对大数据的配网告警信号的重点信号的自动识别

摘 要：大数据时代背景下，配网告警信号中出现了大量的重点信号，严重影响了配网的安全运行和正常运转。如何在海量的信号中识别出重点信号，则需要对大数据的配网告警信号的重点信号的识别方法进行研究，以通过合理科学的识别，提高识别结果的真实性和可信度。基于此，以下详细介绍了重点信号的识别方法，通过自动识别，提高故障识别的效率和精准度，保障配网系统中告警信号的重点信号发挥出巨大的作用。

关键词：大数据;配网告警信号;重点信号;识别方法

一、配网系统中告警信号识别的现状

配网系统中告警信号发挥的作用主要是通过对重点信号的识别，进而能够对配网系统发挥继电保护的功效，同时借助重点信号，对某一部位的故障进行全面的检测和识别。通过第一时间的识别，提高检测的效率，减少不良故障的发生。因此如何对告警信号中的重点信号进行识别，并且识别的结果具有可靠性和精准性，已经成为当前的关键性问题。一般情况下告警信号在发出时其能量较低，幅值较小，主要存在相对稳定的状态中，但是在这种情况下，配网系统中存在的大量噪音将会这掩盖告警信号中发出的信号。同时，配网系统中的告警信息呈现了不规则存在的现象，在识别过程中很难对告警信号进行准确的识别。这些都是故障信号不能有效识别的重要原因，特别是很难对重点信号进行识别，从而大大降低和影响了配网中发生的故障和对故障进行的有效检测。目前来看，配网告警信号中重点信号的识别方法存在识别精准度较低和识别效率较差等问题，需要对重点信号的识别方法进行深入的分析和探究，这样才能提高识别的精准度，才能筛选出有价值的重点信号，维护配网系统的安全运转。

二、配网系统告警信号分解和识别

配网系统一旦出现故障问题，系统能够通过告警信号对发生的故障进行识别。这些信号中不仅仅是重点信号，还包含一些非基频暂态信号。受到位置、时间和故障点过度电阻等方面的影响，其告警信号暂态分量也会顺势发生一定的变化。再利用时频分析工具以对发生的故障进行检测，例如：故障发生的部位和时间等，发出故障信号后能够直接启动保护装置，系统再对告警信号进行深入的分析。另外，对大數据下的配电告警信号重点信号的识别也可以通过EMD时频分析方法获取重点信号。首先，在对EMD进行分解后，能够得到告警信号的本征模态分量，在对Hilbert发生的变化进行了解，进而得出边际谱和Hilbert谱。其中边际谱在分析后能够得出真实的频率;Hilbert谱在发生变化时，能够得出告警信号的特征信息和发生故障的时间，这对准确识别出配网告警信号中的重点信号提供了有利条件。由此可见，EMD时频分析方法在分解后，能够显著提高识别的效率，通过筛选以识别告警信号中存在的重点信号。

三、大数据背景下配网告警信号中重点信号的识别方法

根据时域能量分布以对告警信号所发生的变化特征等进行全面的分析，一方面，通过利用时域信息测度的方法以掌握告警信号中能力发布的情况或者得出一定的标准差值。另一方面，再根据得出的标准差值对配网告警信号中的关键信号进行有效的识别。其识别的方法如下所示：

“N”为每个工频周期内电流采集数据点的总数，其需要保障配网系统的固定采样频率，以对总数进行总结。“N/2”为配网告警信号在识别过程中的重点信号在识别中所需的数据窗宽度值，其宽度主要是电流采集数据点的一半。系统再利用采样数据窗对发生的故障告警信号或者采集到的一些有用数据进行处理和分析。“xi”为采样数据窗在采集之后所得出的序列值，设I为1，2，.....N/2。想要得出序列值，首先可以对采样数据窗中两个相邻的数据点进行计算，在计算出两者之间的差值后，应用到序列的分析中，从而得出序列值。为了保障各数据点存在的能量发挥作用，则需要对存在的数据进行平方的处理，站在能量角度分析，通过探究各数据点，保障电流行波中的数据点不小于0。通过分析能够对发生的概率值进行模型的制作，在制作时应该保障该模型的实际意义。

设X为{Xi}，其通过平方处理后，表达方式为：

x=x2i（i=1，2，....，N/2-1）（12）

再利用这个公式推算出概率值，通过构建概率分布模型，以提供更多的参考和依据。其中概率分布模式公式为：p=pi=x2i/∑N/2-1i=1X2i，其中P主要代表概率分布向量，pi主要代表分布向量。通过该公式能够得出信号序列的能量分布的情况。

信息熵测度统计的结果主要以H为代表，H是通过概率分布向量pi得出的。其中H的计算公式主要以：H=-k∑N/2-1i=1pilnpi进行代表。其中K主要表示常数，K=log2e，为了保障信息熵与物理熵相同，需要对常数进行表示，通过移动采样数据窗以对不同电流序列中的信息熵测度值进行表示。ε主要代表识别阈值，S是能量信息熵测度标准差进行表示，根据S反映采样数据窗在移动过程中能量的分布，找出变化的情况，在计算后，其得出的信息熵测度值标准差应该小于识别阈值ε时，从而对配网告警信号中的重点信号予以判断，这能够有效的对配网告警信号中的重点信号进行有效的识别，其计算公式为：

S=1M-1∑MI=1Hi=1-1M∑Mi=1Hi2

四、结语

大数据背景下，配网系统中存在着诸多的不确定性因素，其受到时间和非线性的影响，并不能对模型进行准确确定。在对配网中的故障点进行判断后，能够对配网系统中存在的告警信号进行有效的识别，在对重点信号进行提取后，能够提高配网故障点的精准度。面对当前配网告警信号中存在的不足，如识别效率较低和识别精度不准确的问题，在大数据背景下的配网告警信号中存在的重点信号进行自动的识别，这不仅能够对存在的问题进行弥补，还能够通过对识别方法进行优化，以全面保障配网系统的安全性和可靠性。

参考文献：

[1]刁柏青，姚刚，董学新，李晓志.强化学习在剔除配网告警信号中伴生信号的应用[J].自动化与仪器仪表，2019（04）：192-195+200.

[2]冯兆安.珠海电网调度监控系统告警信号优化设计[D].华南理工大学，2017.

作者简介：焦洋（1986-），男，汉族，山东聊城人，中国石油大学（华东）硕士研究生，主要研究方向为大数据分析挖掘和智能电网监控运行分析建模研究。