基于數據挖掘的變電站監控后臺告警信號自動分析

曹中來

[摘 要]隨著變電站設備裝備水平的提高，以及監控自動化技術的發展與應用，變電站的自動化程度也越來越高，信息量及種類也在不斷增加，需要新的技術方法來改進監控后臺。目前，可以在變電站的監控后臺應用數據挖掘技術，進行告警信號的自動分析，主要是使用關聯性挖掘算法和增量式挖掘算法，按照故障發生概率大小對告警信號顯示的故障節點進行排序。本文在對告警信號的數據挖掘進行分析的基礎上，還研究了智能變電站智能告警的研究基礎，探討了變電站監控后臺智能告警功能的實現。

[關鍵詞]數據挖掘；告警信號；自動分析；變電站；監控后臺

doi：10.3969/j.issn.1673 - 0194.2017.20.029

[中圖分類號]TM63；TP311.13 [文獻標識碼]A [文章編號]1673-0194（2017）20-00-02

0 引 言

當前變電站的信息量隨著自動化程度的提升大量增加，對變電站后臺監控系統的要求也越來越高，主要體現在告警信息的處理能力方面。目前，變電站監控后臺存在的主要問題是對豐富的信息量缺乏進一步的加工處理，監控平臺采集到各種模擬量、開關量信息后，只是簡單地按照時間順序進行顯示，沒有做更進一步的分析判斷。如果僅僅依靠值班人員進行告警是遠遠不夠的，不容易抓到重點，還容易遺漏重要的告警信號，因此必須應用新的技術方法進行改進。

1 告警信號的數據挖掘

目前，告警信號的報警儀上僅僅是隨意羅列出故障節點，值班人員如果僅憑著自己的經驗技術去判斷故障節點，查看故障原因是遠遠不夠的，也降低了監控平臺值班人員的工作效率。而基于數據挖掘的告警信號自動分析主要是在監控后臺的告警信號的報警儀上能夠顯示完整的告警信號回路節點，以及依據故障發生的概率，并對故障節點進行排序，這樣當值班人員點擊報警儀時，能夠按照故障大小排列的順序很快地排查到故障點，并及時做出處理，很大程度上避免故障誤判，如果處理不及時，則會導致故障嚴重化。

2 智能變電站智能告警的研究基礎

2.1 關聯性數據挖掘FP_growth算法

關聯性數據挖掘FP_growth是基于Apriori算法，能在不生成候選項的情況下提高該算法的效率。最早該算法應用在傳統零售行業的購物籃分析中，應用在告警信號自動分析中的核心思想是能夠通過頻繁項集的分析和處理，發現生產系統檢修記錄當中后臺數據庫的大量告警信號和故障節點之間的關聯性強度，即找到同時出現在檢修記錄中的告警信號和故障節點，然后把故障節點設置為優先提醒，即對告警信息進行排序。這種算法最大優勢就是構造了一個FP_tree的數據結構，將原先的數據庫進行了高度壓縮而不產生候選集，節省了時間和空間。算法如下。

設生產管理系統數據庫檢修數據為一個集合I={I1，I2.I3…，In}。

（2）將監控后臺的告警信號及回路中的故障節點設為事務集T，為I的子集，其中的告警信號及故障節點為唯一標志TID。

（3）設置一個集合X，其有以下關聯規則：當告警信號出現時，故障節點也會以一定的概率出現。本算法就是在T中挖掘出X，主要有兩個衡量標準：置信度，是同時包含告警信號和故障節點的集合數與包含告警信號的集合數之比，即條件概率P；支持度，是同時包含告警信號和故障節點的集合數與總集合數之比。本課題中的P主要是表示告警信號報警時每個故障節點出現的概率大小。

（4）在上述關聯規則中，強關聯規表示支持度大于最小支持度，置信度大于最小置信度，關聯性挖掘即在集合中找到以上強關聯規則，相互之間沒有關聯的告警信號、告警信號與故障節點，都不會被挖掘出來。

（5）實現過程是首先挖掘出每個設備廠家在檢修記錄中告警信號對應的故障節點，并寫入FP_tree，再設置支持度，挖掘出和告警信號同時出現在檢修記錄中的故障節點，并通過置信度進行故障節點排序。

2.2 增量式挖掘FSPM-FP算法

盡管FP-growth算法能夠使用強關聯規則對信息進行可靠排序，但由于電網每天會寫入新的檢修數據，因此可能會改變生產管理系統中的關聯性原則，因此可以使用增量式挖掘FSPM-FP算法對新增的檢修數據進行分析處理，充分利用最初構建的FP_tree，在此基礎上分析是否需要重構，再更新挖掘效果，進一步提升數據挖掘的效率。關聯規則的變化主要有以下3種。

（1）加入新數據之后沒有新增的告警信號和故障節點，只是原來的信息數量增加，因此可以不用改變FP-tree，可以在原來的節點上增加計數值，避免了再次遍歷數據庫，提升挖掘效率。

（2）加入新數據之后沒有新增節點，但引起了項頭表中各個節點排序的變化，因此這種要在FP_tree中從根節點開始查找調換節點位置，重新構建結構進行關聯性挖掘。

（3）加入新數據后產生了新的故障節點，這種情況可能會使關聯規則發生變化，因此首先要將新的故障節點插入FP_tree的地步，再從根節點自上而下地調整新節點的位置，重新構建結構后再進行關聯性挖掘。

在上述變化中，后兩種情況出現的概率較小，FSPM-FP算法一般情況下都無需重構FP-tree，算法的效率優勢更加明顯，可以和FP-growth算法相輔相成，找出新增數據而改變的關聯規則，很好地應用在電網的運行過程中，極大地提升了數據挖掘的效率，也和實際的故障節點發生可能性的排序更加接近。

3 變電站監控后臺智能告警功能的實現

3.1 智能告警系統知識庫

系統知識庫是指存放實現系統功能知識的地方，智能告警系統的問題解決步驟主要體現在系統利用知識庫中的知識模擬專業人員的思維方式進行分析解答。知識庫和智能告警系統的程度相互獨立，又相互聯系。系統性能可以通過改變以及完善知識庫中的知識內容進行提升，系統可以對知識庫的界面進行維護和完善。endprint

3.2 智能告警系統的推理方案

智能告警系統主要應用了人工智能推理機技術，推理機通過采集問題的條件和已知的數據信息，在知識庫中需找與之對應的規則，從而得出結論，推理出問題的求解結果。推理方式一般存在正向和反向推理兩種，正向推理是指通過條件匹配得到結果，反向推理是指在推理之前設定一個結論是成立的，然后檢驗它的條件能不能得到滿足。推理機通過模仿專業人員的思維方式，實現知識庫的具體價值。除此之外，告警系統還可以自主獲取知識，對知識庫進行擴充和完善，提升其功能。

常見的智能告警系統的推理種類有3種：單事件推理、關聯多事件推理、故障智能推理。

單事件推理是指根據單個告警信息數據進行推理，并得出告警信息的位置、原因、維修建議。自動化系統通過對各個告警信號與知識庫中已經存在的告警信號進行對比關聯，對各個告警信號進行分類，并生成邏輯判斷關系。工作人員可以對推理判斷進行干預，定義其關聯關系。在推理過程中，會根據告警信號的種類、重要程度、關聯程度等信息，進行推理，得出結論。

關聯多事件推理是基于多個關聯時間綜合判斷的推理邏輯，在單位時間內，設備一旦連續發出多個故障告警信號，且這些信號之間存在關聯，則把這些信號稱作一個綜合事件，推理機要根據該綜合事件的邏輯關系，判斷設備發生故障的種類和原因，并相應地給出處理建議。常見的綜合事件推理方法有兩種：窮舉法和模糊推理法。窮舉法是指，通過對該事件的組合推理得出該事件的信息，該方法準確度高，可以避免誤遙信號的干擾，但是適應性較差，會因為變電站設備構造復雜導致推理出現偏差。模糊推理法是將一個設備上的數個事件進行推理，并得出相應的異常事件報告，忽略異常事件個數。該方法的準確度略低，但是適應性較高，可以在不同信號和構造的設備上進行推理。智能告警系統中，綜合了這兩種方法的使用，提高了系統的靈活性和準確性。

故障智能推理是指，將變電站常見故障類型觸發的關鍵條件進行采集，并通過參考接線方式、開關變位、遙測量、運行方式及時序等數據信息進行拓撲技術的綜合推理，得出關于設備故障的類型、范圍及處理辦法等。

4 結 語

隨著電力系統技術的逐漸提升和完善，變電站以及相應的供電公司主要以增效減人、降低成本為目標進行生產和發展。變電站的值班無人化、遠程化是未來發展的主趨勢。值班無人化要求變電站的所有運行數據都上傳到數據終端中心，數據量巨大，信號動作繁雜，一旦變電站出現故障，有可能因為處理不及時造成更大的損失。通過對智能告警系統的闡述得知，該系統可以自行采取故障告警信息，為相關工作人員提供故障判斷和故障處理建議，有效提高整個電力系統的穩定性，保障電網正常運行。

主要參考文獻

[1]宋凱，劉潤華，康忠健.基于混合數據挖掘方法的配電網故障診斷技術[J].電力科學與技術學報，2010（2）.

[2]陶曉云.變電站典型光字牌的分析及處理方法[J].建筑工程技術與設計，2015（20）.

[3]耿亮，吳燕，孟憲楠.電力數據挖掘在電網內部及各領域間的應用[C]//2013電力行業信息化年會論文集，2013.

[4]朱文灝，郭其一.應用于智能電網故障檢測的關聯規則挖掘算法優化[J].電工電氣，2015（3）.

[5]姚浩，李鵬，郭曉斌，等.基于大數據的告警信息處理和故障設備定位技術研究[J].電網與清潔能源，2014（12）.endprint