周博曦，秦 晉，王金亮，王竟飛，許敏敏

（山東電力高等?？茖W校，山東 濟南 250000）

0 引言

變電站智能告警是調(diào)度技術(shù)支持系統(tǒng)綜合智能告警功能的有機組成部分，開展監(jiān)控告警信息廣域分布式處理的應用研究對實現(xiàn)調(diào)控運維智能化和一體化具有重要意義。然而，告警信息的優(yōu)化和梳理并非簡單單一的任務，主要困難有：1）告警信號種類繁多，信號量龐大，梳理難度大，電力系統(tǒng)告警除事故信號序列外，通常伴隨著異常信號、操作伴生信號、狀態(tài)信號以及檢修運維信號，據(jù)統(tǒng)計，一個中型220 kV 變電站，規(guī)模估算實時數(shù)據(jù)信息量遙測約155 個，遙信約350 個；2）干擾信號摻雜其中，以假亂真難于判定，由于設備異常、通信信道受阻等多方面的因素，不可避免還會產(chǎn)生部分誤發(fā)、頻發(fā)和漏發(fā)的信號，對告警信息處理造成極大的干擾；3）信號相互關(guān)聯(lián)、錯綜復雜，難以透過表象看到本質(zhì)，變電站尤其是廣域分布式電網(wǎng)發(fā)生的故障往往并非相互孤立，問題影響因素多樣，因素與因素之間相互聯(lián)系，告警分析是對調(diào)度運維人員的一個綜合性考驗。

為了有效地輔助告警信息處理，國內(nèi)外已經(jīng)提出了多種變電站告警處理方法，包括基于專家系統(tǒng)（Expert Systems，ES）的告警信息處理［1-2］、基于智能優(yōu)化算法（Intelligent Optimization Algorithm，IOAS）的告警信息處理［3-5］、基于解析模型方法的告警信息處理［6-8］等。這些方法均各有其適用性和局限性，ES因擅長邏輯推理和符號信息處理而適合于電力系統(tǒng)故障診斷問題，但該方法的推理效率極大程度取決于問題的復雜程度，對于復雜程度較高的變電站系統(tǒng)，難以滿足實時運行的系統(tǒng)要求；基于IOAS 的故障具有執(zhí)行速度快、魯棒性好和學習功能強等特點，但IOAS 不具備表達電網(wǎng)拓撲結(jié)構(gòu)的能力，因而難以適用于接線方式多變的大規(guī)模電網(wǎng)拓撲；解析模型方法是通過構(gòu)造一個反映實際警報信息與期望警報信息之間差異的目標函數(shù)，該種方法的缺陷是不擅長處理啟發(fā)性知識，缺乏解釋自身行為和輸出結(jié)果的能力。

電網(wǎng)靜態(tài)數(shù)據(jù)和實時數(shù)據(jù)均為告警分析的重要數(shù)據(jù)基礎(chǔ)。為了協(xié)同運用兩類數(shù)據(jù)，結(jié)合人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）和有限狀態(tài)機（Finite State Machine，F(xiàn)SM）開展告警信號的分析和處理。首先，利用ANN 的快速執(zhí)行和自學習能力，對歷史數(shù)據(jù)進行學習，獲得各種事故和異常的邏輯推理和知識表達的權(quán)連接矩陣。進一步地，構(gòu)建FSM模型，通過實時匹配告警序列，識別告警序列中的操作伴生和誤發(fā)頻發(fā)信號，完成變電站告警的告警全過程記錄、分析和處理。最后，以實際220 kV 變電站的SCADA 信息序列為例，通過算法完成告警全過程分析。

1 ANN-FSM 告警系統(tǒng)的總體結(jié)構(gòu)

電網(wǎng)告警信號是電力調(diào)度值班員開展電網(wǎng)故障、異常判斷及分析處理的依據(jù)，可分為靜態(tài)數(shù)據(jù)和動態(tài)實時數(shù)據(jù)。靜態(tài)數(shù)據(jù)庫包括電網(wǎng)拓撲、設備參數(shù)、保護配置及整定、告警歷史數(shù)據(jù)庫等，這些基礎(chǔ)數(shù)據(jù)對告警分析處理具有重要的參考意義，可作為ANN 算法訓練樣本集，最終生成告警信號權(quán)值函數(shù)表達的事件類型知識表達；動態(tài)數(shù)據(jù)庫即發(fā)生故障或異常時刻，由SCADA 系統(tǒng)接收到的實時告警序列，包括動作（事故）信號、告警（異常）信號、狀態(tài)信號，實時接收的數(shù)據(jù)是開展告警分析的直接依據(jù)，動態(tài)數(shù)據(jù)通過ANN-FSM 的綜合判斷，形成告警全過程記錄、分析和處理的綜合結(jié)果。

ANN-FSM 的變電站告警處理系統(tǒng)的總體結(jié)構(gòu)如圖1 所示。系統(tǒng)由7 大部分組成：1）靜態(tài)數(shù)據(jù)庫管理系統(tǒng)；2）靜態(tài)數(shù)據(jù)庫；3）ANN 運算器和連接權(quán)矩陣；4）推理機；5）動態(tài)數(shù)據(jù)庫；6）有限狀態(tài)機模型；7）解釋系統(tǒng)和人機界面系統(tǒng)。靜態(tài)數(shù)據(jù)庫和靜態(tài)數(shù)據(jù)庫管理系統(tǒng)為上層應用提供底層基礎(chǔ)數(shù)據(jù)，其涵蓋電網(wǎng)拓撲、保護及告警歷史數(shù)據(jù)，數(shù)據(jù)建模方法遵循IEC61850 標準數(shù)據(jù)模型，提供兼容的邏輯節(jié)點類及數(shù)據(jù)類（IEC61850-7-4）和共用數(shù)據(jù)類（IEC61850-7-3），同時也允許按規(guī)則擴展邏輯節(jié)點、數(shù)據(jù)和共用數(shù)據(jù)類，以支持廠站自動化相關(guān)設備的互操作性；ANN 學習系統(tǒng)建立于靜態(tài)數(shù)據(jù)庫上層，作為故障診斷模塊，通過訓練ANN 修改其權(quán)矩陣完成知識獲取，該層設置線路、母線及變壓器模塊化診斷單元，其知識庫表達為ANN 的權(quán)矩陣；推理機為基于ANN 獲得的告警事件知識表達，對實時接收告警信號進行診斷，并將診斷結(jié)果發(fā)送至FSM 模型，完成告警全過程記錄、分析和處理；最后通過解釋系統(tǒng)和人機界面對系統(tǒng)故障的行為和輸出結(jié)果進行解釋。

圖1 ANN-FSM 告警處理系統(tǒng)總體結(jié)構(gòu)

ANN-FSM 的變電站告警處理系統(tǒng)采用ANN 模塊化診斷單元，具有快速、容錯和學習能力強等特點；同時FSM 模型將進一步對告警序列展開分析，實現(xiàn)告警全過程記錄、分析和處理，其結(jié)果將對調(diào)控中心和運維處置意見提供關(guān)鍵依據(jù)。

2 綜合告警處理的關(guān)鍵技術(shù)

2.1 ANN 輸入量的獲取

表1—表4 分別劃分出設備（以斷路器為例）、線路、母線和變壓器的常見信號特征量。

表1 斷路器故障診斷的ANN 特征輸入量

其中，斷路器故障診斷輸出層ys=｛ys0，ys1，ys2，…，ys6｝；ys0為開關(guān)是否非全相動作判斷量，ys1為開關(guān)分合閘是否總閉鎖判斷量，ys2為開關(guān)合閘是否總閉鎖判斷量，ys3為開關(guān)SF6壓力是否低報警判斷量，ys4為開關(guān)N2是否泄露及各種閉鎖判斷量，ys5為開關(guān)電機是否打壓超時判斷量，ys6為開關(guān)機構(gòu)箱加熱器是否空開斷開判斷量。上述斷路器故障診斷輸出層各符號取值為1 表示是，取值為0 表示否。

表2 線路故障診斷的ANN 特征輸入量

其中，線路故障診斷輸出層y1=｛y10，y11，y12，…，y15｝，y10—y15分別代表A 相接地、B 相接地、C 相接地、相間接地、三相接地瞬時故障和三相接地永久性故障。

表3 母線故障診斷的ANN 特征輸入量

母線故障診斷輸出層yb=｛yb0，yb1，yb2｝；yb0為母線故障，母線所連開關(guān)分閘；yb1為母線故障，母線所連開關(guān)拒動，斷開聯(lián)絡母線及上一級變壓器開關(guān)；yb2母線故障，母聯(lián)開關(guān)拒動，斷開聯(lián)絡母線所有開關(guān)。

表4 變壓器故障診斷的ANN 特征輸入量

變壓器故障診斷輸出層yt=｛yt0，yt1，yt2｝，yt1為主變壓器內(nèi)部故障；yt2為主變壓器外部故障；yt3為線路故障，線路斷路器拒動；yt3為母線故障，母線斷路器拒動。

2.2 ANN 故障診斷模型

人工神經(jīng)網(wǎng)絡（ANN）是模仿腦細胞結(jié)構(gòu)和思維處理問題的功能，它從模仿人腦智能的角度出發(fā)，探尋新的信息表示、存儲和處理方式。這種神經(jīng)網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間連接的關(guān)系，從而達到處理信息的目的［9-12］?；诟婢蛄械淖冸娬竟收显\斷由于告警信號種類繁多、信號量龐大、模式識別要求精度高，可利用神經(jīng)網(wǎng)絡的學習能力和快速并行實現(xiàn)來解決這一問題，圖2 表示ANN 反向傳播算法（BP）的神經(jīng)元模型。

圖2 BP 模塊的神經(jīng)網(wǎng)絡

基于ANN 的神經(jīng)元反向傳播算法步驟包括：

1）初始化任務包括選定一結(jié)構(gòu)合理的變電站模塊網(wǎng)絡，置所有信號特征量的權(quán)和閥值為均勻分布的較小數(shù)值。

2）對輸入樣本進行前向計算。

令單元j 的激活函數(shù)為sigmoid 函數(shù)，則有：

令L 為神經(jīng)網(wǎng)絡的總層數(shù)，l≤L，當l=1 時，則

式中：xj（n）為神經(jīng)單元j 的實際輸入值。當l=L 時，則有

3）對輸入樣本進行反向計算δ，輸入樣本修正權(quán)值。

則，當函數(shù)進行下一次迭代（n=n+1）時，權(quán)值的修正方法為

5）算法收斂判據(jù)。

令為輸出端總的平方誤差的均值，則有

定義一個學習目標EAV，輸入新的樣本（或新一周期樣本），直至E≤EAV，則迭代達到預定要求，算法收斂。

遵循BP 算法，基于ANN 的告警診斷流程如圖3 所示。

圖3 ANN 告警診斷流程

3 基于FSM 的變電站告警形式化描述

在變電站告警過程中，不可避免地存在告警信息缺失、告警信息時標出錯以及告警重發(fā)等情況，為了進一步發(fā)現(xiàn)告警信息中的操作伴生信號和誤發(fā)頻發(fā)信號，構(gòu)建FSM 模型，通過實時匹配告警序列，形成告警全過程記錄和分析的綜合結(jié)果。

有限狀態(tài)機在軟件工程中本質(zhì)是對具有邏輯順序或時序順序事件的一種數(shù)學描述模型［12-14］。系統(tǒng)以事件驅(qū)動的方式工作，有限狀態(tài)機做出響應，產(chǎn)生一個輸出，并伴有狀態(tài)遷移。以某220 kV 輸電線路M（見圖4）發(fā)生接地故障對FSM 進行形式化描述，其中CB1、CB2分別為線路M 兩側(cè)斷路器，其有限狀態(tài)機的表示形式化表示為

式中：a、b、c、d、t 為系統(tǒng)輸入信號，分別為保護動作、斷路器分閘、重合閘動作、斷路器合閘、超時檢測；S0—S8為定義該有限狀態(tài)機的9 種狀態(tài)，其中狀態(tài)S0表示當前無異?；蚬收闲盘柊l(fā)生，系統(tǒng)處于正常狀態(tài)；如圖5 所示，狀態(tài)S1、S2、S3、S4、S5、S6為分別接收到輸入信號a、b、c、d、a、b 后觸發(fā)的狀態(tài)轉(zhuǎn)變標記，其中，S1—S5為本次故障診斷過程中的中間狀態(tài)標記，最終狀態(tài)S6表示經(jīng)FSM 判斷后形成事故全過程判斷結(jié)果，即線路發(fā)生永久性單相接地故障，斷路器跳閘后，經(jīng)重合閘動作合閘，繼而再斷開線路。各個狀態(tài)觸發(fā)和轉(zhuǎn)化見圖5。t 為系統(tǒng)故障超時標志，狀態(tài)S1為系統(tǒng)超時時，確定為線路永久性故障；狀態(tài)S8為線路發(fā)生瞬時單相接地故障，跳閘后，經(jīng)重合閘動作線路合閘成功。O 為輸出信號集合；g 為一個從系統(tǒng)輸入信號｛a，b，c，d，t｝到｛S1，S2，…，S8｝中不同狀態(tài)量的輸出函數(shù)，如圖5 中的S0→S1；f 為轉(zhuǎn)移函數(shù)，其狀態(tài)轉(zhuǎn)換如圖5 所示。

圖4 220 kV 線路接地故障示意

圖5 220 kV 輸電線路接地故障FSM 狀態(tài)轉(zhuǎn)換

4 基于ANN-FSM 的電力系統(tǒng)故障診斷告警處理系統(tǒng)

4.1 ANN 推理模型及模型的訓練和檢驗

以某220 kV 變電站母線跳閘事故告警分析為例，說明本算法的有效性和實用性。

事故經(jīng)過為：2015 年5 月，沙角A 廠因220 kV 2212 斷路器的C 相絕緣子被擊穿，導致母線差動保護動作，斷開與220 kV Ⅱ母線相連的所有斷路器。事故前，沙角A 廠、長安變電站、北珊變電站通過220 kV 朱北線、沙角A 廠、B 廠之間的500 kV 1 號、2 號聯(lián)絡變壓器中壓側(cè)與廣東電網(wǎng)相連，長安變電站、北珊變電站為受電變電站，如圖6 所示。其中沙角A 廠為220 kV 雙母線運行，其中220 kV Ⅰ母線上接有沙角A 廠與沙角B 廠之間的500 kV 2 號聯(lián)絡變壓器中2212 斷路器、沙長乙線2293 斷路器、沙北乙線2264 斷路器、母聯(lián)2012 斷路器、2 號聯(lián)絡變壓器2202 斷路器，2 號起備變壓器2210 斷路器，其余設備接入220 kV Ⅱ母線，沙角A 廠接線如圖7所示。

圖6 事故發(fā)生地區(qū)電網(wǎng)接線

該事故發(fā)生時間為2015-06-21T13∶47∶51，歷時11 min，所接受事故告警信息共計523 條。診斷模塊化劃分故障子集告警序列被劃分為母線、變壓器、和線路3 個子模塊歷時47 ms；對各個子模塊中的告警信號融合及特征量提取，時長527 ms；ANN-BP 算法訓練樣本，從而產(chǎn)生神經(jīng)網(wǎng)絡的權(quán)矩陣在診斷方面系統(tǒng)故障試驗數(shù)據(jù)，歷時7.84 min 收斂。將故障特征量代入神經(jīng)網(wǎng)絡模型，表5—表7 為神經(jīng)元法對故障診斷結(jié)果與其實際驗證結(jié)果之間的比較。

圖7 沙角A 廠升壓站主接線

表5 神經(jīng)網(wǎng)絡對母線故障診斷結(jié)果

當訓練誤差指標最低（E=Emin）時，對ANN 告警診斷算法可整合為：由于220 kV 線路故障，母線差動保護動作，斷開220 kV Ⅱ母線所有斷路器；同時，500 kV 變壓器差動保護動作，斷開三側(cè)斷路器；線路高頻主保護動作，斷路器三相跳閘；線路距離I 段保護動作，斷路器C 相跳閘，后重合成功。

進一步地，為了更詳盡分析告警過程及原因，將告警信息與FSM 模型進行比對，并忽略正常設備操作產(chǎn)生的伴生信號。

4.2 FSM 模型及告警處理結(jié)果分析

本次啟用FSM 對告警信號進行處理，共處理伴生信號達300 余條，頻發(fā)信號76 條。忽略未發(fā)生告警信號，首先定義S0～S9為本案例有限狀態(tài)機模型的10 種狀態(tài)值，S10表示經(jīng)FSM 判斷形成可表述事故全過程的狀態(tài)。表8 為事故對應的狀態(tài)轉(zhuǎn)換表，根據(jù)每一類信號動作的時序信息，構(gòu)建觸發(fā)事件的最大動作時間t 值，形成圖8 的事故對應的狀態(tài)轉(zhuǎn)換圖，狀態(tài)轉(zhuǎn)換表和轉(zhuǎn)換圖從時序上描述了一個完整的越級跳閘事故過程，其中t1～t4為經(jīng)神經(jīng)網(wǎng)絡診斷所得的4 個組合故障對應的最大時間值，結(jié)果顯示，通過FSM 篩選有用的事故信號，對事故的全過程分析和原因分析，詳細結(jié)果為：由于沙角A 廠220kV Ⅱ母線差動保護和沙角B 廠500 kV 2 號聯(lián)絡變壓器差動保護動作時間在同一區(qū)段，且跳閘時限與外部故障時限一致；另沙角A 廠2212 斷路器C 相分段后重合，該有限狀態(tài)機可敏銳地判斷出2212 斷路器同時位于沙角A 廠220 kV Ⅱ母線差動保護和沙角B 廠500 kV 2 號聯(lián)絡變壓器差動保護的范圍內(nèi)，且事故故障點位于沙角A 廠2212 斷路器，故障為C 相短路；同時導致長安站220 kV 沙廠乙線過負荷跳閘。

表6 神經(jīng)網(wǎng)絡對變壓器故障診斷結(jié)果

表7 神經(jīng)網(wǎng)絡對線路故障診斷結(jié)果

表8 事故對應的狀態(tài)轉(zhuǎn)換表

圖8 事故對應的狀態(tài)轉(zhuǎn)換

本次事故經(jīng)現(xiàn)場查實，故障點位于沙角A 廠2212 斷路器，故障為C 相盤式絕緣子被擊穿，與本文提出方法所推理結(jié)果基本吻合，為事故的正確處理打下了堅實的基礎(chǔ)。

5 結(jié)語

提出一種結(jié)合人工神經(jīng)網(wǎng)絡（ANN）和有限狀態(tài)機（FSM），對電力系統(tǒng)告警信息進行處理的方法，具有較強的應用價值。在電網(wǎng)拓撲和運行方式一致的情況下，故障診斷的ANN 的連接權(quán)矩陣訓練僅需進行一次，為告警的快速判斷和處理打下良好的基礎(chǔ)；FSM 可實現(xiàn)信號的排查和告警過程記錄，并通過綜合分析形成告警的原因分析和結(jié)果處理。通過實際電網(wǎng)案例對本算法的驗證，結(jié)果證明該方法對于電力系統(tǒng)通用故障告警判斷具有快速、容錯和學習能力強等特點，對應用于大規(guī)模電力系統(tǒng)的在線故障診斷問題的解決具有重要意義。