基于時間序列的國產化水電站計算機監控系統異常行為報警方法應用

李正凡，譚良良，楊淵，陳映喜，周喜，楊偉

（1.華能瀾滄江水電股份有限公司，云南昆明 650214；2.南京南瑞繼保工程技術有限公司，江蘇南京 211002；3.西安熱工研究院有限公司，陜西西安 710054）

0 引言

隨著我國電力事業的發展，多種新興設備投入國產化水電站的發展中，使得國產化水電站計算機監控系統異常行為監控十分重要。故障解列裝置異常監控告警是整個監控系統的重要一環，其作用是在水電站監控系統報警檢測模塊發生故障時，能夠迅速跳開并網開關實現故障隔離，以避免故障本身影響電網的正常電力輸送。當水電站故障解列裝置出現異常行為時，不僅無法實現保護機制，甚至可能造成更大面積的故障癱瘓，給水電站造成巨大的經濟損失。因此，保證國產化水電站故障解列裝置的平穩運行狀態是維護國產化水電站正常工作的重要措施。

為此，不少學者就水電站故障解列裝置異常行為報警方法進行了相關研究。陳陣等［1］提出的基于云模型的水電站故障解列裝置異常行為報警方法以云數據為基礎構建云模型，結合概念樹問題采用樹形形態表示法描述裝置的運行狀態，針對異常狀態進行報警；該方法操作簡潔，適應性高，但報警效率不理想，難以及時響應報警機制。滕予非等［2］提出的基于數據驅動的水電站故障解列裝置異常行為報警方法采用相似度計算模型，排除相似運行數據間的誤差值影響，以數據驅動為基礎將運行投射到多維空間中進行行為分析，結合預設報警線實現報警；但該方法計算步驟繁瑣，導致最終異常行為識別精度不高，報警誤報率較高。胡姣姣等［3］提出的基于深度學習的水電站故障解列裝置異常行為報警方法以深度學習法為基礎，通過對采集的裝置運行數據進行深入挖掘，采用動態彎曲距離公式計算數據間關聯性進行行為判斷，整體計算簡單，報警效率高；但報警模塊的設計不合理，往往不能實現有效報警。

為解決以上報警方法中存在的問題，本文提出了基于時間序列的國產化水電站計算機監控系統異常行為報警方法，并設計了相應的對比實驗對其實際報警性能加以驗證。

1 構建時間序列符號轉換模型

1.1 時間序列的符號化

為了有效描述時間序列的形態特征，本文提出了基于形態特征的時間序列符號轉換模型，即以特征描述學中的分段時間序列聚合近似算法為基礎，通過計算分段時間序列的斜率，以斜率特征描述該斜率對應的分段時間的形態特征。以某一時間序列Q為例，假設其總長度為L，將其平均分為w個子序列，每一個子序列的長度則為L/w，子序列可進行進一步的分段，每一個分段子序列可視為一個元素，其元素值滿足：

式中：表示子序列i中第j個分段序列的元素值；q'ij表示子序列i中第j個分段序列的斜率；n表示子序列i的分段數量。

斜率的計算公式如下：

式中：k的取值為：k=（i-1）n+1。

采用時間序列符號轉換將時間序列Q轉化為Q～后，其總長度由原來的L縮短到m，轉化后的序列稱為SPAA 序列，可以用來表示原時間序列的時間特征。根據符號轉換的需求，需采用z-score 轉換法使獲得的SPAA 序列標準化，常使用的方法為將SPAA 序列放到標準正態分布空間進行等概率區域劃分，采用相應字符表示每一個區域特征，即可完成由SPAA 序列到符號序列的轉換，轉換后的符號序列可表示為SSAX，符號序列轉換示意圖如圖1所示。

圖1 SPAA序列轉換為SSAX序列的形態變化趨勢Fig.1 Trend of morphlogical change of SPAA series to SSAX series

1.2 相似性度量

采用符號化特征對時間序列進行表示后，可以識別國產化水電站故障解列裝置運行數據的形態特征，有效區分正常運行數據和異常運行數據。參考國產化水電站故障解列裝置的運行數據的時間特征，結合裝置運行數據的基本特征，本文利用相應的距離度量函數描述國產化水電站故障解列裝置運行數據間的相似性，以準確區分裝置的正常運行數據和異常運行數據。

式中：ti為子序列i的標準差，采用如下公式計算：

以子序列的均值度量值為基礎，采用距離度量函數進行相似性距離計算，距離度量函數的表達式為：

式中：C為非線性特征統計參數。

該國產化水電站故障解列裝置運行數據的相似性距離值為：

式中：d為相似性距離值。

2 基于時間序列的國產化水電站故障解列裝置異常行為檢測算法

2.1 國產化水電站故障解列裝置異常行為特征識別

一般來說，國產化水電站故障解列裝置運行數據為時間序列數據，可分為正常運行數據、過渡運行數據和異常運行數據三種。其中，過渡運行數據是指國產化水電站故障解列裝置由正常運行狀態過渡到異常運行狀態產生的數據；異常運行數據是判斷故障解列裝置運行狀態的重要數據來源，也是進行異常行為特征識別的主要對象。針對采集的運行數據集，通過選取合適的特征識別方法可以有效識別故障解列裝置的異常行為，本文根據時間序列的符號特征表示方法，結合特征識別技術能夠有效識別國產化水電站故障解列裝置的運行狀態，異常行為特征識別示意圖如圖2所示。

圖2 國產化水電站故障解列裝置異常行為特征識別流程示意圖Fig.2 Flow diagram of hydropower station fault disconnection device abnormal behavior recognition

國產化水電站故障解列裝置3種運行狀態下的時間序列數據特征如圖3 所示，其即表示國產化水電站故障解列裝置處于正常態、過渡態以及異常態的3 種數據，也表明3 種運行狀態下時間序列數據的形態特征［4，5］。從數據波動情況來看，正常態時間序列數據的波動具有明顯規律性，而異常態沒有；過渡態與其他兩種形態數據存在較高的相似性，且過渡態數據與其他兩種形態數據間無明顯的連接點，使其特征識別較為困難。為了實現精準的數據識別，本文提出“去頭尾”的特征識別方法，即針對符號轉化后的時間序列數據，以4 個分段序列為單位進行序列劃分序列組，刪除四個分段均相同的組別，從而降低特征識別難度，保證識別效率。

圖3 國產化水電站故障解列裝置3種運行狀態下的時間序列數據特征Fig.3 Data character of hydropower station fault disconnection's time series in three running status

2.2 異常行為檢測算法

在國產化水電站故障解列裝置運行時間序列數據挖掘中，由裝置的異常行為產生的異常時間序列的子序列與正常運行時產生的時間序列的子序列最不相似。針對異常時間序列的檢測也是檢測裝置異常行為的重要依據，目前常采用SAX 算法進行異常時間序列的檢測。其原理是以時間序列最不相似算法和序列發現算法為基礎，結合時間序列間的關聯規則進行計算，從而發現異常子序列在時間序列中的位置。

算法的描述如下：

輸入：長度為L的時間序列Q，關聯規則out和in。

輸出：最不相似子序列以正常運行狀態下時間序列序列子序列的最小距離s，以及該最不相似子序列在時間序列Q中位置loc。

（1）將時間序列Q符號化，默認初始最小距離s值和位置loc值為0，利用out 關聯規則控制算法的內層循環，利用in 關聯規則控制算法的外層循環，用u，v 來記錄兩個子序列在時間序列Q中的位置信息。

（2）在外層循環中，對于位置信息u 有初始最小距離s0=-1，根據u值進行內層循環，內層循環過程如下：①若|u-v|>L，進行序列匹配，執行操作②，反之，執行操作③。②若u2-v2

（3）判斷s0是否大于s，若大于，則記作s=s0，異常子序列的位置信息loc=u，同時返回步驟（2），直至檢測完時間序列Q的所有子序列為止。

（4）若無異常序列，數據安全值10。輸入下一序列進行計算。

3 基于時間序列的國產化水電站故障解列裝置異常行為報警

3.1 基于時間序列的自適應報警線的確定

確定自適應報警線的目的是為國產化水電站裝置監控中心對故障解列裝置運行狀態的評估提供參考依據。在水電站中所使用的報警標準一般為靜態標準，從國產化水電站故障解列裝置投入到國產化水電站的微機保護時，需經過多次的維修和檢測，因此需指定一個不變的標準進行評估。然而受磁場干擾以及機械老化等影響，故障解列裝置的運行狀態呈現出動態變化趨勢。本文采用數理統計法對故障解列裝置的異常行為檢測結果進行統計，即將檢測結果進行數值化處理，并采用拉依達法剔除異常數據［6］。

拉依達法的判別標準以三倍標準差為基礎，因此該判別方法又稱三倍標準差判別法［6］；其原理是根據概率論與數理統計中對三倍標準差的定義：當某一事件滿足正態分布規律時，該事件發生在(-3σ，+3σ)的概率為99.73%（-X為中心坐標，σ為標準差），而落在其他區間的概率為0.27%，在故障解列裝置的異常識別中，則可判定其檢測值為異常數值。

3.2 自動報警方法的實現

在上述報警線設置的基礎上，根據異常行為檢測算法結果響應報警機制，以自動化技術為基礎，實現無人看管的國產化水電站故障解列裝置異常行為警報。為實現有效的自動報警，本文采用的自動報警方法以系統報警和聲音報警兩種形式為基礎，其中聲音報警形式需結合相關控制算法和聲音設備發出警報聲音以實現報警效果。當SAX 算法檢測到異常行為時，通過SPI 接口將檢測結果傳給國產化水電站裝置監控中心，國產化水電站裝置監控中心經過一系列分析識別后生成控制指令并將指令以數字化形式傳遞給下級響應模塊［7-9］。下級相應模塊與聲音報警器以雙鑒傳感網絡連接方式進行連接，具有信號傳輸效率高、可進行雙向傳輸等優點，能夠提升異常行為警報的效率。當聲音報警器進入預警狀態時，其最高振動頻率為8 Hz，警報聲音大小約為70 分貝，具有一定警報力度且不會對國產化水電站其他裝置設備造成影響，能夠及時提醒相關工作人員對國產化水電站故障解列裝置進行檢查，以保證裝置的穩定運行。自動化報警方法的實現流程如圖4所示。

圖4 自動化報警方法的實現流程Fig.4 Flow diagram of automatic alarm method

4 實驗研究

為檢測本文提出的基于時間序列的國產化水電站計算機監控系統異常行為報警方法研究的實際報警性能，選用本文提出的方法與傳統的基于深度學習的國產化水電站故障解列裝置異常行為報警方法和基于數據驅動的國產化水電站故障解列裝置異常行為報警方法進行對比，為保證實驗結果的可靠性，實驗參數的設置如表1所示。

表1 實驗參數Fig.1 Experiment pameters

根據上述實驗參數，在相應實驗環境中進行實驗，為確保實驗結果的真實性，選取某一國產化水電站2019故障解列裝置異常行為時間序列數據為實驗數據，共采集異常數據1 400 個，采用N-garm檢測法分析3種報警方法的有效報警率和誤報率。

有效報警率的計算公式如下：

式中：Ieff表示有效報警率；H表示有效報警數量；M表示無效報警數量。

誤報率的計算公式如下：

式中：Ierror表示誤報率；R表示誤報數量。

有效報警率和誤報率的實驗結果如圖5 和圖6 所示。從圖中可以看出，隨著異常檢測時間序列數據樣本的輸入，3種報警方法的有效報警率均處于下降趨勢，誤報率呈現出上升趨勢，但下降幅度和上升幅度各不相同。基于數據驅動的報警方法有效報警率下降趨勢較大，誤報率上升幅度較大，平均有效報警率為75%，平均誤報率為22%。基于深度學習的報警方法有效報警率和誤報率的變化幅度相對較小，其平均有效報警率為85%，平均誤報率為16%。相較之下，本文研究的報警的有效檢測率始終高于92%，平均有效報警率為94%，平均誤報率低至8%，無明顯幅度變化。

圖5 3種報警方法有效報警率對比Fig.5 Positive alarm rate of three alarm methods

圖6 3種報警方法的誤報率對比Fig.6 False alarm rate of three alarm methods

基于3 種報警方法的有效報警率和誤報率，我們對3 種方法的報警效率進行了對比，實驗結果如圖7 所示。從圖7 中可以看出，針對1 400 個報警數目，基于數據驅動的報警方法的響應時間為485 s，平均效率為2.9 個/s。基于深度學習的報警方法的響應時間為384 s，平均效率為3.6 個/s。而本文研究的基于時間序列的報警方法的響應時間為180 s，平均效率為7.8個/s。

圖7 3種方法的報警效率結果Fig.7 Efficiency of three alarm methods

綜上所述，本文研究的基于時間序列的國產化水電站計算機監控系統異常行為報警方法具有較為準確的異常行為檢測能力，能夠進行高效率的報警，實現裝置異常行為有效檢測的同時及時響應報警機制；而傳統的報警方法普遍存在漏報和誤報現象，且報警效率較低，不利于維護國產化水電站的正常運行；相較之下，本文研究的報警方法具有更高的報警性能，值得被廣泛應用。

5 結語

針對傳統國產化水電站故障解列裝置異常行為報警方法出現的檢測精度低、誤報率高、響應速度遲緩等問題，本文提出了基于時間序列的國產化水電站計算機監控系統異常行為報警方法，通過對裝置運行時間序列數據進行深入挖掘，準確分析裝置的異常行為，并及時響應報警機制，通過對比實驗結果可知，本文提出的基于時間序列的報警方法性能更好，能快速、準確地對裝置的異常行為進行報警，以維護國產化水電站的正常工作，能夠促進國產化水電站的進一步發展，對于國產化水電站效益的提升具有重要意義。