基于大数据的告警信息处理和故障设备定位技术研究

姚浩，李鹏，郭晓斌，许爱东，蒋愈勇，段刚，杨东

（1. 南方电网科学研究院，广州 510080；2. 北京四方继保自动化股份有限公司，北京 100085）

电力系统故障发生后，巡维中心主站可以从电网运行控制中心（地调）的各主站系统收集到关于故障事件的告警和状态信息，例如SCADA/EMS监控主站、保护和故障信息系统主站、设备状态监测主站、安全生产主站等。这些主站从各自监视和分析的重点出发，对变电站或设备给出状态告警或状态描述。这些信息之间可能是互补的，也可能是冗余的，如何将这些信息归纳总结，定位到可能故障的设备，需要运行人员有相当的专业经验和做大量的分析归纳工作。这在电网事故情况下，往往给运行人员造成很大的工作压力，也难以保证对事故告警判断和处理的正确性[1-4]。

针对上述问题，开发了基于大数据的巡维中心告警信息处理和故障设备定位应用功能。该功能将各主站信息收集至巡维中心一体化信息平台实时库后，根据运行需求，采用数据挖掘技术对信息进行综合分类管理和信号过滤，对变电站的运行状态进行在线实时分析和推理，定位发生故障或出现危险情况的具体设备和故障原因，并给出故障处理指导建议，协助运行人员及时地分析和处理事故。例如，当发生变压器相关的告警时，进一步确定是发生变压器本体故障，还是发生变压器外其他设备的故障，变压器保护仅作为后备保护动作；同样，对于母线保护动作，需要判断故障发生在母线本体上，还是发生在与母线相连的其他设备上，是否有相关的开关或保护装置拒动；对于拒动的装置或开关，其是因为操作电源故障，还是装置本身故障。下面给出实现这一应用功能所需的平台以及基于决策树的故障诊断技术[5-8]。

1 基于大数据的系统支撑平台

巡维中心智能支撑平台自动获取继电保护故障信息系统、SCADA系统数据等主站系统数据，在此之上实现告警信息处理和故障设备定位，并利用移动互联网展示动作报告。建立一二次关联推理信息，基于这些数据进行故障分析，自动完成继电保护装置动作过程的分析评价。采用大数据挖掘的相关技术，对系统中发生故障的类型、快速切除情况、保护动作及重合闸情况以及各类设备缺陷情况进行深入分析，及时发现系统和继电保护存在的隐患，实现继电保护的实时风险辨识与在线评估。

1.1 实时智能支撑平台功能架构

实时智能支撑平台是高级应用分析的基础，是分析的数据来源。平台的整体架构及其和其他系统关系如图1所示。实时智能支撑平台不仅需要利用实时电网拓扑和实时电网状态，开关动作信息、潮流等实时运行数据，而且还需要利用故障信息系统所采集的保护动作信息，故障波形数据，甚至MIS的检修等信息，因此智能平台的数据基础是同时包括电网各种模型，其中主要是一次模型和二次模型的一个全面统一的电网模型。

图1 智能诊断系统整体功能架构Fig. 1 Functional architecture of the intelligent diagnosis system

1.2 电网一次、二次模型的建立和维护

实时智能支撑平台的电网一次模型是基于CIM的可共享EMS系统的电网模型，EMS系统负责电网一次模型的建立，并向整个系统提供一次模型文件发布服务，平台检测到EMS系统发布的电网模型变化通知时，电网模型文件将实现自动更新，形成电网一次模型。一旦EMS系统的电网模型发生变化，EMS将重新发布最新的电网一次模型，重复上述过程，保持平台与EMS系统电网模型的一致性。

CIM模型对二次模型定义无法使用，出于智能数据分析的需要，电网二次设备建模应考虑模型的通用性，应从保护和自动装置的动作原理出发，屏蔽各二次设备厂家的差异，以保证智能保护分析应用的便捷性。二次设备模型应和一次设备模型进行一体化建模，并考虑相应的层次关系，以反映电力系统本来的真实面貌。建立的电网二次模型应能够完整表达实际电力系统保护装置的各种系统参数、定值、控制字、软硬压板等信息。

1.3 大数据存储和数据挖掘

巡维中心从SCADA、故障信息系统等主站收集的不同类别的海量数据，需要采用更高效的存储和处理方法，来实现对告警信息和故障设备的定位。传统数据库产品由于自身的设计缺陷，在扩展性方面、与上层应用集成度、高性能、自动化能力、成本等方面已经很难满足大数据存储、分析以及应用的诸多需求。尤其当前数据的类型丰富程度、容量愈发变大的情况下，并且在高级应用需求日益智能化的趋势下，对于数据的存储与分析的速度和性能要求越来越高，对海量数据的快速、高效存储应该是存储系统的必备要求。

本系统采用数据挖掘技术、分布式计算技术、分布式存储技术，形成基于hadoop大数据技术的数据存储方案，它除了具有传统关系数据库的性能指标外，在对“大数据”的处理方面性能更为突出，具备传统关系库所必备的能力，可以应对未来系统的大数据需求。基于大数据技术存储方案采用分层架构设计。底部为存储与处理支撑层，包括可靠的分布式文件系统、分布式高维数据库HBase、稳定可靠的分布式计算框架MapReduce；中层计算层采用Pig和hive等工具支持传统的数据查询与统计，而由Mahout和R数据统计工具进行大数据挖掘算法；上层为面向电力行业的应用层，支持随机CASE、智能报表、趋势图、检索与统计、故障预测、运行评价等高级应用等功能。上层应用提供通用的或专门的数据挖掘算法或机制，找出海量历史数据之间的潜在联系，自动发现某些不正常的数据分布，暴露运行中的异常变化和各种因素；可以将每一种状态的故障特征提取出来，可以找出问题的内在规律，并能估计某一属性的重要程度，得到分类规则，进而作为调度人员判断电力系统处于何种状态和如何快速做出故障处理和决策的有力工具。

1.4 数据需求

告警信息处理和故障设备定位所依据的数据主要来自于SCADA/EMS和保护故障信息系统。

1.4.1 对保护和故障信息系统的数据需求

从保护和故障信息系统获取的信息应包括二次设备信息、二次设备与一次设备关联信息、保护运行信息、故障录波信息。

1）二次设备信息。二次设备包括：保护装置、录波器。要求保信主站提供二次设备的标示，名称、保护型号。二次设备的名称同时需体现在CIM模型中。

2）二次设备信息与一次设备关联信息。二次设备与一次设备的关联信息包括：保护装置与一次设备的关联关系、录波器与一次设备的关联关系、保护设备之间的关联关系。

3）保护运行信息。保护运行信息，包括模拟量和开关量状态。其中具体包括：①自检及告警信息，包括子站系统本身的异常、所连接二次装置的异常以及子站系统与二次装置之间的通信异常记录。②保护动作信息。③保护的当前定值区号及各区定值。④保护的开关量变位信息。⑤保护装置动作报告。⑥故障录波信息和文件。

1.4.2 对SCADA/EMS需要获取的数据需求

从SCADA/EMS系统获取的信息包括巡维中心所关联变电站的一次设备的参数、所关联的保护设备信息、网络实时拓扑信息、电网状态信息、SOE、平台产生的告警信息等。具体包括：

1）模拟量（遥测）。交流量采集：有功、无功、线电压、相电压、电流、工频频率、功率因数、基波及高次谐波分量等。

变送器采集：直流变送器，直流控制母线电压等。

2）状态量（遥信）。状态量包括开关位置、刀闸位置、保护信号等所有能提供空接点的位置信号。

3）SCADA平台告警系统所做的越限定义（物理限值、报警限值、警告限值、死区、延时）、系统告警和统计。

4）EMS平台高级应用所产生的告警和设备限值信息。

应指出的是这里的“所关联变电站”除巡维中心直接管辖的变电站外，还包括与所管辖变电站直接相连的变电站以及联络线路。对于这些边界变电站和线路也应提供上述四类数据。

2 基于决策树的故障诊断和告警处理

2.1 告警信息的预分类处理

将来自于不同主站的各类告警信息按照关联的设备进行预分类，归属到所属的一次或二次设备。并进一步将归属各设备的告警信息按告警的性质分为时序、提示、告警、事故、变位、检修、操作、未复归等类别。

2.2 故障设备定位决策树

在事件分析过程中，对上述各类告警信息，结合电网状态监测量进行逻辑推理分析，推断出引起设备告警的具体原因，例如是设备本体故障，还是外围设备故障，导致本体设备的保护装置作为后备保护动作。对故障的原因实现精确描述，例如应明确描述故障类型、故障相别、开始时间、持续时间、相关的二次信号类型等信息。图2给出了根据通常的告警信息，以及所要完成的主要的设备故障定位内容。

图2 设备故障定位决策树Fig. 2 Device fault location decision tree

具体分析的设备故障包括：①变压器故障的定位；②母线故障的定位；③开关故障的定位；④线路故障的定位；⑤保护装置故障的定位；⑥量测装置故障的定位；⑦功率越限源定位；⑧电压越限源定位。

2.3 决策树的分析过程

诊断过程以故障线路为入口。目前应用在输电网故障线路定位技术的思路主要有两种：一种是根据故障时的一、二次设备的开关量变位信息对输电网进行故障区域估计，理论上在保护及断路器都正确动作时，可以得到精确的诊断结果，但当一、二次设备动作有不正常动作时往往诊断不出正确结果。

电力系统发生故障后，故障切除的标志是断路器是否跳闸将故障区域隔离开。因此，进行保护及断路器动作性能分析时，应首先对故障线路断路器是否动作进行考察，若动作则说明本线路断路器已将故障切除，接下来只需对本线路各个保护依次考察而不必对本线路以外的保护及断路器进行考察；若本线路断路器未动作，则说明本线路保护或断路器有拒动，这时不仅需要对本线路的保护和断路器依次考察，还得继续考察上一条线路。同样考察上一条线路也是以判断断路器是否动作为起点，重复上述过程，直到确认故障切除为止。

对每一个动作的保护的考察需经过三重判别，分别是“故障是否发生在正方向”、“故障是否在保护范围内”和“是否达到延时时限”，其中对“故障是否发生在正方向”判断可以有效判断出保护是否因方向元件失灵造成误动的情况；对“故障是否发生在保护范围内”的判别以高精度的故障录波数据分析出的故障类型、故障位置以及故障时刻的基波电流电压值为依据，可以有效判断出保护是否因其自身算法精度不够造成误动；对“是否达到延时时限”的判断可以有效判别出保护是否因延时元件失灵而误动的情况。

在确定故障源所在设备后，进一步根据二次装置的其他记录信息，可以分析出是操作电源故障，还是操作装置故障；是插件故障，还是内部逻辑故障，或者是输入的测量数据有问题。故障原因判断的精细程度，取决于可以获取到什么层次的二次设备信号。并对二次设备信号与二次装置和开关的状态进行逻辑建模，从而实现拒动和误动原因的自动判断。

2.4 智能故障报告

传统保信系统中，有部分简单的事故分析功能。在传统保护事件、保护告警信息、录波的基础上，基本都采用了简单的时间规则，即某段时间内同设备的保护事件、保护告警、录波等信息归纳在一起，进行表格化显示。此方法对基础数据时标要求高、规则逻辑固定、不灵活，无法处理开关拒动等问题。

针对这些问题，结合系统实际运行情况，学习保护专家的判别方式，根据时间规则、遥测遥信信息、保护事件信息、录波分析信息、多端信息来进行事故智能分析和综合判断。以平台提供的多源多态数据为基础，对时间同步问题和设备在空间上的拓扑关系进行了预处理，解决了原来对保护类型、时间过多依赖的问题。在进行专家系统的事故智能分析后，系统不仅能提供装置级动作报告，还能提供站级故障报告和电网级故障报告，分析判断故障设备。并对分析结果形成故障简述，自动推送不同人员。

3 应用示例

下面以低压侧母线保护拒动，变压器过流保护动作示例来说明本应用功能模块的实现步骤。当变压器低压侧母线发生短路故障时，若此时发生母线保护拒动，将引起变压器过流保护动作，跳开变压器高低压侧开关，保信装置和SCADA的SOE产生相应的变压器跳三侧开关、变压器低压侧后备保护动作信号。上述信息由实时智能平台的数据挖掘机制从事故后上送到实时数据库的数据中，根据与扰动的时间和与最严重扰动位置拓扑关系的相关性，挑选出对于故障设备定位最有效的信息，发送给决策树推理机模块。该模块通过以下的判断决策步骤给出故障位置和相关故障设备的判断。

1）在检测到变压器低压侧后备保护动作后，先判断该后备保护是变压器自身主保护的后备还是附近元件故障的后备，因此先检查变压器本身的纵差保护是否动作，若没有动作，则可基本判断是变压器附近的装置拒动或开关拒动导致变压器后备保护动作。

2）检查母线所连接线路的电流方向（根据故障期间的录波数据），根据电流的方向判断故障在母线上，还是在距离变压器更远的线路上：当故障电流方向是流向母线时，可判断出故障发生在低压母线上后。

3）检查母差保护是否发出动作信号，若母差保护已发出动作信号，则说明是开关发生拒动，否则是母差保护发生拒动。对于本示例，是母差保护没有发出动作信号，因此可判定是母线差动保护装置出现问题，导致拒动。

4）检查母差保护的是否处于通电工作状态，若不处于工作状态，则可判定为是保护装置的辅助电源出现故障，从而导致母差保护拒动；否则可以判定是母差保护装置本身的软硬件故障导致拒动，继续进行以下分析步骤。

5）检查是否有保护装置功能插件的异常状态告警信号，若有则可以将变压器跳闸原因归结为母差保护的功能插件故障导致母差保护拒动。

6）检查是否有相关线路或开关的电流互感器存在测量错误告警（由专门的量测检验模块实现判断），若有，则可将变压器跳闸原因归结为量测错误导致的母差保护拒动。

7）将母差保护启动值、动作值与实际量测计算值进行比较，判断保护定值是否存在问题。若有，则可将变压器跳闸原因归结为保护定值问题引起的母差保护拒动。

8）由母差装置本体的其他软硬件原因导致的装置拒动，建议用户对现场装置进行更详细的分析。

4 结论

本文给出了实现基于大数据的巡维中心告警信息处理和故障设备定位的系统平台和基于决策树的故障诊断关键技术。通过采用大数据技术实现多数据源、不同类型、长时期海量数据的存储和分析，对故障的特征以及与设备的关联关系实现提取。然后以一二次设备关联关系和网络拓扑关系为基础，采用决策树推理技术实现了以告警事件为触发的故障设备定位。有效利用了海量的多源量测信息，大大降低了运行人员分析判断的工作量，提高了告警信息处理和故障设备诊断的实时性和准确性。

[1] 吴文可，文福拴，薛禹胜，等. 基于多源信息的延时约束加权模糊Petri网故障诊断模型[J]. 电力系统自动化，2013，37（24）：43-53.WU Wenke，WEN Fushuan，XUE Yusheng，et al. A weighted fuzzy petri net based model with time-delay constraints for power system fault diagnosis employing information from multiple sources[J]. Automation of Electric Power Systems，2013，37（24）：43-53（in Chinese）.

[2] 夏可青，陈根军，李力，等.基于多数据源融合的实时电网故障分析及实现[J]. 电力系统自动化，2013，37（24）：81-88.XIA Keqing，CHEN Genjun，LI Li，et al. Real-time analysis of power grid fault based on multi-source information fusion and its application[J]. Automation of Electric Power Systems，2013，37（24）：81-88（in Chinese）.

[3] 白建社，樊波，黄文华，等. 基于决策树的变电站故障诊断知识表示与获取[J]. 电力系统及其自动化学报，2004，16（2）：5-8.BAI Jianshe，FAN Bo，HUANG Wenhua，et al. Knowledge representation and acquisition based on decision tree for substation fault diagnosis[J]. Proceedings of the EPSA，2004，16（2）：5-8（in Chinese）.

[4] 栗然，黎静华，苏立军. 基于粗糙集的改进约简算法和决策树的电网故障诊断模型[J]. 继电器，2005，33（18）：1-5.LI Ran，LI Jinghua，SU Lijun. Application of rough set to build electric power grid fault diagnosis model based on decision tree[J]. Relay，2005，33（18）：1-5（in Chinese）.

[5] 张沛超. 数据挖掘及信息融合技术在电网故障信息系统中的应用[D]. 上海：上海交通大学，2007.

[6] 陈春，王业平，崔毅敏，等. 电网故障信息系统中的故障分析与判断[J]. 电力系统自动化，2011，35（19）：97-100.CHEN CHUN，WANG Yeping，CUI Yimin，et al. Fault information analysis and judgment of power grid fault information system[J]. Automation of Electric Power Systems，2011，35（19）：97-100（in Chinese）.

[7] 聂倩雯，高玮. 基于关联规则数据挖掘技术的电网故障诊断[J]. 电力系统保护与控制，2009，37（9）：8-14.NIE Qianwen，GAO Wei. A power network fault diagnosis method based on data mining association rules[J]. Power System Protection and Control，2009，37（9）：8-14（in Chinese）.

[8] 曲朝阳，陈帅，杨帆. 基于云计算技术的电力大数据预处理属性约简方法[J]. 电力系统自动化，2014，38（8）：67-71.QU Zhaoyang，CHEN Shuai，YANG Fan，et al. An attribute reducing method for electric power big data preprocessing based on cloud computing technology[J]. Automation of Electric Power Systems，2014，38（8）：67-71 （in Chinese）.