基于时间序列的国产化水电站计算机监控系统异常行为报警方法应用

李正凡，谭良良，杨渊，陈映喜，周喜，杨伟

（1.华能澜沧江水电股份有限公司，云南昆明 650214；2.南京南瑞继保工程技术有限公司，江苏南京 211002；3.西安热工研究院有限公司，陕西西安 710054）

0 引言

随着我国电力事业的发展，多种新兴设备投入国产化水电站的发展中，使得国产化水电站计算机监控系统异常行为监控十分重要。故障解列装置异常监控告警是整个监控系统的重要一环，其作用是在水电站监控系统报警检测模块发生故障时，能够迅速跳开并网开关实现故障隔离，以避免故障本身影响电网的正常电力输送。当水电站故障解列装置出现异常行为时，不仅无法实现保护机制，甚至可能造成更大面积的故障瘫痪，给水电站造成巨大的经济损失。因此，保证国产化水电站故障解列装置的平稳运行状态是维护国产化水电站正常工作的重要措施。

为此，不少学者就水电站故障解列装置异常行为报警方法进行了相关研究。陈阵等［1］提出的基于云模型的水电站故障解列装置异常行为报警方法以云数据为基础构建云模型，结合概念树问题采用树形形态表示法描述装置的运行状态，针对异常状态进行报警；该方法操作简洁，适应性高，但报警效率不理想，难以及时响应报警机制。滕予非等［2］提出的基于数据驱动的水电站故障解列装置异常行为报警方法采用相似度计算模型，排除相似运行数据间的误差值影响，以数据驱动为基础将运行投射到多维空间中进行行为分析，结合预设报警线实现报警；但该方法计算步骤繁琐，导致最终异常行为识别精度不高，报警误报率较高。胡姣姣等［3］提出的基于深度学习的水电站故障解列装置异常行为报警方法以深度学习法为基础，通过对采集的装置运行数据进行深入挖掘，采用动态弯曲距离公式计算数据间关联性进行行为判断，整体计算简单，报警效率高；但报警模块的设计不合理，往往不能实现有效报警。

为解决以上报警方法中存在的问题，本文提出了基于时间序列的国产化水电站计算机监控系统异常行为报警方法，并设计了相应的对比实验对其实际报警性能加以验证。

1 构建时间序列符号转换模型

1.1 时间序列的符号化

为了有效描述时间序列的形态特征，本文提出了基于形态特征的时间序列符号转换模型，即以特征描述学中的分段时间序列聚合近似算法为基础，通过计算分段时间序列的斜率，以斜率特征描述该斜率对应的分段时间的形态特征。以某一时间序列Q为例，假设其总长度为L，将其平均分为w个子序列，每一个子序列的长度则为L/w，子序列可进行进一步的分段，每一个分段子序列可视为一个元素，其元素值满足：

式中：表示子序列i中第j个分段序列的元素值；q'ij表示子序列i中第j个分段序列的斜率；n表示子序列i的分段数量。

斜率的计算公式如下：

式中：k的取值为：k=（i-1）n+1。

采用时间序列符号转换将时间序列Q转化为Q～后，其总长度由原来的L缩短到m，转化后的序列称为SPAA 序列，可以用来表示原时间序列的时间特征。根据符号转换的需求，需采用z-score 转换法使获得的SPAA 序列标准化，常使用的方法为将SPAA 序列放到标准正态分布空间进行等概率区域划分，采用相应字符表示每一个区域特征，即可完成由SPAA 序列到符号序列的转换，转换后的符号序列可表示为SSAX，符号序列转换示意图如图1所示。

图1 SPAA序列转换为SSAX序列的形态变化趋势Fig.1 Trend of morphlogical change of SPAA series to SSAX series

1.2 相似性度量

采用符号化特征对时间序列进行表示后，可以识别国产化水电站故障解列装置运行数据的形态特征，有效区分正常运行数据和异常运行数据。参考国产化水电站故障解列装置的运行数据的时间特征，结合装置运行数据的基本特征，本文利用相应的距离度量函数描述国产化水电站故障解列装置运行数据间的相似性，以准确区分装置的正常运行数据和异常运行数据。

式中：ti为子序列i的标准差，采用如下公式计算：

以子序列的均值度量值为基础，采用距离度量函数进行相似性距离计算，距离度量函数的表达式为：

式中：C为非线性特征统计参数。

该国产化水电站故障解列装置运行数据的相似性距离值为：

式中：d为相似性距离值。

2 基于时间序列的国产化水电站故障解列装置异常行为检测算法

2.1 国产化水电站故障解列装置异常行为特征识别

一般来说，国产化水电站故障解列装置运行数据为时间序列数据，可分为正常运行数据、过渡运行数据和异常运行数据三种。其中，过渡运行数据是指国产化水电站故障解列装置由正常运行状态过渡到异常运行状态产生的数据；异常运行数据是判断故障解列装置运行状态的重要数据来源，也是进行异常行为特征识别的主要对象。针对采集的运行数据集，通过选取合适的特征识别方法可以有效识别故障解列装置的异常行为，本文根据时间序列的符号特征表示方法，结合特征识别技术能够有效识别国产化水电站故障解列装置的运行状态，异常行为特征识别示意图如图2所示。

图2 国产化水电站故障解列装置异常行为特征识别流程示意图Fig.2 Flow diagram of hydropower station fault disconnection device abnormal behavior recognition

国产化水电站故障解列装置3种运行状态下的时间序列数据特征如图3 所示，其即表示国产化水电站故障解列装置处于正常态、过渡态以及异常态的3 种数据，也表明3 种运行状态下时间序列数据的形态特征［4，5］。从数据波动情况来看，正常态时间序列数据的波动具有明显规律性，而异常态没有；过渡态与其他两种形态数据存在较高的相似性，且过渡态数据与其他两种形态数据间无明显的连接点，使其特征识别较为困难。为了实现精准的数据识别，本文提出“去头尾”的特征识别方法，即针对符号转化后的时间序列数据，以4 个分段序列为单位进行序列划分序列组，删除四个分段均相同的组别，从而降低特征识别难度，保证识别效率。

图3 国产化水电站故障解列装置3种运行状态下的时间序列数据特征Fig.3 Data character of hydropower station fault disconnection's time series in three running status

2.2 异常行为检测算法

在国产化水电站故障解列装置运行时间序列数据挖掘中，由装置的异常行为产生的异常时间序列的子序列与正常运行时产生的时间序列的子序列最不相似。针对异常时间序列的检测也是检测装置异常行为的重要依据，目前常采用SAX 算法进行异常时间序列的检测。其原理是以时间序列最不相似算法和序列发现算法为基础，结合时间序列间的关联规则进行计算，从而发现异常子序列在时间序列中的位置。

算法的描述如下：

输入：长度为L的时间序列Q，关联规则out和in。

输出：最不相似子序列以正常运行状态下时间序列序列子序列的最小距离s，以及该最不相似子序列在时间序列Q中位置loc。

（1）将时间序列Q符号化，默认初始最小距离s值和位置loc值为0，利用out 关联规则控制算法的内层循环，利用in 关联规则控制算法的外层循环，用u，v 来记录两个子序列在时间序列Q中的位置信息。

（2）在外层循环中，对于位置信息u 有初始最小距离s0=-1，根据u值进行内层循环，内层循环过程如下：①若|u-v|>L，进行序列匹配，执行操作②，反之，执行操作③。②若u2-v2

（3）判断s0是否大于s，若大于，则记作s=s0，异常子序列的位置信息loc=u，同时返回步骤（2），直至检测完时间序列Q的所有子序列为止。

（4）若无异常序列，数据安全值10。输入下一序列进行计算。

3 基于时间序列的国产化水电站故障解列装置异常行为报警

3.1 基于时间序列的自适应报警线的确定

确定自适应报警线的目的是为国产化水电站装置监控中心对故障解列装置运行状态的评估提供参考依据。在水电站中所使用的报警标准一般为静态标准，从国产化水电站故障解列装置投入到国产化水电站的微机保护时，需经过多次的维修和检测，因此需指定一个不变的标准进行评估。然而受磁场干扰以及机械老化等影响，故障解列装置的运行状态呈现出动态变化趋势。本文采用数理统计法对故障解列装置的异常行为检测结果进行统计，即将检测结果进行数值化处理，并采用拉依达法剔除异常数据［6］。

拉依达法的判别标准以三倍标准差为基础，因此该判别方法又称三倍标准差判别法［6］；其原理是根据概率论与数理统计中对三倍标准差的定义：当某一事件满足正态分布规律时，该事件发生在(-3σ，+3σ)的概率为99.73%（-X为中心坐标，σ为标准差），而落在其他区间的概率为0.27%，在故障解列装置的异常识别中，则可判定其检测值为异常数值。

3.2 自动报警方法的实现

在上述报警线设置的基础上，根据异常行为检测算法结果响应报警机制，以自动化技术为基础，实现无人看管的国产化水电站故障解列装置异常行为警报。为实现有效的自动报警，本文采用的自动报警方法以系统报警和声音报警两种形式为基础，其中声音报警形式需结合相关控制算法和声音设备发出警报声音以实现报警效果。当SAX 算法检测到异常行为时，通过SPI 接口将检测结果传给国产化水电站装置监控中心，国产化水电站装置监控中心经过一系列分析识别后生成控制指令并将指令以数字化形式传递给下级响应模块［7-9］。下级相应模块与声音报警器以双鉴传感网络连接方式进行连接，具有信号传输效率高、可进行双向传输等优点，能够提升异常行为警报的效率。当声音报警器进入预警状态时，其最高振动频率为8 Hz，警报声音大小约为70 分贝，具有一定警报力度且不会对国产化水电站其他装置设备造成影响，能够及时提醒相关工作人员对国产化水电站故障解列装置进行检查，以保证装置的稳定运行。自动化报警方法的实现流程如图4所示。

图4 自动化报警方法的实现流程Fig.4 Flow diagram of automatic alarm method

4 实验研究

为检测本文提出的基于时间序列的国产化水电站计算机监控系统异常行为报警方法研究的实际报警性能，选用本文提出的方法与传统的基于深度学习的国产化水电站故障解列装置异常行为报警方法和基于数据驱动的国产化水电站故障解列装置异常行为报警方法进行对比，为保证实验结果的可靠性，实验参数的设置如表1所示。

表1 实验参数Fig.1 Experiment pameters

根据上述实验参数，在相应实验环境中进行实验，为确保实验结果的真实性，选取某一国产化水电站2019故障解列装置异常行为时间序列数据为实验数据，共采集异常数据1 400 个，采用N-garm检测法分析3种报警方法的有效报警率和误报率。

有效报警率的计算公式如下：

式中：Ieff表示有效报警率；H表示有效报警数量；M表示无效报警数量。

误报率的计算公式如下：

式中：Ierror表示误报率；R表示误报数量。

有效报警率和误报率的实验结果如图5 和图6 所示。从图中可以看出，随着异常检测时间序列数据样本的输入，3种报警方法的有效报警率均处于下降趋势，误报率呈现出上升趋势，但下降幅度和上升幅度各不相同。基于数据驱动的报警方法有效报警率下降趋势较大，误报率上升幅度较大，平均有效报警率为75%，平均误报率为22%。基于深度学习的报警方法有效报警率和误报率的变化幅度相对较小，其平均有效报警率为85%，平均误报率为16%。相较之下，本文研究的报警的有效检测率始终高于92%，平均有效报警率为94%，平均误报率低至8%，无明显幅度变化。

图5 3种报警方法有效报警率对比Fig.5 Positive alarm rate of three alarm methods

图6 3种报警方法的误报率对比Fig.6 False alarm rate of three alarm methods

基于3 种报警方法的有效报警率和误报率，我们对3 种方法的报警效率进行了对比，实验结果如图7 所示。从图7 中可以看出，针对1 400 个报警数目，基于数据驱动的报警方法的响应时间为485 s，平均效率为2.9 个/s。基于深度学习的报警方法的响应时间为384 s，平均效率为3.6 个/s。而本文研究的基于时间序列的报警方法的响应时间为180 s，平均效率为7.8个/s。

图7 3种方法的报警效率结果Fig.7 Efficiency of three alarm methods

综上所述，本文研究的基于时间序列的国产化水电站计算机监控系统异常行为报警方法具有较为准确的异常行为检测能力，能够进行高效率的报警，实现装置异常行为有效检测的同时及时响应报警机制；而传统的报警方法普遍存在漏报和误报现象，且报警效率较低，不利于维护国产化水电站的正常运行；相较之下，本文研究的报警方法具有更高的报警性能，值得被广泛应用。

5 结语

针对传统国产化水电站故障解列装置异常行为报警方法出现的检测精度低、误报率高、响应速度迟缓等问题，本文提出了基于时间序列的国产化水电站计算机监控系统异常行为报警方法，通过对装置运行时间序列数据进行深入挖掘，准确分析装置的异常行为，并及时响应报警机制，通过对比实验结果可知，本文提出的基于时间序列的报警方法性能更好，能快速、准确地对装置的异常行为进行报警，以维护国产化水电站的正常工作，能够促进国产化水电站的进一步发展，对于国产化水电站效益的提升具有重要意义。