基于大数据背景的集中监控辅助决策系统研究

李 英，钱建国，方 响，杨 翾，董 航，杨兴超

（1.国网浙江省电力有限公司，杭州 310007；2.国网浙江省电力有限公司杭州供电公司，杭州 310009）

0 引言

在电网的日常运行中，调度机构按监控范围开展电网监控工作，对电网的运行情况进行监督和控制。随着坚强智能电网的快速建设发展，电网网架规模不断扩大，变电站数量持续增加，变电设备数量和监控告警信息量呈指数型增长，电网监控的安全压力和工作要求与日俱增。

传统集中监控工作内容主要包括监控信息管理、变电站集中监控许可管理、集中监控缺陷管理、监控运行分析评价、输变电在线监测及辅助监视系统分析等内容。其中，监控信息管理作为联系调度机构与现场运行设备的重要枢纽，是监控工作高效开展的基础支撑。根据2018 年集中监控变电站信息数据统计，一个典型220 kV 变电站纳入集中监控的遥信点数为2 437 个，110 kV 变电站纳入点数为1 168 个。随着电网规模的不断扩大，目前的集中监控人力资源配置已无法适应每年呈指数型增长的监控信息上涨情况，海量的告警信息给电网带来了风险和隐患。监控目标点多面广、监控模式被动滞后、监控业务繁琐复杂、监控人员配置不足、监控数据缺乏挖掘等诸多问题一一凸显。

传统集中监控工作缺乏创新，总结为两方面问题。一方面，传统的集中监控运行管控体系难以满足精益求精的监控管理需求，与飞速增长的监控工作量及高效优质的工作要求之间的矛盾日益突出。另一方面，传统的集中监控运行管控体系难以跟上日新月异的监控技术发展。蓬勃发展的大数据技术对集中监控工作的模式方法带来极大改变，如何借助新技术整合数据资源、打通数据通道，实现共享监控分析成果的监控工作转型升级成为亟需解决的问题。

本文针对当前调控各类信息数据利用率低、缺乏有效关联对接等问题，开展了电网集中监控信息分析研究与实践[1]，利用变电站监控信息、典型缺陷记录，结合PMS（生产管理系统），OMS（调度生产管理系统）等系统台账及气象环境、在线监测等构建现场运行设备状态感知画像，充分唤醒调控海量沉睡数据，从时间、空间、类型、设备等多个维度对监控信息数据进行关联分析，深入挖掘，建立以数据浸透为特征的集中监控辅助决策系统，大幅提升电网监控工作的广度、深度和准度，强化监控安全管控能力，有力保障了电网的安全稳定运行。

1 集中监控辅助决策系统

1.1 系统流程简介

集中监控辅助决策系统的信息数据来源为调度Ⅲ区中的各类监控信息数据[1]，主要为调度Ⅲ区中的电网运行数据、监控告警信息、生产流程信息、设备在线监测数据、环境气象信息等多种数据源。该系统首先将调度Ⅲ区中获取的实时监控告警信息进行标签化分类，为每条监控告警信息制定特性标签，再结合生产流程信息、在线监测数据、环境气象信息等其他数据源进行标签正确性辅助核查和判断，在完成对监控告警信息的数据化核查后，利用灰色神经网络模型算法，形成告警信息对应运行设备的状态感知画像，并借助基于设备状态感知技术研发的可视化平台，实现对现场实际运行设备状态的实时实景全方位把控。该系统技术工作环节流程如图1 所示。

图1 集中监控辅助决策系统技术工作环节流程

1.2 标签化分类

1.2.1 标签化分类实现原理

集中监控工作的业务核心在于告警信号的处置，监控信息标签化分类环节通过Markov 算法将按固定词序排列的长序告警词条分断转化为按时间、设备、状态、类型分类的独立分词结构[2-3]；再通过基于密度的DBSCAN 聚类算法完成对监控信息的通用序列匹配[4-5]，完成对监控告警信息的打标签及按标签归类工作，算法流程及应用实例如图2 所示。

图2 标签化分类环节的算法流程及实例

1.2.2 长序告警词条分断技术

监控告警信息是一种按电网调度规则固定组成的长序词条，根据典型监控告警信息的词条分断拆解，单个长序词条可以被分为信号发生时间、信号发生变电站、设备对应状态、信号所属故障四部分，对应本体告警信号的有意义实词词性为六类：m（时间词）、s（地点词）、n（名词）、qn（带修饰的名词）、u（数词）、v（属性词）。其中信号内容为非结构化中文短文本，并包含信号中的大部分信息。集中监控过程中的告警信号典型本体词典示例如表1 所示。

表1 本体词典示例

中文长词条中间缺少对分词的明显分隔符号，一般需依靠人为断句进行分界点判别，因此分词间断点判别成为了文本处理的关键一步。基于线性相关序列的Markov 算法可以有效对该类长词条中文信号进行分词[6-7]。

首先根据相关电网规程构建一套经典词库，包含本地变电站名称、电压等级、常见告警信息，提取长词条监控信号中的经典词，与空间向量建立映射关系，假设长词条中包含中有n个经典词库收录短词，将它们按顺序编号为1，2，…，n。n维空间向量可表示为：

通过告警信号文本向量化，建立空间向量模型。对于告警信息的中文文本信息处理，采用语义框架槽填充的方法实现文本挖掘[8]；运用Space Vector 探索了告警信息中文文本的挖掘方法[9]。

1.2.3 监控信息聚类技术

本系统在建设期间提出了一种基于密度的DBSCAN 聚类方法[10-12]。基于对长词条监控信息进行了统一分词，故每个监控信号Ti，j的内容可表示为Toti向量。设经典词数为n，通用告警信号最大个数为Toti，则每个告警事件Ti的事件向量Pi可表示为：

其中Pi，k∈R1×（n+1）（1≤k≤Toti），可表示为：

式中：pi，k，t（1≤t≤n）为经典词出现次数；placei，k为地点标识。

定义事件向量Px与事件向量Py的距离为Dis（x，y），则：

其中，有效信息向量Si相似度的计算方法为：

基于以上公式，可以完成系统对原始监控信息的预处理，获得相关通用监控信息序列，实现将新上传的监控信息与系统构建的应用层多元数据库进行信息聚类匹配，加快系统监控信息分析的响应速度[13]。

经过预处理后的监控信息已经形成通用监控信息序列，但在聚类维度上仅包含相似度、频度两大特性。根据实际调控工作经验可知，人工监控信息的判断还应在很大程度上依赖于最近发生的信息以及在某段时间内发生的告警信息的总严重程度。因此，本文结合了RFM 模型算法来实现对预处理后信息序列的半监督聚类加工处理，增加监控告警信息的聚类维度至相似度、频度、总严重程度、最近一次告警时间，加强聚类结果的稳定性。

1.3 数据化核查

1.3.1 数据化核查必要性分析

标签化分类环节已完成对文本类监控告警信息的信息形式转换及归类，但由于不同类型监控信息在告警形式上存在一定的差别，在分类处理过程中可能存在标签错误、序列匹配错误等问题；同时，标签化分类仅用于处理单条信息，对于一定时间段内同一变电站或相近变电站的多条信息缺乏有效关联手段。因此，有必要利用其他不同源的信息数据对标签化分类过程进行核查，并将一定时间段内的标签化信息进行关联处置。

1.3.2 RFM 测评技术

针对1.3.1 节中提出的标签化分类环节对一定时间段内的多条信息、对同一厂站发出的不同设备的告警信息等缺乏关联的问题，本文通过构建监控信息RFM 模型[14-15]，将1.2 节中经过处理的向量式监控告警信息序列进行再加工，以关联分析、时序分析，频度分析等手段，确认告警信息相关品质属性、关系属性和状态属性，该技术的实现流程如图3 所示。

RFM 模型是以近度、频度、价值度3 个指标进行对象价值研究的经典模型。对于告警信息的近度测评，本文认为某变电站下一次出现告警信息概率和上一次出现的状态有关，因此该变电站信息告警状态转移行为符合马尔科夫链假设，近度测评可以通过马尔科夫链来进行关联性分析[16]，即该变电站的信息告警状态转移概率为：

对于告警信息的频度测评，本文认为告警信息的出现频率服从泊松分布，即认为告警信息在特定时间段或空间中发生的次数满足以下两个条件：一是在任意两个长短相等的区间上，某变电站告警信息出现的概率是相同的；二是某变电站告警信息在任意区间上是否发生与该变电站告警信息在其他区间上是否发生独立。通过以上基于时序和频度的分析，可以得出某变电站告警信息的发生频率为：

关于告警信息的价值度测评，在1.2.3 节中对告警信息进行文本聚类分析时已可以确定该告警信息的所属分类及其价值度。基于以上三个维度对告警信息进行打分处理后，再使用K-Means算法进行聚类，可以最终确定哪些变电站的告警信息是正常信号不需重点关注，哪些变电站的告警信息是异常信号需立刻关注，以及哪些变电站的告警信息可能存在异常需进一步核查确定。

1.4 设备状态感知

1.4.1 模拟画像技术简介

画像技术目前主要应用于刑侦、心理等领域，通过对目标人物进行调查研究，获取人物的心理特性及特点，预测其生活习惯及下一步动向。本系统通过将1.2 及1.3 中获取的告警信息特征进行进一步转化，获取目标设备“心理特征”，预测其运行状态及是否需要进一步检查处理。

目前该技术定义的设备心理特征画像类型主要为3 类：

（1）沉默休眠型

根据《地区电力系统调度控制管理规程》规定，变电站应定期切换告警信息上送通道，在站内设备进行定期切换时将有相应告警信息上送，若该站长期无告警信号，表明该变电站极有可能存在通信、远动、网络等方面的问题，存在极大安全隐患。

（2）倔强顽固型

按缺陷等级对应不同的消缺时限，该设备缺陷长期难以消除，甚至可能存在家族性隐患缺陷，存在极大安全隐患。

（3）热情频发型

监控工作中出现的四类告警信息应能正确反映设备运行状况，频发告警信息对监控日常监视造成极大干扰，也不能正确反映设备的运行状况，通过设立每日动作/复归频次大于10 次的告警信号为频发型信号。

1.4.2 可视化平台架构

本文在基于设备状态感知技术实现对电网集中监控设备状态全过程管控的基础上，研发了一套可视化监控平台。通过获取调控SCADA（数据采集与监视控制系统）、EMS（能量管理系统）、WAMS（广域监测系统）等生产管理系统实时及离线数据，构建信息管理数据库来实现对实时、历史、管理数据的同步处理，同时可以实现信息数据图形监控展示的功能，实现对设备的全方位可视化监控[17]。可视化平台总体架构如图4 所示。

图3 RFM 测评技术实现流程

图4 可视化平台总体架构

1.4.3 设备状态感知平台介绍

目前，设备状态感知平台已研发完成并上线，该平台功能主要包括运行分析、全景展示、运行检索、趋势预警、信息管控。其中，运行分析和全景展示即主要对应1.4.1 节中所述的三类特征画像类型设备的状态分析及查询；运行检索可以对所有标签化告警信息进行检索查询；趋势预警可以对平台感知到有可能存在风险隐患的变电站或设备进行运行状态预测；信息管控为对原始监控告警信息在本系统及本平台中的处理全过程进行节点查询。该系统的顺利上线与应用为集中监控设备管理确立了牢固架构，为监控设备状态感知的实践提供了有力的技术保障。

2 平台应用实例

在电网故障跳闸处置过程中，可视化平台通过将故障期间的告警信息按重要程度进行标签化排序，并通过复核手段短时折叠屏蔽不相关/非重要告警信息，帮助监控员深度分析故障发生的前后因素和逻辑顺序，包括监控信息是否漏误、断路器重合是否成功、保护动作是否正确、潮流负荷是否合理等多项内容，快速生成设备跳闸分析事件报告（如图5 所示），为准确判断故障情况和实现故障快速处置提供辅助决策[18]。同时，平台周期性的设备故障统计可得出发生多次故障的线路、电容器等，为后续设备检修运维提供支撑。

在对异常信息处置中，可视化平台不仅在源头上加强监控信息编制、接入、验收和分析评价，提高变电站监控信息完整性、准确性和规范化程度，而且突破传统异常信息处置范畴，将异常信息的处置事件化，为异常信息自动打上标签（如图6 所示），关联相关告警信息，提示该类别信息近期发生频次，为监控员快速处置异常信息提供数据支撑。

3 结语

集中监控设备状态感知技术及其可视化应用平台是基于电网调控云平台的一款成熟应用，实现电网监控业务全流程与大数据分析、云计算技术的成功融合，构建数据浸透型全过程监控新体系，打造由调控云平台支撑的监控新模式，助推设备监控专业全方位提升。

系统投入运行以来大幅提升电网监控工作效率和效果，延长变电站设备使用寿命，降低运维检修成本。有效提升电网设备运行管控水平，强化保障电网安全稳定，尤其是强降雨、台风期和迎峰度夏期间的电网运行安全，避免发生大面积停电事件，提升供电服务可靠性。

图5 设备跳闸事件分析报告

图6 异常信息分析报告