基于人工神经网络与有限状态机的变电站告警处理系统

周博曦，秦 晋，王金亮，王竟飞，许敏敏

（山东电力高等专科学校，山东 济南 250000）

0 引言

变电站智能告警是调度技术支持系统综合智能告警功能的有机组成部分，开展监控告警信息广域分布式处理的应用研究对实现调控运维智能化和一体化具有重要意义。然而，告警信息的优化和梳理并非简单单一的任务，主要困难有：1）告警信号种类繁多，信号量庞大，梳理难度大，电力系统告警除事故信号序列外，通常伴随着异常信号、操作伴生信号、状态信号以及检修运维信号，据统计，一个中型220 kV 变电站，规模估算实时数据信息量遥测约155 个，遥信约350 个；2）干扰信号掺杂其中，以假乱真难于判定，由于设备异常、通信信道受阻等多方面的因素，不可避免还会产生部分误发、频发和漏发的信号，对告警信息处理造成极大的干扰；3）信号相互关联、错综复杂，难以透过表象看到本质，变电站尤其是广域分布式电网发生的故障往往并非相互孤立，问题影响因素多样，因素与因素之间相互联系，告警分析是对调度运维人员的一个综合性考验。

为了有效地辅助告警信息处理，国内外已经提出了多种变电站告警处理方法，包括基于专家系统（Expert Systems，ES）的告警信息处理［1-2］、基于智能优化算法（Intelligent Optimization Algorithm，IOAS）的告警信息处理［3-5］、基于解析模型方法的告警信息处理［6-8］等。这些方法均各有其适用性和局限性，ES因擅长逻辑推理和符号信息处理而适合于电力系统故障诊断问题，但该方法的推理效率极大程度取决于问题的复杂程度，对于复杂程度较高的变电站系统，难以满足实时运行的系统要求；基于IOAS 的故障具有执行速度快、鲁棒性好和学习功能强等特点，但IOAS 不具备表达电网拓扑结构的能力，因而难以适用于接线方式多变的大规模电网拓扑；解析模型方法是通过构造一个反映实际警报信息与期望警报信息之间差异的目标函数，该种方法的缺陷是不擅长处理启发性知识，缺乏解释自身行为和输出结果的能力。

电网静态数据和实时数据均为告警分析的重要数据基础。为了协同运用两类数据，结合人工神经网络（Artificial Neural Network，ANN）和有限状态机（Finite State Machine，FSM）开展告警信号的分析和处理。首先，利用ANN 的快速执行和自学习能力，对历史数据进行学习，获得各种事故和异常的逻辑推理和知识表达的权连接矩阵。进一步地，构建FSM模型，通过实时匹配告警序列，识别告警序列中的操作伴生和误发频发信号，完成变电站告警的告警全过程记录、分析和处理。最后，以实际220 kV 变电站的SCADA 信息序列为例，通过算法完成告警全过程分析。

1 ANN-FSM 告警系统的总体结构

电网告警信号是电力调度值班员开展电网故障、异常判断及分析处理的依据，可分为静态数据和动态实时数据。静态数据库包括电网拓扑、设备参数、保护配置及整定、告警历史数据库等，这些基础数据对告警分析处理具有重要的参考意义，可作为ANN 算法训练样本集，最终生成告警信号权值函数表达的事件类型知识表达；动态数据库即发生故障或异常时刻，由SCADA 系统接收到的实时告警序列，包括动作（事故）信号、告警（异常）信号、状态信号，实时接收的数据是开展告警分析的直接依据，动态数据通过ANN-FSM 的综合判断，形成告警全过程记录、分析和处理的综合结果。

ANN-FSM 的变电站告警处理系统的总体结构如图1 所示。系统由7 大部分组成：1）静态数据库管理系统；2）静态数据库；3）ANN 运算器和连接权矩阵；4）推理机；5）动态数据库；6）有限状态机模型；7）解释系统和人机界面系统。静态数据库和静态数据库管理系统为上层应用提供底层基础数据，其涵盖电网拓扑、保护及告警历史数据，数据建模方法遵循IEC61850 标准数据模型，提供兼容的逻辑节点类及数据类（IEC61850-7-4）和共用数据类（IEC61850-7-3），同时也允许按规则扩展逻辑节点、数据和共用数据类，以支持厂站自动化相关设备的互操作性；ANN 学习系统建立于静态数据库上层，作为故障诊断模块，通过训练ANN 修改其权矩阵完成知识获取，该层设置线路、母线及变压器模块化诊断单元，其知识库表达为ANN 的权矩阵；推理机为基于ANN 获得的告警事件知识表达，对实时接收告警信号进行诊断，并将诊断结果发送至FSM 模型，完成告警全过程记录、分析和处理；最后通过解释系统和人机界面对系统故障的行为和输出结果进行解释。

图1 ANN-FSM 告警处理系统总体结构

ANN-FSM 的变电站告警处理系统采用ANN 模块化诊断单元，具有快速、容错和学习能力强等特点；同时FSM 模型将进一步对告警序列展开分析，实现告警全过程记录、分析和处理，其结果将对调控中心和运维处置意见提供关键依据。

2 综合告警处理的关键技术

2.1 ANN 输入量的获取

表1—表4 分别划分出设备（以断路器为例）、线路、母线和变压器的常见信号特征量。

表1 断路器故障诊断的ANN 特征输入量

其中，断路器故障诊断输出层ys=｛ys0，ys1，ys2，…，ys6｝；ys0为开关是否非全相动作判断量，ys1为开关分合闸是否总闭锁判断量，ys2为开关合闸是否总闭锁判断量，ys3为开关SF6压力是否低报警判断量，ys4为开关N2是否泄露及各种闭锁判断量，ys5为开关电机是否打压超时判断量，ys6为开关机构箱加热器是否空开断开判断量。上述断路器故障诊断输出层各符号取值为1 表示是，取值为0 表示否。

表2 线路故障诊断的ANN 特征输入量

其中，线路故障诊断输出层y1=｛y10，y11，y12，…，y15｝，y10—y15分别代表A 相接地、B 相接地、C 相接地、相间接地、三相接地瞬时故障和三相接地永久性故障。

表3 母线故障诊断的ANN 特征输入量

母线故障诊断输出层yb=｛yb0，yb1，yb2｝；yb0为母线故障，母线所连开关分闸；yb1为母线故障，母线所连开关拒动，断开联络母线及上一级变压器开关；yb2母线故障，母联开关拒动，断开联络母线所有开关。

表4 变压器故障诊断的ANN 特征输入量

变压器故障诊断输出层yt=｛yt0，yt1，yt2｝，yt1为主变压器内部故障；yt2为主变压器外部故障；yt3为线路故障，线路断路器拒动；yt3为母线故障，母线断路器拒动。

2.2 ANN 故障诊断模型

人工神经网络（ANN）是模仿脑细胞结构和思维处理问题的功能，它从模仿人脑智能的角度出发，探寻新的信息表示、存储和处理方式。这种神经网络依靠系统的复杂程度，通过调整内部大量节点之间连接的关系，从而达到处理信息的目的［9-12］。基于告警序列的变电站故障诊断由于告警信号种类繁多、信号量庞大、模式识别要求精度高，可利用神经网络的学习能力和快速并行实现来解决这一问题，图2 表示ANN 反向传播算法（BP）的神经元模型。

图2 BP 模块的神经网络

基于ANN 的神经元反向传播算法步骤包括：

1）初始化任务包括选定一结构合理的变电站模块网络，置所有信号特征量的权和阀值为均匀分布的较小数值。

2）对输入样本进行前向计算。

令单元j 的激活函数为sigmoid 函数，则有：

令L 为神经网络的总层数，l≤L，当l=1 时，则

式中：xj（n）为神经单元j 的实际输入值。当l=L 时，则有

3）对输入样本进行反向计算δ，输入样本修正权值。

则，当函数进行下一次迭代（n=n+1）时，权值的修正方法为

5）算法收敛判据。

令为输出端总的平方误差的均值，则有

定义一个学习目标EAV，输入新的样本（或新一周期样本），直至E≤EAV，则迭代达到预定要求，算法收敛。

遵循BP 算法，基于ANN 的告警诊断流程如图3 所示。

图3 ANN 告警诊断流程

3 基于FSM 的变电站告警形式化描述

在变电站告警过程中，不可避免地存在告警信息缺失、告警信息时标出错以及告警重发等情况，为了进一步发现告警信息中的操作伴生信号和误发频发信号，构建FSM 模型，通过实时匹配告警序列，形成告警全过程记录和分析的综合结果。

有限状态机在软件工程中本质是对具有逻辑顺序或时序顺序事件的一种数学描述模型［12-14］。系统以事件驱动的方式工作，有限状态机做出响应，产生一个输出，并伴有状态迁移。以某220 kV 输电线路M（见图4）发生接地故障对FSM 进行形式化描述，其中CB1、CB2分别为线路M 两侧断路器，其有限状态机的表示形式化表示为

式中：a、b、c、d、t 为系统输入信号，分别为保护动作、断路器分闸、重合闸动作、断路器合闸、超时检测；S0—S8为定义该有限状态机的9 种状态，其中状态S0表示当前无异常或故障信号发生，系统处于正常状态；如图5 所示，状态S1、S2、S3、S4、S5、S6为分别接收到输入信号a、b、c、d、a、b 后触发的状态转变标记，其中，S1—S5为本次故障诊断过程中的中间状态标记，最终状态S6表示经FSM 判断后形成事故全过程判断结果，即线路发生永久性单相接地故障，断路器跳闸后，经重合闸动作合闸，继而再断开线路。各个状态触发和转化见图5。t 为系统故障超时标志，状态S1为系统超时时，确定为线路永久性故障；状态S8为线路发生瞬时单相接地故障，跳闸后，经重合闸动作线路合闸成功。O 为输出信号集合；g 为一个从系统输入信号｛a，b，c，d，t｝到｛S1，S2，…，S8｝中不同状态量的输出函数，如图5 中的S0→S1；f 为转移函数，其状态转换如图5 所示。

图4 220 kV 线路接地故障示意

图5 220 kV 输电线路接地故障FSM 状态转换

4 基于ANN-FSM 的电力系统故障诊断告警处理系统

4.1 ANN 推理模型及模型的训练和检验

以某220 kV 变电站母线跳闸事故告警分析为例，说明本算法的有效性和实用性。

事故经过为：2015 年5 月，沙角A 厂因220 kV 2212 断路器的C 相绝缘子被击穿，导致母线差动保护动作，断开与220 kV Ⅱ母线相连的所有断路器。事故前，沙角A 厂、长安变电站、北珊变电站通过220 kV 朱北线、沙角A 厂、B 厂之间的500 kV 1 号、2 号联络变压器中压侧与广东电网相连，长安变电站、北珊变电站为受电变电站，如图6 所示。其中沙角A 厂为220 kV 双母线运行，其中220 kV Ⅰ母线上接有沙角A 厂与沙角B 厂之间的500 kV 2 号联络变压器中2212 断路器、沙长乙线2293 断路器、沙北乙线2264 断路器、母联2012 断路器、2 号联络变压器2202 断路器，2 号起备变压器2210 断路器，其余设备接入220 kV Ⅱ母线，沙角A 厂接线如图7所示。

图6 事故发生地区电网接线

该事故发生时间为2015-06-21T13∶47∶51，历时11 min，所接受事故告警信息共计523 条。诊断模块化划分故障子集告警序列被划分为母线、变压器、和线路3 个子模块历时47 ms；对各个子模块中的告警信号融合及特征量提取，时长527 ms；ANN-BP 算法训练样本，从而产生神经网络的权矩阵在诊断方面系统故障试验数据，历时7.84 min 收敛。将故障特征量代入神经网络模型，表5—表7 为神经元法对故障诊断结果与其实际验证结果之间的比较。

图7 沙角A 厂升压站主接线

表5 神经网络对母线故障诊断结果

当训练误差指标最低（E=Emin）时，对ANN 告警诊断算法可整合为：由于220 kV 线路故障，母线差动保护动作，断开220 kV Ⅱ母线所有断路器；同时，500 kV 变压器差动保护动作，断开三侧断路器；线路高频主保护动作，断路器三相跳闸；线路距离I 段保护动作，断路器C 相跳闸，后重合成功。

进一步地，为了更详尽分析告警过程及原因，将告警信息与FSM 模型进行比对，并忽略正常设备操作产生的伴生信号。

4.2 FSM 模型及告警处理结果分析

本次启用FSM 对告警信号进行处理，共处理伴生信号达300 余条，频发信号76 条。忽略未发生告警信号，首先定义S0～S9为本案例有限状态机模型的10 种状态值，S10表示经FSM 判断形成可表述事故全过程的状态。表8 为事故对应的状态转换表，根据每一类信号动作的时序信息，构建触发事件的最大动作时间t 值，形成图8 的事故对应的状态转换图，状态转换表和转换图从时序上描述了一个完整的越级跳闸事故过程，其中t1～t4为经神经网络诊断所得的4 个组合故障对应的最大时间值，结果显示，通过FSM 筛选有用的事故信号，对事故的全过程分析和原因分析，详细结果为：由于沙角A 厂220kV Ⅱ母线差动保护和沙角B 厂500 kV 2 号联络变压器差动保护动作时间在同一区段，且跳闸时限与外部故障时限一致；另沙角A 厂2212 断路器C 相分段后重合，该有限状态机可敏锐地判断出2212 断路器同时位于沙角A 厂220 kV Ⅱ母线差动保护和沙角B 厂500 kV 2 号联络变压器差动保护的范围内，且事故故障点位于沙角A 厂2212 断路器，故障为C 相短路；同时导致长安站220 kV 沙厂乙线过负荷跳闸。

表6 神经网络对变压器故障诊断结果

表7 神经网络对线路故障诊断结果

表8 事故对应的状态转换表

图8 事故对应的状态转换

本次事故经现场查实，故障点位于沙角A 厂2212 断路器，故障为C 相盘式绝缘子被击穿，与本文提出方法所推理结果基本吻合，为事故的正确处理打下了坚实的基础。

5 结语

提出一种结合人工神经网络（ANN）和有限状态机（FSM），对电力系统告警信息进行处理的方法，具有较强的应用价值。在电网拓扑和运行方式一致的情况下，故障诊断的ANN 的连接权矩阵训练仅需进行一次，为告警的快速判断和处理打下良好的基础；FSM 可实现信号的排查和告警过程记录，并通过综合分析形成告警的原因分析和结果处理。通过实际电网案例对本算法的验证，结果证明该方法对于电力系统通用故障告警判断具有快速、容错和学习能力强等特点，对应用于大规模电力系统的在线故障诊断问题的解决具有重要意义。