基于数据挖掘的变电站监控后台告警信号自动分析

曹中来

[摘 要]随着变电站设备装备水平的提高，以及监控自动化技术的发展与应用，变电站的自动化程度也越来越高，信息量及种类也在不断增加，需要新的技术方法来改进监控后台。目前，可以在变电站的监控后台应用数据挖掘技术，进行告警信号的自动分析，主要是使用关联性挖掘算法和增量式挖掘算法，按照故障发生概率大小对告警信號显示的故障节点进行排序。本文在对告警信号的数据挖掘进行分析的基础上，还研究了智能变电站智能告警的研究基础，探讨了变电站监控后台智能告警功能的实现。

[关键词]数据挖掘；告警信号；自动分析；变电站；监控后台

doi：10.3969/j.issn.1673 - 0194.2017.20.029

[中图分类号]TM63；TP311.13 [文献标识码]A [文章编号]1673-0194（2017）20-00-02

0 引 言

当前变电站的信息量随着自动化程度的提升大量增加，对变电站后台监控系统的要求也越来越高，主要体现在告警信息的处理能力方面。目前，变电站监控后台存在的主要问题是对丰富的信息量缺乏进一步的加工处理，监控平台采集到各种模拟量、开关量信息后，只是简单地按照时间顺序进行显示，没有做更进一步的分析判断。如果仅仅依靠值班人员进行告警是远远不够的，不容易抓到重点，还容易遗漏重要的告警信号，因此必须应用新的技术方法进行改进。

1 告警信号的数据挖掘

目前，告警信号的报警仪上仅仅是随意罗列出故障节点，值班人员如果仅凭着自己的经验技术去判断故障节点，查看故障原因是远远不够的，也降低了监控平台值班人员的工作效率。而基于数据挖掘的告警信号自动分析主要是在监控后台的告警信号的报警仪上能够显示完整的告警信号回路节点，以及依据故障发生的概率，并对故障节点进行排序，这样当值班人员点击报警仪时，能够按照故障大小排列的顺序很快地排查到故障点，并及时做出处理，很大程度上避免故障误判，如果处理不及时，则会导致故障严重化。

2 智能变电站智能告警的研究基础

2.1 关联性数据挖掘FP_growth算法

关联性数据挖掘FP_growth是基于Apriori算法，能在不生成候选项的情况下提高该算法的效率。最早该算法应用在传统零售行业的购物篮分析中，应用在告警信号自动分析中的核心思想是能够通过频繁项集的分析和处理，发现生产系统检修记录当中后台数据库的大量告警信号和故障节点之间的关联性强度，即找到同时出现在检修记录中的告警信号和故障节点，然后把故障节点设置为优先提醒，即对告警信息进行排序。这种算法最大优势就是构造了一个FP_tree的数据结构，将原先的数据库进行了高度压缩而不产生候选集，节省了时间和空间。算法如下。

设生产管理系统数据库检修数据为一个集合I={I1，I2.I3…，In}。

（2）将监控后台的告警信号及回路中的故障节点设为事务集T，为I的子集，其中的告警信号及故障节点为唯一标志TID。

（3）设置一个集合X，其有以下关联规则：当告警信号出现时，故障节点也会以一定的概率出现。本算法就是在T中挖掘出X，主要有两个衡量标准：置信度，是同时包含告警信号和故障节点的集合数与包含告警信号的集合数之比，即条件概率P；支持度，是同时包含告警信号和故障节点的集合数与总集合数之比。本课题中的P主要是表示告警信号报警时每个故障节点出现的概率大小。

（4）在上述关联规则中，强关联规表示支持度大于最小支持度，置信度大于最小置信度，关联性挖掘即在集合中找到以上强关联规则，相互之间没有关联的告警信号、告警信号与故障节点，都不会被挖掘出来。

（5）实现过程是首先挖掘出每个设备厂家在检修记录中告警信号对应的故障节点，并写入FP_tree，再设置支持度，挖掘出和告警信号同时出现在检修记录中的故障节点，并通过置信度进行故障节点排序。

2.2 增量式挖掘FSPM-FP算法

尽管FP-growth算法能够使用强关联规则对信息进行可靠排序，但由于电网每天会写入新的检修数据，因此可能会改变生产管理系统中的关联性原则，因此可以使用增量式挖掘FSPM-FP算法对新增的检修数据进行分析处理，充分利用最初构建的FP_tree，在此基础上分析是否需要重构，再更新挖掘效果，进一步提升数据挖掘的效率。关联规则的变化主要有以下3种。

（1）加入新数据之后没有新增的告警信号和故障节点，只是原来的信息数量增加，因此可以不用改变FP-tree，可以在原来的节点上增加计数值，避免了再次遍历数据库，提升挖掘效率。

（2）加入新数据之后没有新增节点，但引起了项头表中各个节点排序的变化，因此这种要在FP_tree中从根节点开始查找调换节点位置，重新构建结构进行关联性挖掘。

（3）加入新数据后产生了新的故障节点，这种情况可能会使关联规则发生变化，因此首先要将新的故障节点插入FP_tree的地步，再从根节点自上而下地调整新节点的位置，重新构建结构后再进行关联性挖掘。

在上述变化中，后两种情况出现的概率较小，FSPM-FP算法一般情况下都无需重构FP-tree，算法的效率优势更加明显，可以和FP-growth算法相辅相成，找出新增数据而改变的关联规则，很好地应用在电网的运行过程中，极大地提升了数据挖掘的效率，也和实际的故障节点发生可能性的排序更加接近。

3 变电站监控后台智能告警功能的实现

3.1 智能告警系统知识库

系统知识库是指存放实现系统功能知识的地方，智能告警系统的问题解决步骤主要体现在系统利用知识库中的知识模拟专业人员的思维方式进行分析解答。知识库和智能告警系统的程度相互独立，又相互联系。系统性能可以通过改变以及完善知识库中的知识内容进行提升，系统可以对知识库的界面进行维护和完善。endprint

3.2 智能告警系统的推理方案

智能告警系统主要应用了人工智能推理机技术，推理机通过采集问题的条件和已知的数据信息，在知识库中需找与之对应的规则，从而得出结论，推理出问题的求解结果。推理方式一般存在正向和反向推理两种，正向推理是指通过条件匹配得到结果，反向推理是指在推理之前设定一个结论是成立的，然后检验它的条件能不能得到满足。推理机通过模仿专业人员的思维方式，实现知识库的具体价值。除此之外，告警系统还可以自主获取知识，对知识库进行扩充和完善，提升其功能。

常见的智能告警系统的推理种类有3种：单事件推理、关联多事件推理、故障智能推理。

单事件推理是指根据单个告警信息数据进行推理，并得出告警信息的位置、原因、维修建议。自动化系统通过对各个告警信号与知识库中已经存在的告警信号进行对比关联，对各个告警信号进行分类，并生成逻辑判断关系。工作人员可以对推理判断进行干预，定义其关联关系。在推理过程中，会根据告警信号的种类、重要程度、关联程度等信息，进行推理，得出结论。

关联多事件推理是基于多个关联时间综合判断的推理逻辑，在单位时间内，设备一旦连续发出多个故障告警信号，且这些信号之间存在关联，则把这些信号称作一个综合事件，推理机要根据该综合事件的逻辑关系，判断设备发生故障的种类和原因，并相应地给出处理建议。常见的综合事件推理方法有两种：穷举法和模糊推理法。穷举法是指，通过对该事件的组合推理得出该事件的信息，该方法准确度高，可以避免误遥信号的干扰，但是适应性较差，会因为变电站设备构造复杂导致推理出现偏差。模糊推理法是将一个设备上的数个事件进行推理，并得出相应的异常事件报告，忽略异常事件个数。该方法的准确度略低，但是适应性较高，可以在不同信号和构造的设备上进行推理。智能告警系统中，综合了这两种方法的使用，提高了系统的灵活性和准确性。

故障智能推理是指，将变电站常见故障类型触发的关键条件进行采集，并通过参考接线方式、开关变位、遥测量、运行方式及时序等数据信息进行拓扑技术的综合推理，得出关于设备故障的类型、范围及处理办法等。

4 结 语

随着电力系统技术的逐渐提升和完善，变电站以及相应的供电公司主要以增效减人、降低成本为目标进行生产和发展。变电站的值班无人化、远程化是未来发展的主趋势。值班无人化要求变电站的所有运行数据都上传到数据终端中心，数据量巨大，信号动作繁杂，一旦变电站出现故障，有可能因为处理不及时造成更大的损失。通过对智能告警系统的阐述得知，该系统可以自行采取故障告警信息，为相关工作人员提供故障判断和故障处理建议，有效提高整个电力系统的稳定性，保障电网正常运行。

主要参考文献

[1]宋凯，刘润华，康忠健.基于混合数据挖掘方法的配电网故障诊断技术[J].电力科学与技术学报，2010（2）.

[2]陶晓云.变电站典型光字牌的分析及处理方法[J].建筑工程技术与设计，2015（20）.

[3]耿亮，吴燕，孟宪楠.电力数据挖掘在电网内部及各领域间的应用[C]//2013電力行业信息化年会论文集，2013.

[4]朱文灏，郭其一.应用于智能电网故障检测的关联规则挖掘算法优化[J].电工电气，2015（3）.

[5]姚浩，李鹏，郭晓斌，等.基于大数据的告警信息处理和故障设备定位技术研究[J].电网与清洁能源，2014（12）.endprint