CN110263172A - 一种电网监控告警信息事件化自主识别方法 - Google Patents

Abstract

本发明公开了一种电网监控告警信息事件化自主识别方法，包括以下步骤：步骤1：收集所需的基本数据；步骤2：梳理电网变化相关的特征信息，构建事件化规则库；步骤3：运用规则对告警信息进行判定，形成事件初步分类结果并转化成向量；步骤4：对原始监控告警信息进行数据预处理，生成特征向量，与初步分类结果的向量结合构造训练样本集；步骤5：采用卷积神经网络分类模型对训练样本集进行训练和学习；步骤6：利用训练好的卷积神经网络模型，获得该监控事件的精确识别结果。该方法可以实现对电网告警事件和业务事件的自主识别，有效减轻监控业务人员的监屏压力，提升日常监视和事故异常处置工作效率。

Description

一种电网监控告警信息事件化自主识别方法

技术领域

本发明涉及一种电网监控告警信息事件化自主识别方法，对电网告警信息进行分类预警，属于电力系统技术领域。

背景技术

现有的电网监控业务依赖告警信息逐条响应的监视方式，需要对每一条信息逐一进行判别、分析并做出反馈。随着电网规模不断扩大，电网智能化水平持续提升，接入调控机构实现集中监控的变电站、电网设备及告警信息数量持续增加，容易出现设备故障或异常漏判误判的情况，已无法适应当前形势下电网监控业务的更高要求。同时，深度学习算法采用逐层训练的方式对数据进行处理，能够获得原始输入变量集合的高级特征表示，提高分类准确性，面对海量的电网运行告警信息处理需求，深度学习具有明显的优势。

因此，本发明根据电网实际业务建立事件规则库，并利用事件规则库中的事件特征规则和事件规则对告警信息进行初步分类的基础上，应用深度学习算法，建立电网事件化分类模型，将实时告警信号监视、事故异常处理、监控远方操作、监控日常业务、大数据分析等多源数据转化为监控事件。将事件化规则和深度学习相结合应用于告警信息事件化自主识别，规则方法的分类结果可以作为深度学习方法的输入调整标志，为模型调整完善参数结构提供参考依据；基于深度学习的事件化知识模型可以弥补规则方法面对部分信息特征缺失或伴随信息干扰等场景分类不准确的问题，为事件校核提供依据，实现二者优势的互补融合。

综上所述，本发明根据电网实际业务建立事件规则库，利用卷积神经网络的优点，建立电网监控告警信息事件化模型。

发明内容

发明目的：本发明针对目前电网设备故障告警信息的数量呈现几何级增长的趋势，现有技术手段在监控业务实时分析处置方面仍存在着监控告警信号实时处理方式效率低、监控事件分析及处置规范性不足、容易出现设备故障或异常漏判误判、无法实现面向多业务场景的监控事件识别的问题，提供一种电网监控业务事件化自主识别方法。

技术方案：一种电网监控告警信息事件化自主识别方法，包括以下步骤：

步骤1：收集电网监控告警信息事件化自主识别方法所需的基本数据，包括电网监控告警历史信息及其时标信息，变电站及线路名称的统计信息，事件发生时量测数据，设备台账数据，以及Ⅲ区调度管理系统、视频管理系统、大数据分析系统中的相关数据；

步骤2：从实际业务出发，梳理电网变化相关的特征信息，根据电压等级、事件类型、设备、信号类型多维度构建事件化规则库；

步骤3：综合运用事件特征规则和事件规则对告警信息进行分析判定，形成事件初步分类结果，并将其转化成向量；

步骤4：对步骤1中收集的历史监控告警信息进行数据预处理，包括去停用词和分词，利用Word2vec模型生成包含信号特征的特征向量；与初步分类结果的向量结合构造训练样本集；

步骤5：采用卷积神经网络(TextCNN)分类模型对训练样本集进行训练和参数学习；

步骤6：将任意告警信息及初步分类结果的向量表示输入到训练好的模型中，获得监控事件的自主识别结果。

有益效果：本发明提供的电网监控告警信息事件化自主识别方法可以将监控实时告警信息转化为监控事件，实现对电网监控事件的自主识别。改变现有电网监控业务依赖告警信息逐条响应的监视方式，有效减轻监控业务人员的监屏压力，提升日常监视和事故异常处置工作效率，更好的适应当前形势下电网监控业务的要求。

附图说明

图1为识别方法整体框架图；

图2为识别方法流程图；

图3为卷积神经网络结构示意图。

具体实施方式

下面结合附图进一步阐明本发明，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围内。

本发明建立了一种基于深度学习的电网监控告警信息事件化自主识别方法，能够对输入的告警信息进行识别。图1为本识别方法整体框架图，图2为本识别方法流程图。本发明具体实施时，按照以下步骤进行：

第一步，收集电网监控告警信息事件化自主识别方法所需的基本数据，包括电网监控告警历史信息及其时标信息，变电站及线路名称的统计信息，事件发生时量测数据，设备台账数据，以及Ⅲ区调度管理系统、视频管理系统、大数据分析系统中的相关数据。收集的告警信息包括了必要告警信息和伴生告警信息，必要告警信息包括保护信息，事故总信息，开关位置信息；伴生告警信息包括开关控制回路断线动作信息，开关弹簧未储能动作信息，开关电动机打压信息，装置告警信息、设备告警信息。

第二步，从实际业务出发，梳理电网变化相关的特征信息，根据电压等级、事件类型、设备、信号类型多维度构建事件化规则库。规则库建立了告警信息、特征和事件之间的对应关系，是可扩展、可自定义的，包含了事件特征规则和事件规则。事件特征由告警信息按照逻辑规则关系构成，事件特征包括了采集量特征，如信号动作，信号瞬动、信号频动、信号动作异常、遥测量越限、量测值失效；设备运行特征，如故障跳闸，开关重合、开关拒动、备自投动作、拓扑方式、压力低、绝缘故障、交直流失电。事件类型由事件特征按照逻辑规则关系进行判定，事件规则又包括了事故事件规则，异常事件规则和操作事件规则等，每一类规则都包含了事件判定的必要条件和非必要条件。其中，监控告警信息中的位置信号，保护信号和量测信号组成必要条件，伴随监控信号为非必要条件。

第三步，综合运用事件特征规则和事件规则对告警信息进行分析判定，形成事件初步分类结果，并将其转化成向量。事件判定逻辑为考虑特征之间的拓扑关系、信号出现的时间窗，在一定时间内，具有一定拓扑关系的特征都满足时，则判定事件成立。根据事件特征规则，将多条告警信息组合成一个特征；根据事件规则，将多个特征之间依据一定的逻辑关系计算是否满足事件，得到事件初步分类结果。规则方法的初步分类结果是事件类别，如瞬时故障-重合成功、永久故障-重合失败和永久故障-重合闸未动等，将其表示成数字向量(0,1,2…)或者one-hot向量((1,0,…,0),(0,1，…,0)…)。

第四步，对第一步中收集的历史监控告警信息进行数据预处理，包括去停用词和分词，利用Word2vec模型生成包含信号特征的特征向量；与初步分类结果的向量结合构造训练样本集。建立停用词表，去除告警信息中的停用词后，基于电力词典进行中文分词处理，生成按时间排序的由一系列中文词组构成的监控告警信息；然后利用Word2vec模型对监控告警信息进行无监督训练，深度挖掘单条信息中前后词组的关联关系，生成蕴藏语义特征的高维词向量；最后将单条监控告警信息中的词向量平均化处理，输出能够被计算机识别的监控告警信息句向量。与规则初步分类结果的向量结合构造识别模型的完整训练样本集。

第五步，采用卷积神经网络(Text Convolutional Neural Network，TextCNN)分类模型对训练样本集进行训练和参数学习。卷积神经网络的基本结构由输入层(inputlayer)、卷积层(convolutional layer)、池化层(pooling layer)和全连接层(fully-connection layer)构成。由于规则库为人工定义，规则不够精确和完整。在实际识别过程中可能出现漏识别和错误识别的情况，而卷积神经网络具有自我学习能力，能够在对初步识别结果学习的基础上，通过对原始告警信息的继续学习，调整完善参数结构，增强自身稳定性和识别能力，提高识别的准确度。卷积神经网络结构如图2所示，其基本计算过程为：

(1)卷积神经网络的输入为某待分类事件的多条监控告警信息及其初步分类结果所对应的矩阵H，表示其中n为监控告警信息和初步分类结果组成的向量数量,k为每条监控告警信息的向量维度，初步分类结果的向量维度也为k。

(2)采用行数为h，列数与H相同的卷积矩阵与输入层矩阵H中相同大小的子矩阵进行卷积操作，从上往下依次移动卷积矩阵W并重复进行相同卷积操作，为了最大限度地加快训练收敛速度，选择ReLU作为非线性激活函数，则输出特征为：

其中i＝1,2,...,n-h+1；H_i:i+h-1表示由矩阵H的第i行至第i+h-1行组成的子矩阵；运算符号表示卷积操作，即将两个矩阵相同位置的元素相乘然后求和；ReLU为激活函数计算公式为f(x)＝max(0,x)；b_i为偏置项。

(3)经过n-h+1次操作后将所有结果依次排列堆积得到卷积层特征向量改变卷积矩阵的行数h形成不同类别的矩阵窗口，可以更加充分地提取局部监控告警信息间的关联特征。

池化层通过一定的下采样规则对特征向量进行降维，取每个经卷积层得到的特征向量c中的最大值作为特征值。需要对卷积层提取出来的特征向量进行最大池化操作：

c_max＝max{c}

式中，c_max为最大池化函数作用于局部特征c产生的最大值。将所有不同特征向量经池化操作提取的特征值拼接形成池化层输出向量其中t＝a·b，a为卷积矩阵的类别，b为不同类别的卷积矩阵的数量，a,b均为可调节参数。池化操作大大降低特征维度，提高了模型训练效率。

(4)卷积神经网络的最后一层是全连接层，使用softmax函数模型计算出任意输入属于每个事件类别的概率，选取概率最大的事件类别作为该告警信息的

事件化结果

q＝softmax(W₀·c+b₀)

式中，W₀为全连接层的权值矩阵；b₀全连接层的偏置项。两个参数均通过梯度下降进行优化求解确定。

第六步，将任意告警信息及初步分类结果的向量表示输入到训练好的模型中，获得监控事件的自主识别结果。规则库中的每一类规则都包含了监控事件判定的必要条件和非必要条件。通过卷积神经网络识别事件的过程中，告警信息必须要满足规则的必要条件，但非必要条件不需要完全满足，即伴随监控信号的变化和干扰不一定会改变监控事件的识别结果。识别结果包含了告警事件和业务事件两大类。其中，告警事件包括事故跳闸、设备故障、设备运行异常；业务事件包括操作事件、检修工作、异常处理。

以上所述仅为本发明的一种实施案例，应当指出，对于本技术领域的普通技术人员来说，在不脱离发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (11)

1.一种电网监控告警信息事件化自主识别方法，其特征在于：包括以下步骤：

步骤1：收集电网监控告警信息事件化自主识别方法所需的基本数据，包括电网监控告警历史信息及其时标信息，变电站及线路名称的统计信息，事件发生时量测数据，设备台账数据，以及Ⅲ区调度管理系统、视频管理系统、大数据分析系统中的相关数据；

步骤2：从实际业务出发，梳理电网变化相关的特征信息，根据电压等级、事件类型、设备、信号类型多维度构建事件化规则库；

步骤3：综合运用事件特征规则和事件规则对告警信息进行分析判定，形成事件初步分类结果，并将其转化成向量；

步骤4：对步骤1中收集的历史监控告警信息进行数据预处理，包括去停用词和分词，利用Word2vec模型生成包含信号特征的特征向量；与初步分类结果的向量结合构造训练样本集；

步骤5：采用卷积神经网络(TextCNN)分类模型对训练样本集进行训练和参数学习；

步骤6：将任意告警信息及初步分类结果的向量表示输入到训练好的模型中，获得监控事件的自主识别结果。

2.如权利要求1所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤1中，收集的告警信息包括必要告警信息和伴生告警信息，必要告警信息包括保护信息，事故总信息，开关位置信息；伴生告警信息包括开关控制回路断线动作信息，开关弹簧未储能动作信息，开关电动机打压信息，装置告警信息，设备告警信息。

3.如权利要求1所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤2中，由告警信息、特征和事件之间的对应关系建立规则库，所述规则库是可扩展、可自定义的，包含事件特征规则和事件规则。

4.如权利要求3所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤2中，所述事件特征由告警信息按照逻辑规则关系构成，事件特征包括采集量特征，如信号动作、信号瞬动、信号频动、信号动作异常、遥测量越限、量测值失效；和设备运行特征，如故障跳闸、开关重合、开关拒动、设备自投动作、拓扑方式、压力低、绝缘故障、交直流失电。

5.如权利要求3所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤2中，所述事件规则又包括事故事件规则，异常事件规则和操作事件规则等，每一类规则都包含事件判定的必要条件和非必要条件；

其中，监控告警信息中的位置信号，保护信号和量测信号组成必要条件，伴随监控信号为非必要条件。

6.如权利要求1所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤3中，根据事件特征规则，将多条告警信息组合成一个特征；根据事件规则，将多个特征之间依据一定的逻辑关系计算是否满足事件，得到事件初步分类结果。

7.如权利要求6所述的一种电网监控告警信息事件化自主识别方法，其特征在于：所述初步分类结果是事件类别，将其表示成数字结果(0,1,2…)或者one-hot向量((1,0,…,0),(0,1，…,0)…)。

8.如权利要求1所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤4中，

建立停用词表，去除告警信息中的停用词后基于电力词典进行中文分词处理，生成按时间排序的由一系列中文词组构成的监控告警信息；

然后利用Word2vec模型对监控告警信息进行无监督训练，深度挖掘单条信息中前后词组的关联关系，生成蕴藏语义特征的高维词向量；

最后将单条监控告警信息中的词向量平均化处理，输出能够被计算机识别的监控告警信息句向量。

9.如权利要求1所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤5中，卷积神经网络的基本结构由输入层、卷积层、池化层和全连接层构成。

10.如权利要求9所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤5中，卷积神经网络的计算过程如下：

(1)卷积神经网络的输入为某待分类事件的多条监控告警信息及其初步分类结果所对应的矩阵H，表示其中n为监控告警信息和初步分类结果组成的向量数量,k为每条监控告警信息的向量维度，初步分类结果的向量维度也为k；

(2)采用行数为h、列数与矩阵H相同的卷积矩阵与输入层矩阵H中相同大小的子矩阵进行卷积操作，从上往下依次移动卷积矩阵W并重复进行相同卷积操作，为了最大限度地加快训练收敛速度，选择ReLU作为非线性激活函数，则输出特征为：

其中i＝1,2,...,n-h+1；H_i:i+h-1表示由矩阵H的第i行至第i+h-1行组成的子矩阵；运算符号表示卷积操作，即将两个矩阵相同位置的元素相乘然后求和；ReLU为激活函数，计算公式为f(x)＝max(0,x)；b_i为偏置项；

(3)经过n-h+1次操作后将所有结果依次排列堆积得到卷积层特征向量改变卷积矩阵的行数h形成不同类别的矩阵窗口，提取局部监控告警信息间的关联特征；对卷积层提取出来的特征向量进行最大池化操作：

c_max＝max{c}

式中，c_max为最大池化函数，作用于局部特征c产生的最大值，将所有不同特征向量经池化操作提取的特征值拼接形成池化层输出向量其中t＝a·b，a为卷积矩阵的类别，b为不同类别的卷积矩阵的数量，a,b均为可调节参数；

(4)卷积神经网络的最后一层是全连接层，使用softmax函数模型计算出任意输入属于每个事件类别的概率，选取概率最大的事件类别作为该告警信息的事件化结果：

q＝softmax(W₀·c+b₀)

式中，W₀为全连接层的权值矩阵；b₀为全连接层的偏置项，两个参数均通过梯度下降进行优化求解确定。

11.如权利要求1所述的一种电网监控告警信息事件化自主识别方法，其特征在于：在步骤6中，识别结果包含告警事件和业务事件两大类；其中，告警事件包括事故跳闸、设备故障、设备运行异常；业务事件包括设备操作、工作检修、异常处理。