一種圖文融合的電網故障綜合研判方法分析

王立建，祝文瀾，宣弈，曹張潔

（國網浙江杭州供電公司，浙江 杭州 315600）

隨著電網規模不斷擴大，電網故障復雜性增強且容易伴有衍生故障，對電力調度快速故障處置提出了更高的要求，目前存在以下兩方面問題。復雜故障判別精準性不高。電力調控員在電網運行監控過程中通過主站SCADA 系統實時上送的大量告警信息來進行判斷，信息量大、關聯衍生信號的疊加以及核心告警信息的丟失，無疑加大了故障判斷的難度。以某變母差保護導致副母失電為例，10 s 內上送告警信息達到218 條，且丟失了最重要的失靈保護動作信號，監控員短時內無法判斷為母差保護動作，影響后續故障處置。故障原因無法快速甄別。變電站發生故障后，純粹依靠調度、檢修人員的經驗，難以從故錄波形分析出具體原因。比如220 kV 線路事故跳閘，引起事故的原因可能是雷擊、鳥害、覆冰、外力破壞等。若為雷擊，則可對故障線路進行一次試送；若為外力破壞，則不能對故障線路進行試送，否則存在人身傷亡風險。

為解決上述問題，本文提出了一種圖文融合的電網故障綜合研判方法[1-4]。針對告警信息，采用文本機器學習，與歷史案例庫進行向量化比對，實現故障類別精準判斷；針對故障錄波系統，采用波形機器學習，獲得雷擊、鳥害等歷史樣本庫庫，通過特征值對比快速識別故障原因。

1 總體架構圖

圖1 是電網故障診斷的總體流程框圖。通過電網典型歷史故障案例文本、波形文件進行機器學習、規則挖掘，獲得所需詞典庫。D5000 實時告警信息通過數據接口處理成文本格式，在圖文融合故障診斷系統中與告警文本庫向量化對比，實現故障類別精準判別。四方故障錄波系統通過數據接口提取特征值，在圖文融合故障診斷系統中與波形特征庫比對，實現故障原因快速識別。最終實現全路徑告警溯源。

圖1 圖文融合故障診斷總體架構

2 基于文本學習的故障類別判斷[5-11]

2.1 數據來源及預處理

數據來源于智能電網調度控制系統（D5000），其告警信息數據類型為短文本，由告警時間、所屬變電站、告警內容、狀態信息組成，其告警內容為非結構化中文短文本。首先進行數據預處理。考慮原始數據的多維性，通過pandas函數進行數據清洗，去掉變電站、線路名稱等標簽，實現多維數據降維至一維。

本文故障對象以220 kV線路事故跳閘為例，故障類別可歸納為5類，分別是線路第一套保護動作、線路三相不一致跳閘、線路失靈保護、對側開關遠跳保護動作、母差保護動作引起。表1 表示母差保護動作引起線路事故跳閘的典型案例庫。

表1 母差保護引起線路跳閘的故障樣本案例

2.2 文本數據挖掘

圖2是文本機器學習流程圖，如圖2所示。

圖2 文本機器學習流程圖

在數據預處理完的基礎上，利用結巴分詞詞典推導出分詞結果，利用詞頻統計篩選出詞頻較高的詞語，并構建樣本告警文本詞庫。

對歷史故障樣本模板進行分詞預處理，利用詞袋模型doc2bow 轉換為稀疏向量，稀疏向量進行進一步處理，得到新語料庫。

通過支持向量機進行文本分類，增加類別關鍵字的權重，使得文本向量化之后的結果更好的反應文本信息，充分考慮詞語在文本中的級別。

新語料庫經過TF-IDF 算法處理后得到TF-IDF值，通過token2id得到特征數。

基于TF-IDF的稀疏矩陣對故障文本進行相似度比對，建立索引，推算結果。

2.3 文本向量化算法

TF-IDF 算法（詞頻-逆文檔頻次算法）是一種統計方法，可以高效準確的提取關鍵詞的特性，從而評估一個詞在一個文檔集中的重要程度。從算法名稱可以看出，TF-IDF算法由TF和IDF算法兩部分組成。TF算法是統計一個詞在一篇文檔中出現的頻次，即一個詞在一篇文檔中出現的次數越多，則其對文檔的表達能力就越強。IDF 算法統計一個詞在文檔集的多少文檔中出現，即如果一個詞在越少的文檔中出現，則其對文檔的區分能力就越強。

通過TF-IDF算法對詞頻統計計算的高頻詞來建立TF-IDF模型，然后進行向量化處理，生成稀疏矩陣進行相似度比對。

3 基于波形學習的故障原因辨識[12-16]

3.1 數據來源及預處理

所需數據來源為II 區四方故障錄波系統的波形文件，離線導出已標定原因的260 組故障錄波器波形數據，包含故障線路三相電壓電流（包括零序）8個維度的時域波形，作為原始樣本數據。

3.2 波形文件數據挖掘

圖3 波形機器學習流程圖

故錄波形學習流程圖如圖3 所示，將故障錄波轉為便于處理的格式文件；利用小波分析將時域的故障波形處理為頻域細節，結合信息熵算法得到波形的頻域特征；提取每個頻段的小波能量熵、能量均值以及能量方差，用作判別模型的識別特征，使用onehot 編碼技術加入時間特征，如季節、月份；通過SVM建立機器學習模型，在統計樣本量較少的情況下，尋求結構化風險最小來提高學習機泛化能力，實現經驗風險和置信范圍的最小化；對訓練集之外的波形進行故障預測。

3.3 波形特征值提取算法

信息熵理論對于一個不確定性系統，若用一個取有限值的隨機變量X表示其狀態特征，取值xj的概率pj=p{X=xj}，j=1,2,…,L，且X的結果信息用Ij=log(1/pj)表示，則X的信息熵如式3.4所示。

當pj=0 時，pjlog(pj)=0。小波熵H是在一定的狀態下定位系統的一種信息測度。它是對序列未知程度的一種度量，可以用來估計隨機信號的復雜性。本文將每個波形三相電流、電壓的五層頻域范圍的能量方差、均值、熵作為特征，總共90維度的向量作為數據預處理結果。圖4 表示故障相電流在125～250 Hz 時小波細節系數的能量熵分布特征圖，5種故障原因的能量熵分布具有明顯差異。

圖4 不同故障原因的小波熵分布

4 結果驗證

國網浙江電力云平臺數據挖掘開發環境Kube-Flow平臺，集成了整套Jupyter開發環境，本文通過該平臺Python語言編制程序進行結果驗證。

圖5 核心信號丟失時文本比對結果

4.1 文本對比驗證結果

站端信號全上送。從D5000 系統提取潮江4430線事故跳閘前后30 s 內的所有告警信息，基于TDIDF 算法獲得該故障文本與文本庫“母差保護動作引起”相似度結果為0.9209。

站端核心信號未上送。在故障文本中刪除一條核心信號，如220 kV第二套母線保護差動動作，再次運行程序發現相似度為0.8409，驗證了該算法在站端核心信號丟失時的可行性。

4.2 波形識別驗證結果

表2 表示基于小波熵特征值提取算法推算各類故障原因的準確率。本文以2019年4月26日220 kV甘露變電站甘群1237線鳥害引起故障的原始波形為例，如圖6 所示，包含故障三相電壓電流及零序波形。通過波形識別算法推算故障原因為鳥害引起，如圖7所示，以混淆矩陣表示。

表2 基于波形機器學習的故障原因識別準確率

圖6 鳥害故障錄波波形

圖7 混淆矩陣結果

5 結束語

電網運行數據資源是電力行業的潛在核心資產和創新創效源泉，遵循“價值驅動、迭代推進”兩大原則，定位于數據服務業務，用數據驅動業務。本文研究了一種圖文融合的電網故障綜合研判方法，深度融合多專業系統數據，主動感知電網運行數據，實現從調度端到設備端的全路徑故障智能診斷，為調控員快速故障處置提供強大的支撐，提升智慧調度的人工智能化水準。