CN104600680A - 一种基于数据融合的智能报警方法 - Google Patents

Abstract

本发明公开了一种基于数据融合的智能报警方法，首先将报警信息分为电压越限、保护装置动作和断路器跳闸三种类型；其次采用Bayes理论进行概率分布推理，得出单类型的可能原因事件概率分布，为决策作出初步判断；最后考虑到在错误警报信息下判断结果存在不确定性，采用 D-S理论度量三种报警信息的不确定度，融合三种可能原因事件的概率数据，得出最终故障结果。本发明采用数据融合的方法有效过滤无效信息，获取有效信息，直观地表述并上报调度人员，使调度人员全面掌握系统实时发生的情况；能够更加精确地定位故障源，同时过滤无效信息，防止“误警”和“漏警”现象的发生，是一种准确快速有效的智能报警方法。

Description

一种基于数据融合的智能报警方法

技术领域

本发明涉及一种基于数据融合的智能报警方法，涉及智能电网园中的智能报警系统，属于智能电网信息通讯技术领域。

背景技术

智能报警是智能预警及辅助决策模块的基础与前提。当发生故障时，智能报警不仅可以准确判断出系统故障实现报警，而且可以对扰动或故障源进行精确定位，提供最重要的信息使预警系统做出正确决策，从而为智能电网园区调控一体化管理进行控制与动作提供直接依据，阻止电网异常情况的进一步恶化。然而实际电网系统中，可能会发生“误警”和“漏警”等情况，采用传统的处理方法可能产生错误信息且推理时间长；面对配网异常运行下大量警报信息，现有预警方法无法迅速采集到有效信息，且未能针对性地深入分析报警信息。因此需要设计一种准确快速有效的智能报警方法。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于数据融合的智能报警方法，准确快速有效，从而解决现智能电网园区中出现的“误警”、“漏警”、产生错误信息且推理时间长等情况。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于数据融合的智能报警方法，包括以下步骤：

1)在进行警报预处理之前，首先对整个配网进行规范统一的数据编码，将报警设备、编码和报警信号一一对应；

2)将报警信息分为三种类型：电压越限、保护装置动作和断路器跳闸；

3)采用Bayes理论进行概率分布推理，得出单类型的可能原因事件概率分布，为决策作出初步判断；

4)考虑到在错误警报信息下判断结果存在不确定性，采用数据融合D-S理论度量三种报警信息的不确定度，融合三种可能原因事件概率数据，得出最终故障结果。

作为优选方案，步骤1)中，智能报警要求能够处理各种故障下的警报信息，快速准确地找到故障源，将其直观的展示出来；在进行警报预处理之前，对整个配网进行规范统一的数据编码，将报警设备、编码和报警信号一一对应；结合双编码体系设计，采用抽象的公共信息模型的建模方法，利用其分层、分类和继承的特点，按照城区、变电站、开关站和设备共四层搭建城市配网的分层分区模型；在城市电网拓扑结构上，展开城市配网的双编码体系设计，建设完善的数据编码映射机制。

作为优选方案，所述的一种基于数据融合的智能报警方法，步骤3)具体是指：设第i条线路发生电网故障时，触发的警报集合为:

A_i:A_i＝{a₁,a₂,...,a_j...,a_m；b₁,b₂,...,b_j...b_m；c₁,c₂,...,c_j...,c_m}

其中a_j、b_j和c_j(j＝1,2,...,m)分别为电压越限、保护装置动作、断路器跳闸发送的警报数据，j代表不同的装置；整个线路电压越限警报事件为m₁＝{a₁,a₂,...,a_n}，保护动作警报事件为m₂＝{b₁,b₂,...,b_n}，断路器动作警报事件为m₃＝{c₁,c₂,...,c_n}，n≥m；i为线路的编号，m为发生报警的装置数量；

对每个报警数据a_i，b_i和c_i，可能由多个故障造成，则发送报警数据的所有可能故障事件集合为{l₁,l₂,...,l_m}，l_i(i＝1,2,...,m)代表不同的线路；假设a_i,b_i和c_i与l_i故障直接相关，即距离故障l_i最近的电压越限、保护装置动作和断路器跳闸装置，设为触发的报警序列集合的首要元素，则发生故障时的警报处理的过程为:

3a)将获取的故障事件集合E{l_i}(i＝1,2,...,m)取并集，即

3b)对E中的每个元素l_j(j＝1,2,...,n)，取其对应的警报集合Alarm{l_j}＝{a_i|i＝1,2,...,q}；

3c)定义一个q维向量X＝[x₁,x₂,x₃,...x_q]，如果故障事件l_j对应警报集合中的警报a_i发生了，那么取x_i＝1，否则取x_i＝0；

3d)取则事件l_j的发生概率为P(l_i)＝|X|/q。

在电力系统发生故障时，考虑到实际中会出现保护的误动和拒动情况，使得故障判断不能百分百正确。这时可以采用一种基于统计方法的数据融合分类方法，即D-S算法。该算法能捕捉、融合因系统故障点产生的多种故障判断信息，这些信息在模式分类中具有能确定故障点和故障类型的能力。

作为优选方案，所述的一种基于数据融合的智能报警方法，步骤4)具体是指：

4a)应用数据融合D-S理论，把三类报警信息的概率分配值全部分配给识别框架Θ，即m(Θ)＝m(a₁∪a₂∪...∪a_n)；或者把三类报警信息的概率分配值赋给某一子命题的反命题，即把概率分配值赋给识别框架Θ实际上就代表了系统对所关心的证据的精确性，或对证据的诠释还存在不确定性，赋给各子命题，子命题的一些并命题，整个识别框架以及某些反命题的所有概率分配值的和应等于1；

4b)报警信息直接分配给命题证据所对应的概率分配值的和即命题及组成命题的子命题的一些并命题的集合；按照这个定义判决目标类型为a₁的支持度S(a₁)＝m(a₁)；目标类型属于a₁或a₂或a₃的支持度为：

S(a₁∪a₂∪a₃)

＝m(a₁)+m(a₂)+m(a₃)+m(a₁∪a₂)+m(a₁∪a₃)+m(a₂∪a₃)+m(a₁∪a₂∪a₃)

其似然度为a_i和a_i有关的并命题的所有概率分配值相加，即：

似然度P₁(a_i)＝m(a₁)+m(a_i∪a₁)+...+m(Θ)

4c)设U为一些互斥且穷举的报警信息组成的集合，若有函数m:2^u→[0,1](2^u为U的幂集)满足：

$\left\{\begin{array}{c}m\left(\mathrm{\φ}\right)=0\\ \underset{A\⊆U}{\mathrm{\Σ}}m\left(A\right)=1\end{array}\right.$

则m是u的基本可信度分配，m(A)表示对命题A的支持程度，又名证据；若m₁,m₂,...,m_n为n个独立的证据，之间无关联，则根据经典证据理论的合成法则进行融合，即形成新的证据:

$\left\{\begin{array}{cc}m\left(A\right)=0& A=\mathrm{\φ}\\ m\left(A\right)=\frac{\underset{\∩A_j=A}{\mathrm{\Σ}}\underset{i\≤j\≤n}{\mathrm{\Π}}{m}_j\left(A_i\right)}{\underset{\∩A_i\≠\mathrm{\φ}}{\mathrm{\Σ}}\underset{i\≤j\≤n}{\mathrm{\Π}}{m}_j\left(A_i\right)}& A\≠\mathrm{\φ}\end{array}\right..$

有益效果：本发明提供的一种基于数据融合的智能报警方法，具有以下优点：1)本设计为电网系统中能够准确快速有效的智能报警提供了一种可行有效的方案。该报警系统结构简单，该系统遵循IEC61968/61970标准，采用企业服务总线把相关业务应用系统进行整合，实现基于信息交互体系下的配电管理系统建设改造，实现与PSMS、营销、95598等其它应用系统的资源共享，消除信息“孤岛”现象；2)该方法采用数据融合的方法有效过滤无效信息，获取有效信息，直观地表述上报调度人员，使调度人员全面掌握系统实时发生的情况。同时，智能预警平台必须以城市配网双编码体系设计为前提实现警报预处理。

附图说明

图1为本发明的流程图；

图2为本发明中的数据编码映射机制框图；

图3为本发明基于数据融合的智能报警方法的仿真算例图。

具体实施方式

下面结合附图和具体实施例对本发明作更进一步的说明。

如图1所示，一种基于数据融合的智能报警方法，包括以下步骤：

1)在进行警报预处理之前首先对整个配网进行规范统一的数据编码，将报警设备、编码和报警信号一一对应；

步骤1)中，智能报警要求能够处理各种故障下的警报信息，快速准确地找到故障源，将其直观的展示出来；在进行警报预处理之前，对整个配网进行规范统一的数据编码，将报警设备、编码和报警信号一一对应；如图2所示，结合双编码体系设计，采用抽象的公共信息模型(CIM)的建模方法，利用其分层、分类和继承的特点，按照城区、变电站、开关站和设备共四层搭建城市配网的分层分区模型；在此城市电网拓扑结构上，展开城市配网的双编码体系设计，建设完善的数据编码映射机制。

2)将报警信息分为三种类型：电压越限、保护装置动作和断路器跳闸；

3)采用Bayes理论进行概率分布推理，得出单类型的可能原因事件概率分布，为决策作出初步判断；步骤3)具体是指：设第i条线路发生电网故障时，触发的警报集合为:

A_i:A_i＝{a₁,a₂,...,a_j...,a_m；b₁,b₂,...,b_j...b_m；c₁,c₂,...,c_j...,c_m}

其中a_j、b_j和c_j(j＝1,2,...,m)分别为电压越限、保护装置动作、断路器跳闸发送的警报数据，j代表不同的装置；整个线路电压越限警报事件为m₁＝{a₁,a₂,...,a_n}，保护动作警报事件为m₂＝{b₁,b₂,...,b_n}，断路器动作警报事件为m₃＝{c₁,c₂,...,c_n}，n≥m；i为线路的编号，m为发生报警的装置数量；

对每个报警数据a_i，b_i和c_i，可能由多个故障造成，则发送报警数据的所有可能故障事件集合为{l₁,l₂,...,l_m}，l_i(i＝1,2,...,m)代表不同的线路；假设a_i,b_i和c_i与l_i故障直接相关，即距离故障l_i最近的电压越限、保护装置动作和断路器跳闸装置，设为触发的报警序列集合的首要元素，这种假设符合实际电网系统的判断逻辑；则发生故障时的警报处理的过程为:

3a)将获取的故障事件集合E{l_i}(i＝1,2,...,m)取并集，即

3b)对E中的每个元素l_j(j＝1,2,...,n)，取其对应的警报集合Alarm{l_j}＝{a_i|i＝1,2,...,q}；

3c)定义一个q维向量X＝[x₁,x₂,x₃,...x_q]，如果故障事件l_j对应警报集合中的警报a_i发生了，那么取x_i＝1，否则取x_i＝0；

3d)取则事件l_j的发生概率为P(l_i)＝|X|/q。

4)考虑到在错误警报信息下判断结果存在不确定性，采用数据融合D-S理论度量三种报警信息的不确定度，融合三种可能原因事件概率数据，得出最终故障结果；

步骤4)具体是指：

4a)应用数据融合D-S理论，把三类报警信息的概率分配值全部分配给识别框架Θ，即m(Θ)＝m(a₁∪a₂∪...∪a_n)；或者把三类报警信息的概率分配值赋给某一子命题的反命题，即把概率分配值赋给识别框架Θ实际上就代表了系统对所关心的证据的精确性，或对证据的诠释还存在不确定性，赋给各子命题，子命题的一些并命题，整个识别框架以及某些反命题的所有概率分配值的和应等于1；

4b)报警信息直接分配给该命题证据所对应的概率分配值的和即该命题及组成该命题的子命题的一些并命题的集合；按照这个定义判决目标类型为a₁的支持度S(a₁)＝m(a₁)；目标类型属于a₁或a₂或a₃的支持度为：

S(a₁∪a₂∪a₃)

＝m(a₁)+m(a₂)+m(a₃)+m(a₁∪a₂)+m(a₁∪a₃)+m(a₂∪a₃)+m(a₁∪a₂∪a₃)

其似然度为a_i和a_i有关的并命题的所有概率分配值相加，即：

似然度P₁(a_i)＝m(a₁)+m(a_i∪a₁)+...+m(Θ)

4c)设U为一些互斥且穷举的报警信息组成的集合，若有函数m:2^u→[0,1](2^u为U的幂集)满足：

$\left\{\begin{array}{c}m\left(\mathrm{\φ}\right)=0\\ \underset{A\⊆U}{\mathrm{\Σ}}m\left(A\right)=1\end{array}\right.$

则m是u的基本可信度分配，m(A)表示对命题A的支持程度，又名证据；若m₁,m₂,...,m_n为n个独立的证据，之间无关联，则根据经典证据理论的合成法则进行融合，即形成新的证据:

$\left\{\begin{array}{cc}m\left(A\right)=0& A=\mathrm{\φ}\\ m\left(A\right)=\frac{\underset{\∩A_j=A}{\mathrm{\Σ}}\underset{i\≤j\≤n}{\mathrm{\Π}}{m}_j\left(A_i\right)}{\underset{\∩A_i\≠\mathrm{\φ}}{\mathrm{\Σ}}\underset{i\≤j\≤n}{\mathrm{\Π}}{m}_j\left(A_i\right)}& A\≠\mathrm{\φ}\end{array}\right..$

本算例以取IEEE-14节点系统作为仿真测试系统，如图3所示。

假设线路L₆发生故障，B₃侧保护PR3动作，CB9跳闸；B4侧保护PR10拒动，引起线路L9、L11上变压器的低压侧保护动作，CB14、CB20跳闸，同时，作为主保护PR10的后背保护，B2、B₅侧保护PR5、PR12动作，CB5、CB12跳闸。故障发生后的警报集合如表1所示。

以保护动作和相应的断路器跳闸同时发生作为警报处理程序的触发条件，利用表1分类后的警报进行Bayes概率推理如表2所示，其中L₃表示L₃发生故障，其他同理，m₁、m₂、m₃分别为利用保护动作类警报、断路器跳闸类警报和电压越限类警报推理所得事件的发生概率。

表1警报集合及分类

警报	类型	编号
			母线B3电压越限	VL	a3
母线B4电压越限	VL	a4
			保护PR9动作	PR	b9
断路器CB9跳闸	CB	c9
			保护PR14动作	PR	b14
断路器CB14跳闸	CB	c14
			母线B7电压越限	VL	a7
母线B8电压越限	VL	a8
			断路器CB20跳闸	CB	b20
母线B9电压越限	VL	c20
			母线B10电压越限	VL	a9
母线B14电压越限	VL	a10
			保护PR15动作	PR	a14
断路器CB5跳闸	CB	b5
			母线B2电压越限	VL	c5

表2单类型Bayes推理可能原因概率表

	m1	m2	m3
				L3	0.1033	0.1032	0.1435
L6	0.5341	0.5234	0.5722
				L7	0.1246	0.1324	0.1225
L8	0.1341	0.1332	0.1028
				L11	0.1074	0.1073	0.0978

则每条线路确定发生故障且归一化后的概率为：

L6＝0.504232459；L3＝0.135779011；L7＝0.141839438；L8＝0.117052692；L11＝0.101096401

对比融合和非融合结果可以看出:警报信息有不确定性的情况下，虽然D-S融合对线路L6发生故障的概率值判断值降低，但该判断是在考虑各种不利因素影响下最为准确可靠的结果，从而防止系统发生误判；经D-S数据融合，可以判断出多条线路同时发生故障的概率。当经过计算的线路故障概率超过一定阀值时，系统会发出警报。

本实施例针对IEEE-14节点系统进行故障报警仿真测试，提出最为准确可靠的预警方法，在面对不同报警信息和信息不确定的情况下，基于D-S数据融合来协同实现准确的预警。本方法是可以推广到解决其它类型的智能电网园区，也可以推广到民用，有利于推动能源的梯级利用，实现智能报警。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于数据融合的智能报警方法，包括以下步骤：

1)在进行警报预处理之前，首先对整个配网进行规范统一的数据编码，将报警设备、编码和报警信号一一对应；

2)将报警信息分为三种类型：电压越限、保护装置动作和断路器跳闸；

3)采用Bayes理论进行概率分布推理，得出单类型的可能原因事件概率分布，为决策作出初步判断；

4)考虑到在错误警报信息下判断结果存在不确定性，采用数据融合D-S理论度量三种报警信息的不确定度，融合三种可能原因事件概率数据，得出最终故障结果。

2.根据权利要求1所述的一种基于数据融合的智能报警方法，其特征在于，具体包括以下步骤：步骤1)中，智能报警要求能够处理各种故障下的警报信息，快速准确地找到故障源，将其直观的展示出来；在进行警报预处理之前，对整个配网进行规范统一的数据编码，将报警设备、编码和报警信号一一对应；结合双编码体系设计，采用抽象的公共信息模型的建模方法，利用其分层、分类和继承的特点，按照城区、变电站、开关站和设备共四层搭建城市配网的分层分区模型；在城市电网拓扑结构上，展开城市配网的双编码体系设计，建设完善的数据编码映射机制。

3.根据权利要求1所述的一种基于数据融合的智能报警方法，其特征在于：步骤3)具体是指：设第i条线路发生电网故障时，触发的警报集合为:

A_i:A_i＝{a₁,a₂,...,a_j...,a_m；b₁,b₂,...,b_j...b_m；c₁,c₂,...,c_j...,c_m}

其中a_j、b_j和c_j(j＝1,2,...,m)分别为电压越限、保护装置动作、断路器跳闸发送的警报数据，j代表不同的装置；整个线路电压越限警报事件为m₁＝{a₁,a₂,...,a_n}，保护动作警报事件为m₂＝{b₁,b₂,...,b_n}，断路器动作警报事件为m₃＝{c₁,c₂,...,c_n}，n≥m；i为线路的编号，m为发生报警的装置数量；

对每个报警数据a_i，b_i和c_i，可能由多个故障造成，则发送报警数据的所有可能故障事件集合为{l₁,l₂,...,l_m}，l_i(i＝1,2,...,m)代表不同的线路；假设a_i,b_i和c_i与l_i故障直接相关，即距离故障l_i最近的电压越限、保护装置动作和断路器跳闸装置，设为触发的报警序列集合的首要元素，则发生故障时的警报处理的过程为:

3a)将获取的故障事件集合E{l_i}(i＝1,2,...,m)取并集，即

3b)对E中的每个元素l_j(j＝1,2,...,n)，取其对应的警报集合Alarm{l_j}＝{a_ii＝1,2,...,q}；

3c)定义一个q维向量X＝[x₁,x₂,x₃,...x_q]，如果故障事件l_j对应警报集合中的警报a_i发生了，那么取x_i＝1，否则取x_i＝0；

3d)取则事件l_j的发生概率为P(l_i)＝|X|/q。

4.根据权利要求1所述的一种基于数据融合的智能报警方法，其特征在于：步骤4)具体是指：

4a)应用数据融合D-S理论，把三类报警信息的概率分配值全部分配给识别框架Θ，即m(Θ)＝m(a₁∪a₂∪...∪a_n)；或者把三类报警信息的概率分配值赋给某一子命题的反命题，即m(a₁)＝m(a₂∪a₃∪...∪a_n)；把概率分配值赋给识别框架Θ实际上就代表了系统对所关心的证据的精确性，或对证据的诠释还存在不确定性，赋给各子命题，子命题的一些并命题，整个识别框架以及某些反命题的所有概率分配值的和应等于1；

4b)报警信息直接分配给命题证据所对应的概率分配值的和即命题及组成命题的子命题的一些并命题的集合；按照这个定义判决目标类型为a₁的支持度S(a₁)＝m(a₁)；目标类型属于a₁或a₂或a₃的支持度为：

S(a₁∪a₂∪a₃)

＝m(a₁)+m(a₂)+m(a₃)+m(a₁∪a₂)+m(a₁∪a₃)+m(a₂∪a₃)+m(a₁∪a₂∪a₃)

其似然度为ai和ai有关的并命题的所有概率分配值相加，即：

似然度P₁(a_i)＝m(a₁)+m(a_i∪a₁)+...+m(Θ)

4c)设U为一些互斥且穷举的报警信息组成的集合，若有函数

m:2^u→[0,1](2^u为U的幂集)满足：

$\left\{\begin{array}{c}m\left(\mathrm{\φ}\right)=0\\ \underset{A\⊆U}{\mathrm{\Σ}}m\left(A\right)=1\end{array}\right.$

则m是u的基本可信度分配，m(A)表示对命题A的支持程度，又名证据；若m₁,m₂,...,m_n为n个独立的证据，之间无关联，则根据经典证据理论的合成法则进行融合，即形成新的证据:

$\left\{\begin{array}{cc}m\left(A\right)=0& A=\mathrm{\φ}\\ m\left(A\right)=\frac{\underset{\∩A_j=A}{\mathrm{\Σ}}\underset{i\≤j\≤n}{\mathrm{\Π}}{m}_j\left(A_i\right)}{\underset{\∩A_i\≠\mathrm{\φ}}{\mathrm{\Σ}}\underset{i\≤j\≤n}{\mathrm{\Π}}{m}_j\left(A_i\right)}& A\≠\mathrm{\φ}\end{array}\right..$