基于告警信號文本挖掘的電力調(diào)度故障診斷

1、       基于告警信號文本挖掘的電力調(diào)度故障診斷                     摘要：電力系統(tǒng)故障過程中會產(chǎn)生與故障相關(guān)的報(bào)警信號，電力調(diào)度需要快速響應(yīng)這些報(bào)警信號。據(jù)統(tǒng)計(jì)，某省電力調(diào)度中心調(diào)度系統(tǒng)平均每天接收30萬個報(bào)警信號。調(diào)度員在短時間內(nèi)收到大信號量時，很容易錯過重要的報(bào)警信號。調(diào)度員很難在短時間內(nèi)根據(jù)經(jīng)驗(yàn)做出準(zhǔn)確的決策，故障處理效率低，可能會擴(kuò)大

2、故障，不利于系統(tǒng)恢復(fù)。如何對故障后的告警信號進(jìn)行文本信息挖掘與歸類，利用歸類的告警信號進(jìn)行快速有效的故障診斷，已經(jīng)成為電力調(diào)度領(lǐng)域有待研究和解決的重要問題。含有大量專業(yè)詞匯，并夾雜著數(shù)字與特殊符號，具有難以分詞和語意模糊的問題。關(guān)鍵詞：電力調(diào)度；文本挖掘；向量空間模型；支持向量機(jī)；電力調(diào)度系統(tǒng)在電力系統(tǒng)故障過程中會收到大量告警信號，若調(diào)度員無法在短時間內(nèi)做出決策，則可能使故障擴(kuò)大，為此提出基于告警信號文本挖掘的電力調(diào)度故障診斷方法，該方法包括告警信號文本預(yù)處理和故障診斷2個階段。在第一階段，基于隱馬爾可夫模型(hmm)對告警信號文本進(jìn)行分詞并去除其中的停用詞以構(gòu)建本體詞典，并采用向量空間模型(

3、vsm)使文本向量化；在第二階段，使用滑動時間窗讀取實(shí)時告警信號，提出一種2層算法，第一層采用支持向量機(jī)(svm)對滑窗內(nèi)的告警信號進(jìn)行分類，若分類結(jié)果判斷為發(fā)生故障，則啟動第二層后一均值聚類法提取較高可能性的故障供調(diào)度員參考。以某電力調(diào)度系統(tǒng)實(shí)際告警信號作為算例，驗(yàn)證了所提方法的可行性。一、電力調(diào)度告警信號與故障樣本1電力調(diào)度告警信號。電力調(diào)度告警信號為中文短文本，可分為發(fā)信時間、發(fā)信地點(diǎn)、信號內(nèi)容、狀態(tài)信息四部分，其中信號內(nèi)容為非結(jié)構(gòu)化中文短文本，包含信號中的大部分信息。2.電力調(diào)度故障樣本。電力調(diào)度故障樣本是指按故障類型分類的告警信號集合，分為故障描述和故障相關(guān)告警信號兩部分，故障樣本反

4、映了某一類型的故障和相關(guān)告警信號之間的對應(yīng)關(guān)系：一旦相關(guān)告警信號出現(xiàn)，就表示發(fā)生了此類故障。二、電力調(diào)度故障診斷1.基于告警信號文本挖掘的故障診斷流程。故障診斷階段流程如圖1所示，為了敘述方便，后文將故障樣本的告警信號簇映射的向量簡稱為樣本向量，滑動時間窗內(nèi)實(shí)時告警信號映射的向量簡稱為實(shí)時向量，余弦相似度簡稱為相似度故障診斷算法分為2層進(jìn)行，可以避免相似度的閾值設(shè)定問題。圖1故障診斷流程在常規(guī)診斷方案中，需要對相似度設(shè)定一個閾值，通過判斷每次計(jì)算結(jié)果中的最大相似度是否超過閾值來判斷是否發(fā)生故障以及發(fā)生故障的類型。然而在實(shí)際應(yīng)用中，相似度的最大值隨實(shí)時向量的不同而波動范圍很大，使得這類設(shè)定閾值的

5、診斷方案因不夠靈活而存在一些問題。例如在某些極端情況下，電力系統(tǒng)同時發(fā)生較多故障，此時最大相似度很可能會低于按常規(guī)情況設(shè)定的閾值，便無法準(zhǔn)確判斷出故障發(fā)生。提出2層故障診斷算法，先根據(jù)故障和非故障情況下相似度向量在向量空間中的分布情況判斷是否發(fā)生故障，再根據(jù)發(fā)生故障的相似度向量中所有相似度的分布情況判斷發(fā)生的故障類型，該算法較閾值設(shè)定的方案更為準(zhǔn)確高效。2.實(shí)時告警信號向量化。本故障診斷方法通過構(gòu)建滑動時間窗讀取電力調(diào)度系統(tǒng)接收到的實(shí)時告警信號，滑動時間窗隨時間向前滑動，讀人其中的所有實(shí)時告警信號?；瑒訒r間窗的時間窗口為tw，滑動步長為ts，且tw,ts3.余弦相似度計(jì)算.設(shè)故障樣本總數(shù)為m，

6、本體詞數(shù)(即向量維數(shù))為n。定義實(shí)時向量與第i個樣本向量的相似度為si，計(jì)算方法為：其中，q為實(shí)時向量的第，維坐標(biāo)；為第i個樣本向量的第j維坐標(biāo)。該實(shí)時向量與m個樣本向量得到的所有相似度si從小到大排列組成m維相似度向量srixm，表示為：4.svm分類.svm在解決小樣本、非線性和高維模式識別問題中表現(xiàn)出特有的優(yōu)勢。采用svm判斷當(dāng)前是否發(fā)生故障，svm的核函數(shù)采用徑向基函數(shù)rbf(radial basis function)。觀察發(fā)現(xiàn)故障時的相似度向量(正樣本)和無故障時的相似度向量(負(fù)樣本)在較高排位處的數(shù)值存在差異，即正樣本在較高的排位傾向于出現(xiàn)更高的相似度。故svm的輸入特征為各排位

7、對應(yīng)的相似度數(shù)值。選用200個正樣本和200個負(fù)樣本參與svm的訓(xùn)練和測試。為評估訓(xùn)練效果，采用留一法進(jìn)行交叉驗(yàn)證：每次訓(xùn)練選用399個正負(fù)樣本作為訓(xùn)練集，剩余的1個正負(fù)樣本作為測試集；如此迭代400次，使得每個正負(fù)樣本都能用來測試svm模型。這個過程相當(dāng)于對同一個svm模型迭代訓(xùn)練了400次。這里分別用p和n表示正、負(fù)樣本集，用tp、tn、fp和fn分別表示真陽性、真陰性、假陽性和假陰性集。5. k一均值聚類法聚類。經(jīng)過對大量故障時的相似度向量s各維坐標(biāo)sj的統(tǒng)計(jì)分析發(fā)現(xiàn)，故障時sj的分布趨向于3類：第一類為實(shí)時向量與不相關(guān)樣本向量的相似度，相似度很低；第二類為實(shí)時向量與相似樣本向量的相似度

8、，相似度較低；第三類為實(shí)時向量與當(dāng)前故障樣本向量的相似度，相似度很高。其中，相似樣本指與當(dāng)前故障相似的故障樣本，例如，當(dāng)前故障為某線路a相跳閘，一個相似的故障樣本為該線路b相跳閘?？傊?，提出了基于告警信號文本挖掘的電力調(diào)度故障診斷方法，該方法具有如下特點(diǎn)。依靠對電力調(diào)度告警信號進(jìn)行文本挖掘?qū)崿F(xiàn)高效快速的故障診斷，不依賴電氣量計(jì)算，無需電力系統(tǒng)結(jié)構(gòu)信息和保護(hù)動作邏輯，能較好地適應(yīng)現(xiàn)代電力系統(tǒng)結(jié)構(gòu)多變的特點(diǎn)。告警信號文本預(yù)處理階段構(gòu)建本體詞典，對告警信號進(jìn)行分詞并去除停用詞，使用vsm將告警信號簇映射到向量空間，實(shí)現(xiàn)告警信號文本向量化，為電力系統(tǒng)文本信息處理提供了方法，構(gòu)建的本體詞典也可用于電力系統(tǒng)其他自然語言處理過程。故障診斷算法分為2層：第一層使用svm，判斷是否發(fā)生故障，若判斷結(jié)果為發(fā)生故障，啟動第二層算法判斷發(fā)