CN112699106A

CN112699106A - 一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法

Info

Publication number: CN112699106A
Application number: CN202011536994.0A
Authority: CN
Inventors: 张烈; 王文焕; 张瀚方; 郭鹏; 杨国生; 吴春亮; 王丽敏; 康逸群; 李妍霏; 闫周天; 胡海燕; 申华; 陈超; 刘芳
Original assignee: China Electric Power Research Institute Co Ltd CEPRI
Current assignee: China Electric Power Research Institute Co Ltd CEPRI
Priority date: 2020-12-23
Filing date: 2020-12-23
Publication date: 2021-04-23

Abstract

本发明提供一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法，属于电力系统继电保护领域。本发明方法，包括：采集继电保护系统的告警信息，并对告警信息进行存储；调用告警信息，对告警信息进行缺陷分析及清洗处理，形成候选项集；针对候选集，基于时序Apriori算法获取继电保护装置多维度告警信息的时序关联规则；对获得的强关联规则进行缺陷分析，获取分析结果，根据分析结果给出检修建议。本发明为继电保护系统的运维管理、检修安排、退役报废等提供精细化、智能化、实时化、可视化的技术支持。

Description

一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法

技术领域

本发明属于电力系统继电保护技术领域，具体涉及一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法。

背景技术

根据对历史告警数据库的分析，一个根因故障告警往往引发一些后导告警，这些告警在时序上存在关联关系，利用Apriori算法从历史数据中挖掘时序关联规则，进行告警信息合并，在告警信息可视化展示时有效减少告警条数，方便运维人员接收到更清晰精准的故障信息。数据挖掘技术能够通过一定方式从大量数据中发现数据关联规律，并进一步从这些规律中提取数据反映的客观现象。Apriori算法利用已生成的频繁k项集生成频繁k+1项集，逐层迭代直至不再产生新的频繁项，从而挖掘出多维告警数据库中相关联的标签特征。

本发明提出了一种可以将Apriori算法应用于继电保护装置的多维度告警信息时序关联关系分析方法。通过海量历史告警信息数据抓取、迭代、训练、验证等步骤完成对告警信息的关联规则提取与信息特征分析。避免核心告警信息的疏漏造成重大损失。对海量告警数据进行信息收集以获取真正有价值的告警信息。

发明内容

本发明的目的在于从智能变电站上传的海量告警数据中筛选出重要告警信息，避免出现由于忽略淹没在海量数据中的安全隐患引起电网扩大故障甚至电网崩溃等灾难性后果。提出了一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法。针对继电保护装置的多维全状态告警信息进行数据标签特征向量提取、数据建模和存储，对告警信息进行清洗处理后形成候选项集；采用Apriori数据挖掘算法，导出告警信息的强关联规则，结合分析电网的实时数据、检测和调试数据、在线监测数据、台账信息，为继电保护系统的运维管理、检修安排、退役报废等提供精细化、智能化、实时化、可视化的数据支持。

为了实现上述发明目的，本发明提出了一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法，包括：

采集继电保护系统的告警信息，并对告警信息进行存储；

调用告警信息，对告警信息进行缺陷分析及清洗处理，形成候选项集；

针对候选集，基于时序Apriori算法，获取继电保护装置多维度告警信息的时序关联规则；

对获得的强关联规则进行缺陷分析，获取分析结果，根据分析结果给出检修建议。

可选的，告警信息通过智能变电站的过程层的MMS、间隔层的SNMP和站控层的DL/860进行采集。

可选的，告警信息使用RAID5进行存储。

可选的，基于时序Apriori算法获取继电保护装置多维度告警信息的时序关联规则的过程中，标记冗余的告警信息。

可选的，对告警进行缺陷分析及清洗处理，形成告警信息的缺陷原因分析结果，所述缺陷原因存储至候选集。

可选的，获取继电保护装置的多维度告警信息时序关联规则，包括：

针对关联强度及告警信息进行迭代训练，获取继电保护装置的多维度告警信息时序关联规则；

计算标签的支持度和置信度，判定标签之间的关联强度。

可选的，获取继电保护装置的多维度告警信息时序关联规则，所述计算标签的支持度和置信度，判定标签之间的关联强度，包括：

遍历告警信息库，找出1阶频繁项集L₁；

将L_k-1采用自连接产生k阶候选项目集C_k；

对k阶候选项目集C_k进行减枝，获取频繁项目集；

在频繁项目集中，获取满足预设要求的关联规则。

可选的，计算标签的置信度，对置信度的计算做出调整，为：

其中，Card(A)为候选项集中包含候选项A的数量；

Card(A∪B)表示候选项集中同时包含A和B的项数；

Confidence(A→B)为候选项集在时间序列中时序串行关系；

为滑动时间窗时相邻时间窗口，被标记为冗余告警信息的候选项集中同时包含A和B的项目的频繁项统计数；

为滑动时间窗时相邻时间窗口，被标记为冗余告警信息的候选项集中包含A的项目的频繁项统计数。

可选的，候选项集的表达式为：

其中，T为缺陷发生时间，F为设备的生产厂家，S为设备类别，Y为设备投运年限；

所述设备投运年限划分为投运时间小于1年、大于1年小于5年、大于5年小于12年和12年以上；

W为告警信息，R为缺陷原因及T_p为时间序列观测时段。

可选的，关联规则的支持度和置信度分别大于支持度阈值min_sup和置信度阈值min_conf。

本发明实现了时序关联关系的数据挖掘装置，通过海量历史告警信息数据抓取、迭代、训练、验证等步骤完成对告警信息的关联规则提取与信息特征分析，避免核心告警信息的疏漏造成重大损失，对海量告警数据进行信息收敛以获取真正有价值的告警信息。

附图说明

图1为本发明方法流程图；

图2为本发明四硬盘RAID5结构图；

图3为本发明告警时序序列示意图；

图4为本发明告警信息时序关联分析流程图；

图5为本发明Apriori算法流程图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

本发明提出了一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法，如图1所示，包括：

采集继电保护系统的告警信息，并对告警信息进行存储；

针对候选集，基于时序Apriori算法获取继电保护装置多维度告警信息的时序关联规则；

其中，告警信息通过智能变电站的过程层的MMS、间隔层的SNMP和站控层的DL/860进行采集。

其中，告警信息使用RAID5进行存储。

其中，基于时序Apriori算法获取继电保护装置多维度告警信息的时序关联规则的过程中，标记冗余的告警信息。

其中，对告警进行缺陷分析及清洗处理，形成告警信息的缺陷原因分析结果，所述缺陷原因存储至候选集。

其中，获取继电保护装置的多维度告警信息时序关联规则，包括：

计算标签的支持度和置信度，判定标签之间的关联强度。

其中，获取继电保护装置的多维度告警信息时序关联规则，所述计算标签的支持度和置信度，判定标签之间的关联强度，包括：

遍历告警信息库，找出1阶频繁项集L₁；

将L_k-1采用自连接产生k阶候选项目集C_k；

对k阶候选项目集C_k进行减枝，获取频繁项目集；

在频繁项目集中，获取满足预设要求的关联规则。

其中，Card(A)为候选项集中包含候选项A的数量；

Card(A∪B)表示候选项集中同时包含A和B的项数；

confidence(A→B)为候选项集在时间序列中时序串行关系；

其中，候选项集的表达式为：

W为告警信息，R为缺陷原因及T_p为时间序列观测时段。

下面结合实施例对本发明进行进一步的说明：

包括以下步骤：

步骤1：采集并存储继电保护系统告警信息；

步骤2：获取告警信息，对其告警信息进行清洗、处理，形成候选项集；

步骤3：基于时序Apriori算法计算得到继电保护装置多维度告警信息时序关联规则；

步骤4：对获得的强关联规则进行缺陷分析并给出相关检修建议。

所述步骤1中，继电保护系统告警数据信息采集方式为：

(1)过程层：智能终端、合并单元、GOOSE/SV(Generic Object OrientedSubstation Event/Sampled Value)状态检测信息，设备自检信息，测控装置通过MMS(Multimedia Messaging Service)报文上送到站控层在线状态监测模块；

(2)间隔层：保护装置、测控装置、报文记录分析仪、交换机等设备，采集的信息包括CPU、Flash等IC芯片、电源、A/D、I/O、通讯状态、时钟等硬件模块的实时状态。测控、保护、报文记录分析仪的监测信息直接从MMS网采集，交换机信息通过DL/T 860采集，对于条件不具备的站，也可以通过SNMP(Simple Network Management Prorocol)采集；

(3)站控层：远动机、监控主机采集设备的运行工况和告警信息，监测数据通过DL/T 860或私有规约方式实现与站控层设备之间的数据交互。

RAID5是一种兼顾存储性能、数据安全和存储成本的数据存储方案。数据存储采用RAID5方案，如图2所示。

所述步骤2中，对其告警信息进行清洗，形成候选项集：

(1)对获取的告警信息进行时序关联关系分析，标记其冗余的告警信息：

在实际工程应用中，告警在时序上存在一定关联，一个根因故障告警往往引发一些后导告警，需要对告警信息进行时序关联分析，并标记冗余告警信息，以消除冗余告警信息对置信度计算的影响。

告警时序序列示意图如图3所示，告警序列中n(t_x，i_y)为候选项Item_y的在时间窗t_x中的频繁项记录。时间窗t_p为：

T_P＝T_E-T_S

其中，m为时间窗口个数；T_P表示时间序列观测时段，T_E表示序列终止时间；T_S表示序列起始时间。

告警信息时序关联分析流程见图4，分析步骤：

1)给定时间序列观测时段T_p，告警信息项数M；窗口开始记录K_{w_s}＝1

2)计算窗口期内记录数N_w；窗口期内初始记录K_{in_w_st}＝1；

3)保存当前记录装置信息；

4)当前记录是否已标记为冗余告警？是则转6)

5)比较装置信息，如信息完全相同，则该告警信息标记为冗余告警；

6)窗口期内K_{in_w_st}＝K_{in_w_st}+1

7)K_{in_w_st}是否在窗口期内？否，则转9)

8)转3)

9)转至下一窗口进行时序分析，直至最后记录。

(2)对告警信息进行分析，给出缺陷原因；

由于告警信息库采集的数据可能不规范，故障描述不统一，因此可以预先设置数据词典，词典设置可以参阅国家电网公司《继电保护和安全自动装置缺陷管理办法》，便于人工或机器对数据进行清洗、分析，形成缺陷原因。

(3)根据设备信息，调用保护设备的基础数据库，形成候选项集

其中，T为告警发生时间；F为设备的生产厂家；S为设备类别；Y为设备投运年限，为减少Apriori算法的候选项，将设备投运年限处理为投运时间小于1年、大于1年小于5年、大于5年小于12年和12年以上四挡；W为告警信息，R为缺陷原因，通过对告警信息分析得到；T_P表示时间序列观测时段。

所述步骤3中，Apriori频繁项集合强关联规则的概念通过支持度Support_(A→B)和置信度Confidence_(A→B)两个指标判定。满足支持度要求的项集成为频繁项集，同时又满足可信度要求的规则被称为强关联规则。

图5为Apriori算法流程。首先扫描一次缺陷告警信息库，此时库中每项都是候选k＝1项集中的元素，计算此次扫描过程每个候选项的支持度计数，并通过最小支持度生成频繁k＝1项集L₁。之后利用L₁搜寻并生成频繁k＝2项集L₂，如此类推k＝k+1，直至不能再生成新的频繁项k＝n，(n∈N^*)为止。在算法执行过程中，为了找出频繁k项集L_k，Apriori算法将L_k-1进行自连接操作，产生新的候选频繁项集并将它记为C_k。每生成一个候选项集C_k都需要再一次扫描库，确定C_k中每个候选项的计数，从而确定L_k。

在实际工程应用中，需要消除冗余告警信息对置信度计算的影响。时序Apriori置信度计算公式为：

其中，Card(A)表示候选项集中包含候选项A的数量，Card(A∪B)表示候选项集中同时包含A和B的项数。规则A→B描述了候选项集

(T，F，S，A，W，R)在时间序列T_p中时序串行关系，

若置信度满足最小之置信阈值min_conf：

confidence(A→B)≥min_conf

同时满足最小支持阈值min_sup和最小置信阈值min_conf的规则R：A→B视为强规则。

所述步骤4中，对基于强关联规则的计算结果进行缺陷分析。1)滤除一些不必要的规则，如某些缺陷原因是某类设备所特有的，这些规则其置信度往往是100％的，如果这些规则的支持度很低，则对运维人员而言，指导意义不大；2)从导出的规则可以分析设备投运年限与缺陷的关系，进而执行针对性运维；3)分析生产厂商和缺陷设备类别的关联规则，可以进一步分析继保设备的家族性缺陷，例如当某一厂商、某类装置缺陷告警比较集中，且运行年限没有超过12年时，可以进一步分析是否存在家族性缺陷；4)分析保护设备的薄弱环节，找到诱发薄弱环节的原因，给保护设备运维和管控提供参考依据。

以下通过一个具体案例说明本发明的具体实现方式：

获取某电力公司某天的告警信息，对其告警进行清洗，包括信息的规范化处理、进行时序关联关系分析以及缺陷原因分析等，表1为告警信息时序关联分析示例，表中告警信息25，26，32，33等的告警信息“GOOSE数据异常”、“GOOSE检修状态不一致”均由于“GOOSE通信中断”引发的告警，应标记为冗余告警信息。处理后形成样本数据为3389条，并将数据保存到Excel文件，数据格式为：第一列为缺陷发生时间；第二列为设备的生产厂家；第三列为设备类别，包括继电保护设备、二次回路、安全自动装置、交直流电源、录波设备及保信子站等；第四列为设备投运年限，为减少Apriori算法的候选项，将设备投运年限处理为投运时间小于1年、大于1年小于5年、大于5年小于12年和12年以上四挡；第五列为告警信息；第六列为缺陷原因，包括液晶黑屏或花屏、内存出错、程序出错、DSP出错、定值出错、出口回路异常、直流系统参数错误、直流系统接地、有寄生回路、回路接线不正确、回路短路等等。候选项集数据示例见表2。

表1

表2

设置最小支持度阈值min_sup＝0.5％，经Apriori算法时序关联分析，导出min_sup>0.5％的关于保护装置的强关联规则28条如表3所示。

表3

序号	规则	支持度	置信度
				1	电源异常--->继保装置本体	6.91％	98.81％
2	电源异常,小于1年--->继保装置本体	1.45％	87.89％
				3	电源异常,大于5年小于12年--->继保装置本体	1.12％	87.24％
4	电源异常,大于1年小于5年--->继保装置本体	0.77％	86.53％
				5	电源异常,大于12年--->继保装置本体	3.57％	95.71％
6	电源异常,厂商D--->继保装置本体	1.59％	88.19％
				7	电源异常,厂商D,大于12年--->继保装置本体	1.15％	88.45％
8	电源异常,厂商C--->继保装置本体	1.77％	88.54％
				9	电源异常,厂商C,大于12年--->继保装置本体	0.74％	87.21％
10	电源异常,厂商B--->继保装置本体	1.45％	87.89％
				11	电源异常,厂商B,大于12年--->继保装置本体	0.71％	87.12％
12	电源异常,厂商A--->继保装置本体	2.10％	89.19％
				13	电源异常,厂商A,小于1年--->继保装置本体	0.50％	86.00％
14	电源异常,厂商A,大于12年--->继保装置本体	0.97％	87.92％
				15	CPU异常--->继保装置本体	6.55％	98.10％
16	CPU异常,小于1年--->继保装置本体	1.68％	88.36％
				17	CPU异常,大于5年下于12年--->继保装置本体	1.21％	87.42％
18	CPU异常,大于1年小于5年--->继保装置本体	0.50％	86.00％
				19	CPU异常,大于12年--->继保装置本体	3.16％	91.31％
20	CPU异常,厂商D--->继保装置本体	1.92％	88.84％
				21	CPU异常,厂商D,大于12年--->继保装置本体	1.18％	88.54％
22	CPU异常,厂商C--->继保装置本体	1.39％	87.77％
				23	CPU异常,厂商C,大于12年--->继保装置本体	0.53％	86.06％
24	CPU异常,厂商B--->继保装置本体	1.65％	88.30％
				25	CPU异常,厂商B,小于1年--->继保装置本体	0.56％	86.12％
26	CPU异常,厂商B,大于12年--->继保装置本体	0.74％	86.48％
				27	CPU异常,厂商A--->继保装置本体	1.59％	88.19％
28	CPU异常,厂商A,大于12年--->继保装置本体	0.71％	86.42％

基于导出的强关联规则，可以对其进行更深入分析：

(1)分析Apriori算法导出的规则，有些规则是可以滤除的，例如某些缺陷原因是某类设备所特有的，如规则“直流回路接地→交直流电源”、“直流电源短路→交直流电源”，虽然这些规则的置信度和支持度均较高，但可以滤除。但有些规则也需要引起关注，例如规则“电源异常→保护装置本体”，其支持度较高，说明保护装置本体中电源的元器件老化故障问题相对比较突出。

(2)从表3关于保护装置的强关联规则可知，保护装置本体的缺陷主要集中在电源插件、CPU插件、I/O插件上。特别是电源插件、CPU插件，其置信度分别为98.81％、98.1％，其支持度分别为6.91％和6.55％，是保护装置本体的薄弱环节。因此，在继电保护运维过程中应注意易损坏部件，特别是电源插件和CPU插件。

(3)从规则2～规则5可知，运行年限超过12年的，电源异常的置信度和支持度较为突出，分别为95.71％、3.57％。电源插件主要由控制单元、变压器、半导体开关等电子元件构成，随着运行年限的增加，器件老化加速，电源插件问题愈发突出。电源插件故障会直接造成保护装置无法正常工作，电源插件电路中电容器为易损元件，造成电容损坏的因素主要有运行环境及温度和电容器选材质量。因此实际运维时需加强继电保护运行环境监测，尽可能为电源插件的运行创造良好的环境条件。

(4)从规则8和规则12可知，生产厂商A和生产厂商C的电源插件问题较为突出，其置信度为89.19％和88.54％，支持度分别为2.1％、1.77％。设备运维时要予以重点关注。

(5)算例分析的数据源为某电力公司的一天告警数据，导出的规则有一定的局限性，数据源丰富后，其生成的规则则具有代表性，导出的规则较多，分析时注意规则的支持度。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims

1.一种基于Apriori算法的继电保护装置多维度告警信息时序关联关系分析方法，所述方法包括：

采集继电保护系统的告警信息，并对告警信息进行存储；

调用告警信息，对告警进行缺陷分析及清洗处理，形成候选项集；

2.根据权利要求1所述的方法，所述告警信息通过智能变电站的过程层的MMS、间隔层的SNMP和站控层的DL/860进行采集。

3.根据权利要求1所述的方法，所述告警信息使用RAID5进行存储。

4.根据权利要求1所述的方法，所述基于时序Apriori算法获取继电保护装置多维度告警信息的时序关联规则的过程中，标记冗余的告警信息。

5.根据权利要求1所述的方法，所述对告警信息进行缺陷分析及清洗处理，形成告警信息的缺陷原因分析结果，所述缺陷原因存储至候选集。

6.根据权利要求1所述的方法，所述获取继电保护装置的多维度告警信息时序关联规则，包括：

计算标签的支持度和置信度，判定标签之间的关联强度。

7.根据权利要求6所述的方法，所述获取继电保护装置的多维度告警信息时序关联规则，所述计算标签的支持度和置信度，判定标签之间的关联强度，包括：

遍历告警信息库，找出1阶频繁项集L₁；

将L_k-1采用自连接产生k阶候选项目集C_k；

对k阶候选项目集C_k进行减枝，获取频繁项目集；

在频繁项目集中，获取满足预设要求的关联规则。

8.根据权利要求6所述的方法，所述计算标签的置信度，对置信度的计算做出调整，为：

其中，Card(A)为候选项集中包含候选项A的数量；

Card(A∪B)表示候选项集中同时包含A和B的项数；

confidence(A→B)为候选项集在时间序列中时序串行关系；

9.根据权利要求8所述的方法，所述候选项集的表达式为：

W为告警信息，R为缺陷原因及T_p为时间序列观测时段。

10.根据权利要求1所述的方法，所述关联规则的支持度和置信度分别大于支持度阈值min_sup和置信度阈值min_conf。