基于大數據背景的集中監控輔助決策系統研究

李 英，錢建國，方 響，楊 翾，董 航，楊興超

（1.國網浙江省電力有限公司，杭州 310007；2.國網浙江省電力有限公司杭州供電公司，杭州 310009）

0 引言

在電網的日常運行中，調度機構按監控范圍開展電網監控工作，對電網的運行情況進行監督和控制。隨著堅強智能電網的快速建設發展，電網網架規模不斷擴大，變電站數量持續增加，變電設備數量和監控告警信息量呈指數型增長，電網監控的安全壓力和工作要求與日俱增。

傳統集中監控工作內容主要包括監控信息管理、變電站集中監控許可管理、集中監控缺陷管理、監控運行分析評價、輸變電在線監測及輔助監視系統分析等內容。其中，監控信息管理作為聯系調度機構與現場運行設備的重要樞紐，是監控工作高效開展的基礎支撐。根據2018 年集中監控變電站信息數據統計，一個典型220 kV 變電站納入集中監控的遙信點數為2 437 個，110 kV 變電站納入點數為1 168 個。隨著電網規模的不斷擴大，目前的集中監控人力資源配置已無法適應每年呈指數型增長的監控信息上漲情況，海量的告警信息給電網帶來了風險和隱患。監控目標點多面廣、監控模式被動滯后、監控業務繁瑣復雜、監控人員配置不足、監控數據缺乏挖掘等諸多問題一一凸顯。

傳統集中監控工作缺乏創新，總結為兩方面問題。一方面，傳統的集中監控運行管控體系難以滿足精益求精的監控管理需求，與飛速增長的監控工作量及高效優質的工作要求之間的矛盾日益突出。另一方面，傳統的集中監控運行管控體系難以跟上日新月異的監控技術發展。蓬勃發展的大數據技術對集中監控工作的模式方法帶來極大改變，如何借助新技術整合數據資源、打通數據通道，實現共享監控分析成果的監控工作轉型升級成為亟需解決的問題。

本文針對當前調控各類信息數據利用率低、缺乏有效關聯對接等問題，開展了電網集中監控信息分析研究與實踐[1]，利用變電站監控信息、典型缺陷記錄，結合PMS（生產管理系統），OMS（調度生產管理系統）等系統臺賬及氣象環境、在線監測等構建現場運行設備狀態感知畫像，充分喚醒調控海量沉睡數據，從時間、空間、類型、設備等多個維度對監控信息數據進行關聯分析，深入挖掘，建立以數據浸透為特征的集中監控輔助決策系統，大幅提升電網監控工作的廣度、深度和準度，強化監控安全管控能力，有力保障了電網的安全穩定運行。

1 集中監控輔助決策系統

1.1 系統流程簡介

集中監控輔助決策系統的信息數據來源為調度Ⅲ區中的各類監控信息數據[1]，主要為調度Ⅲ區中的電網運行數據、監控告警信息、生產流程信息、設備在線監測數據、環境氣象信息等多種數據源。該系統首先將調度Ⅲ區中獲取的實時監控告警信息進行標簽化分類，為每條監控告警信息制定特性標簽，再結合生產流程信息、在線監測數據、環境氣象信息等其他數據源進行標簽正確性輔助核查和判斷，在完成對監控告警信息的數據化核查后，利用灰色神經網絡模型算法，形成告警信息對應運行設備的狀態感知畫像，并借助基于設備狀態感知技術研發的可視化平臺，實現對現場實際運行設備狀態的實時實景全方位把控。該系統技術工作環節流程如圖1 所示。

圖1 集中監控輔助決策系統技術工作環節流程

1.2 標簽化分類

1.2.1 標簽化分類實現原理

集中監控工作的業務核心在于告警信號的處置，監控信息標簽化分類環節通過Markov 算法將按固定詞序排列的長序告警詞條分斷轉化為按時間、設備、狀態、類型分類的獨立分詞結構[2-3]；再通過基于密度的DBSCAN 聚類算法完成對監控信息的通用序列匹配[4-5]，完成對監控告警信息的打標簽及按標簽歸類工作，算法流程及應用實例如圖2 所示。

圖2 標簽化分類環節的算法流程及實例

1.2.2 長序告警詞條分斷技術

監控告警信息是一種按電網調度規則固定組成的長序詞條，根據典型監控告警信息的詞條分斷拆解，單個長序詞條可以被分為信號發生時間、信號發生變電站、設備對應狀態、信號所屬故障四部分，對應本體告警信號的有意義實詞詞性為六類：m（時間詞）、s（地點詞）、n（名詞）、qn（帶修飾的名詞）、u（數詞）、v（屬性詞）。其中信號內容為非結構化中文短文本，并包含信號中的大部分信息。集中監控過程中的告警信號典型本體詞典示例如表1 所示。

表1 本體詞典示例

中文長詞條中間缺少對分詞的明顯分隔符號，一般需依靠人為斷句進行分界點判別，因此分詞間斷點判別成為了文本處理的關鍵一步。基于線性相關序列的Markov 算法可以有效對該類長詞條中文信號進行分詞[6-7]。

首先根據相關電網規程構建一套經典詞庫，包含本地變電站名稱、電壓等級、常見告警信息，提取長詞條監控信號中的經典詞，與空間向量建立映射關系，假設長詞條中包含中有n個經典詞庫收錄短詞，將它們按順序編號為1，2，…，n。n維空間向量可表示為：

通過告警信號文本向量化，建立空間向量模型。對于告警信息的中文文本信息處理，采用語義框架槽填充的方法實現文本挖掘[8]；運用Space Vector 探索了告警信息中文文本的挖掘方法[9]。

1.2.3 監控信息聚類技術

本系統在建設期間提出了一種基于密度的DBSCAN 聚類方法[10-12]。基于對長詞條監控信息進行了統一分詞，故每個監控信號Ti，j的內容可表示為Toti向量。設經典詞數為n，通用告警信號最大個數為Toti，則每個告警事件Ti的事件向量Pi可表示為：

其中Pi，k∈R1×（n+1）（1≤k≤Toti），可表示為：

式中：pi，k，t（1≤t≤n）為經典詞出現次數；placei，k為地點標識。

定義事件向量Px與事件向量Py的距離為Dis（x，y），則：

其中，有效信息向量Si相似度的計算方法為：

基于以上公式，可以完成系統對原始監控信息的預處理，獲得相關通用監控信息序列，實現將新上傳的監控信息與系統構建的應用層多元數據庫進行信息聚類匹配，加快系統監控信息分析的響應速度[13]。

經過預處理后的監控信息已經形成通用監控信息序列，但在聚類維度上僅包含相似度、頻度兩大特性。根據實際調控工作經驗可知，人工監控信息的判斷還應在很大程度上依賴于最近發生的信息以及在某段時間內發生的告警信息的總嚴重程度。因此，本文結合了RFM 模型算法來實現對預處理后信息序列的半監督聚類加工處理，增加監控告警信息的聚類維度至相似度、頻度、總嚴重程度、最近一次告警時間，加強聚類結果的穩定性。

1.3 數據化核查

1.3.1 數據化核查必要性分析

標簽化分類環節已完成對文本類監控告警信息的信息形式轉換及歸類，但由于不同類型監控信息在告警形式上存在一定的差別，在分類處理過程中可能存在標簽錯誤、序列匹配錯誤等問題；同時，標簽化分類僅用于處理單條信息，對于一定時間段內同一變電站或相近變電站的多條信息缺乏有效關聯手段。因此，有必要利用其他不同源的信息數據對標簽化分類過程進行核查，并將一定時間段內的標簽化信息進行關聯處置。

1.3.2 RFM 測評技術

針對1.3.1 節中提出的標簽化分類環節對一定時間段內的多條信息、對同一廠站發出的不同設備的告警信息等缺乏關聯的問題，本文通過構建監控信息RFM 模型[14-15]，將1.2 節中經過處理的向量式監控告警信息序列進行再加工，以關聯分析、時序分析，頻度分析等手段，確認告警信息相關品質屬性、關系屬性和狀態屬性，該技術的實現流程如圖3 所示。

RFM 模型是以近度、頻度、價值度3 個指標進行對象價值研究的經典模型。對于告警信息的近度測評，本文認為某變電站下一次出現告警信息概率和上一次出現的狀態有關，因此該變電站信息告警狀態轉移行為符合馬爾科夫鏈假設，近度測評可以通過馬爾科夫鏈來進行關聯性分析[16]，即該變電站的信息告警狀態轉移概率為：

對于告警信息的頻度測評，本文認為告警信息的出現頻率服從泊松分布，即認為告警信息在特定時間段或空間中發生的次數滿足以下兩個條件：一是在任意兩個長短相等的區間上，某變電站告警信息出現的概率是相同的；二是某變電站告警信息在任意區間上是否發生與該變電站告警信息在其他區間上是否發生獨立。通過以上基于時序和頻度的分析，可以得出某變電站告警信息的發生頻率為：

關于告警信息的價值度測評，在1.2.3 節中對告警信息進行文本聚類分析時已可以確定該告警信息的所屬分類及其價值度。基于以上三個維度對告警信息進行打分處理后，再使用K-Means算法進行聚類，可以最終確定哪些變電站的告警信息是正常信號不需重點關注，哪些變電站的告警信息是異常信號需立刻關注，以及哪些變電站的告警信息可能存在異常需進一步核查確定。

1.4 設備狀態感知

1.4.1 模擬畫像技術簡介

畫像技術目前主要應用于刑偵、心理等領域，通過對目標人物進行調查研究，獲取人物的心理特性及特點，預測其生活習慣及下一步動向。本系統通過將1.2 及1.3 中獲取的告警信息特征進行進一步轉化，獲取目標設備“心理特征”，預測其運行狀態及是否需要進一步檢查處理。

目前該技術定義的設備心理特征畫像類型主要為3 類：

（1）沉默休眠型

根據《地區電力系統調度控制管理規程》規定，變電站應定期切換告警信息上送通道，在站內設備進行定期切換時將有相應告警信息上送，若該站長期無告警信號，表明該變電站極有可能存在通信、遠動、網絡等方面的問題，存在極大安全隱患。

（2）倔強頑固型

按缺陷等級對應不同的消缺時限，該設備缺陷長期難以消除，甚至可能存在家族性隱患缺陷，存在極大安全隱患。

（3）熱情頻發型

監控工作中出現的四類告警信息應能正確反映設備運行狀況，頻發告警信息對監控日常監視造成極大干擾，也不能正確反映設備的運行狀況，通過設立每日動作/復歸頻次大于10 次的告警信號為頻發型信號。

1.4.2 可視化平臺架構

本文在基于設備狀態感知技術實現對電網集中監控設備狀態全過程管控的基礎上，研發了一套可視化監控平臺。通過獲取調控SCADA（數據采集與監視控制系統）、EMS（能量管理系統）、WAMS（廣域監測系統）等生產管理系統實時及離線數據，構建信息管理數據庫來實現對實時、歷史、管理數據的同步處理，同時可以實現信息數據圖形監控展示的功能，實現對設備的全方位可視化監控[17]。可視化平臺總體架構如圖4 所示。

圖3 RFM 測評技術實現流程

圖4 可視化平臺總體架構

1.4.3 設備狀態感知平臺介紹

目前，設備狀態感知平臺已研發完成并上線，該平臺功能主要包括運行分析、全景展示、運行檢索、趨勢預警、信息管控。其中，運行分析和全景展示即主要對應1.4.1 節中所述的三類特征畫像類型設備的狀態分析及查詢；運行檢索可以對所有標簽化告警信息進行檢索查詢；趨勢預警可以對平臺感知到有可能存在風險隱患的變電站或設備進行運行狀態預測；信息管控為對原始監控告警信息在本系統及本平臺中的處理全過程進行節點查詢。該系統的順利上線與應用為集中監控設備管理確立了牢固架構，為監控設備狀態感知的實踐提供了有力的技術保障。

2 平臺應用實例

在電網故障跳閘處置過程中，可視化平臺通過將故障期間的告警信息按重要程度進行標簽化排序，并通過復核手段短時折疊屏蔽不相關/非重要告警信息，幫助監控員深度分析故障發生的前后因素和邏輯順序，包括監控信息是否漏誤、斷路器重合是否成功、保護動作是否正確、潮流負荷是否合理等多項內容，快速生成設備跳閘分析事件報告（如圖5 所示），為準確判斷故障情況和實現故障快速處置提供輔助決策[18]。同時，平臺周期性的設備故障統計可得出發生多次故障的線路、電容器等，為后續設備檢修運維提供支撐。

在對異常信息處置中，可視化平臺不僅在源頭上加強監控信息編制、接入、驗收和分析評價，提高變電站監控信息完整性、準確性和規范化程度，而且突破傳統異常信息處置范疇，將異常信息的處置事件化，為異常信息自動打上標簽（如圖6 所示），關聯相關告警信息，提示該類別信息近期發生頻次，為監控員快速處置異常信息提供數據支撐。

3 結語

集中監控設備狀態感知技術及其可視化應用平臺是基于電網調控云平臺的一款成熟應用，實現電網監控業務全流程與大數據分析、云計算技術的成功融合，構建數據浸透型全過程監控新體系，打造由調控云平臺支撐的監控新模式，助推設備監控專業全方位提升。

系統投入運行以來大幅提升電網監控工作效率和效果，延長變電站設備使用壽命，降低運維檢修成本。有效提升電網設備運行管控水平，強化保障電網安全穩定，尤其是強降雨、臺風期和迎峰度夏期間的電網運行安全，避免發生大面積停電事件，提升供電服務可靠性。

圖5 設備跳閘事件分析報告

圖6 異常信息分析報告