與實際電力調(diào)控運(yùn)行情況接近，算例中從某縣域電力調(diào)控中心的調(diào)控系統(tǒng)數(shù)據(jù)庫中抽取部分實時告警信號[7]。分析算例時，要利用故障診斷程序?qū)λ懈婢盘栠M(jìn)行遍歷處理，確定故障樣本，并以單一故障和相同地點(diǎn)多故障2 種故障典型形式對該算例進(jìn)行展示。

3.2 故障診斷結(jié)果統(tǒng)計

利用故障診斷程序，對所有告警信號進(jìn)行遍歷，獲得如表3 所示的故障診斷結(jié)果。從表3 可以看出，整個程序除了形象化模擬故障診斷后無漏診發(fā)生，還有效模擬了誤診發(fā)生情況，有效保證了故障診斷結(jié)果的精確度和真實性。

表3 故障診斷結(jié)果統(tǒng)計 單位：次

3.3 單一故障診斷結(jié)果

2022 年5 月26 日10 時30 分20 秒，在狂風(fēng)暴雨等惡劣天氣的影響下，某電網(wǎng)變電站出現(xiàn)明顯跳閘現(xiàn)象，線路保護(hù)動作正常，重合閘穩(wěn)定啟動，但是變電站線路難以成功重合閘，造成整個線路出現(xiàn)嚴(yán)重的三相跳閘故障。當(dāng)滑動時間窗位于2022 年5 月26 日10 時30 分20 秒至2022 年5 月26 日10 時30 分29秒位置時，按照相關(guān)故障分類，整理某變電站跳閘告警信號如下：2022 年5 月26 日10 時30 分20 秒華北地區(qū)第二套線路保護(hù)動作；2022 年5 月26 日10時30 分29 秒華北地區(qū)開關(guān)油壓低重合閘閉鎖。程序顯示單個事故發(fā)生流程，發(fā)現(xiàn)故障診斷用時相對較短，僅為9 s。

3.4 相同地點(diǎn)多故障診斷結(jié)果

2022 年7 月15 日9 時20 分10 秒，在狂風(fēng)暴雨等惡劣天氣的影響下，某電網(wǎng)變電站內(nèi)部2 條線路同時出現(xiàn)跳閘現(xiàn)象。其中：雙蘭線A 相出現(xiàn)事故跳閘現(xiàn)象，此時線路2 套保護(hù)動作準(zhǔn)確執(zhí)行，整個重合閘正常啟動，重合達(dá)到成功狀態(tài)；龍鹿線C 相出現(xiàn)事故跳閘現(xiàn)象，線路2 套保護(hù)動作準(zhǔn)確無誤地執(zhí)行，重合閘正常啟動，重合失敗。

程序顯示出現(xiàn)2 個事故：事故1 為典型A 相事故跳閘現(xiàn)象，2 套線路保護(hù)動作準(zhǔn)確執(zhí)行，重合閘正常啟動，處于成功狀態(tài)；事故2 為雙龍變，龍鹿C相出現(xiàn)事故跳閘現(xiàn)象，2 套線路保護(hù)動作準(zhǔn)確無誤地執(zhí)行，重合閘正常啟動，此時重合處于失敗狀態(tài)。整個滑動時間處于2022 年7 月15 日9 時20 分10 秒至2022 年7 月15 日9 時20 分12 秒，故障診斷用時2 s。

4 結(jié) 論

文章從文本挖掘和文本分類2 個環(huán)節(jié)出發(fā)，對電力調(diào)控告警信號進(jìn)行統(tǒng)一化處理，可以實現(xiàn)對電力系統(tǒng)故障問題的快速診斷和處理，無須計算電氣量，無須分析電力系統(tǒng)結(jié)構(gòu)，能很好地滿足現(xiàn)代化電力系統(tǒng)結(jié)構(gòu)多變的處理需求。在告警信號文本預(yù)處理環(huán)節(jié)，通過構(gòu)建本體詞典，可以分詞處理告警信號，并篩選和刪除停用詞。同時，應(yīng)用向量空間模型可以將告警信號與向量空間進(jìn)行一一映射，保證告警信號文本的向量化實現(xiàn)效果。文章所提故障診斷方法主要用到監(jiān)督模型，具有良好的分類效果，對訓(xùn)練故障樣本依賴度較高，有助于電力調(diào)控人員快速有效地診斷和處理電力系統(tǒng)故障。