基于數據驅動的流域集控中心報警優化方法

黃海軍

(華電云南發電有限公司，云南 昆明 650228)

0 引言

流域遠程集控中心源源不斷地收到大量的生產現場信息，值班員面臨著巨大的信息甄別和處理困難。某大型水電集控中心(以下簡稱為“J集控中心”)管理裝機容量6 560 MW，是金沙江多個大型水電站的異地運行值班單位，實施“全采、全監、全控”的流域管控模式，電廠不進行運行值班。由于J集控中心約有8.31萬個測點，每小時最高報出3 000多條文本報警和400多條語音告警，3個值班員平均每2 s就必須對一條信息做出處理；加上受控電廠“無人值班”，漏監視、風險處理不及時是電網頻率波動的最大隱患來源，網省兩級調度對大型廠站的值班監視做了嚴格的要求[1]；而智能報警系統等新產品無法解決泛化力弱、穩定性差、不可解釋、不能替代計算監控系統等難題，如何有效地開展運行值班工作成為了集控中心的重大難題[2-4]。J集控中心提出了優化報警、設置預警、組合報警的方法，建立基于數據驅動的專家模型[5]，解決頻報、漏報、錯報等問題，提升系統的易用性，取得了顯著的流域生產效能提升效果，為集控中心的安全有序運行提供了保障。

1 報警特征數據的采集

1.1 生產數據的處理需求

流域集控中心的報警，主要指的是計算機監控系統中的系列事件。集控中心異地值班的主要目標就是識別信息中的異常信號，及時有效地做出處理。J集控中心通過遙信、遙測組態信息的采集，分析其必要性、緊急性、冗余度等特征，建立報警專家模型，減少無關報警、提高報警識別率、組合化簡報警，設置多級風險預警，從而減少人工分析、辨別的工作量，實現提取生產信息與輔助決策的目的。

1.2 特征數據的快速采集

報警數據的優化建立在對大量特征數據的分析之上[6]。特征數據主要來源于組態數據庫和歷史事件的離線分析，必要時輔以實時事件的在線分析[7]。

組態數據庫含有海量事件的各種屬性數據，是主要的分析研究對象，通過采集整理大量的原始組態數據表獲得，如圖1所示。

圖1 組態數據庫的VBA采集示意

歷史信息的采集來源于歷史數據的導出，適用于疑難事件的專題分析和越復限限值的研究。

實時事件采集于系統報警窗口，適用于高頻告警的分析和報警模型的效果評估。

2 報警特征屬性的研究

2.1 高頻告警的篩除

解決報警過多的首要方法是：降頻、去重。采取詞頻分析技術，對汛期、枯期等典型時段以及開停機、檢修等重要環節的報警日志進行pandas (python軟件的一個數據分析包)數據清洗、jieba (python軟件的一個中文分詞庫)分詞并剔除停用詞后，獲得詞頻分析表；其中高頻報警組成一個狹窄的頭部，剩余的長尾部分須進一步分析研究，如圖2所示。

圖2 報警的“長尾效應”示意

優化的策略是頭部的高頻信息原則上不設置報警，采用畫面、替代測點等方式來監控；而長長的尾部信息原則上應根據必要性設置報警。

2.2 報警名稱的規范化

報警語句的規范、整齊，可有效提高報警信息的辨識度，確保同類報警設置的一致性。不同廠站、不同系統的命名千差萬別，如，某廠站測點名為“5311動作”，可理解為“5311合閘動作”“5311保護動作”“5311三相不一致保護動作”“5311操作條件具備動作”等多種內涵，給故障辨識、溝通匯報等工作造成了極大的困難，應予以規范化處置。

2.2.1 解決表述多樣化的問題

調管設備按《××電網雙重化配置繼電保護調度命名業務指導書》等電網規程修訂，并對廠管設備統一表述，避免同一設備、同一系統出現多種表述的情況。2.2.2 解決語義不明的問題

為避免語義不明：

1) 增加LCU區域或系統名稱作為前綴，以標識不同區域(系統)的同名信息。

2) 明確切換把手、設備狀態等定義，避免狀態不明。

3) 完善測點情景信息或定語、狀語，避免表述不全；使用通俗易懂的名稱。

2.3 報警屬性的研究

基于測點的必要性、緊急性、冗余度等特征建立組合報警的組態數據庫，以實現數據驅動值班信息減負的目的。

2.3.1 數據關系的梳理

南瑞(南自)的計算機監控系統中，組態數據庫的報警屬性都涉及到多個屬性的鏈式配置，必須予以明確，避免遺漏。

1) 開關量報警涉及時標、文本、語音、窗口、歷史、雙節點等屬性，如圖3所示。

圖3 開關量的報警屬性關系

2) 模擬量的報警屬性設置。模擬量報警涉及限值、文本、語音、死區等屬性，如圖4所示。

圖4 模擬量的報警屬性關系

2.3.2 報警權重的計算

信息過多，須根據權重來進行篩選簡化，權重計算用貝葉斯估計公式，如式(1)所示。

由式(1)可知，起關鍵作用的是重要性因子P(πxi)。重要性因子取值主要來源于生產經驗和設備原理，對集控中心而言，需要人工干預的事件設置報警，否則不建議報警。

2.4 越復限的邊界設定

提前預警是生產值班的高階需求，通過數據發展趨勢分析來設置預警。

1) 基于定值單和歷史數據的預警。結合各廠站的熱工、直流等系統的定值單及歷史數據分析和設備風險估計值，建立一套越復限預警值。

2) 基于專家經驗的預警。對負荷設定、閘門遠控、頻率控制、電源供應等影響安全生產的非定值性關鍵數據，基于專家生產經驗設置預警。

類似地，重要的開關量、發電曲線等應配置征兆性報警，提前播放預警信息。

3 報警數據模型的構造

3.1 數據模型的應用

3.1.1 報警屬性的泛化處理

因同類LCU區域的測點順序、命名存在差異且無法消除，在建立報警模型時，須對同類測點進行泛化處理，以便確保報警設置的一致性，具體步驟如下：

1) 基于LCU列出基準區和待處理區的信息。

2) 通過Excel的MID函數去除前綴、VBA去除數字等方法，實現命名配對，依次構建基準區、待處理區的映射關系表。

3) 通過INDEX+MATCH函數進行一覽表、報警等相關屬性的整體遷移設置。

4) 人工檢查與糾正映射錯誤。

5) 生成完整的報警屬性表。

3.1.2 報警組態的自動化處理

對大量的報警特征屬性完成分析后，最終通過更新組態數據庫來實現數據模型的落地。步驟如下：

1) 導出原始組態數據表，采取圖1的方法獲得可便捷編輯的數據表集合Sx。

2) 探索分析，建立高頻報警、規范命名、開關量、越復限等擬處理信息的關鍵詞表Ki。

3) 對上述關鍵詞表進行分類，提出優化規則，并打上分類標識，形成關鍵詞和規則值的映射關系表Ti。

4) 對擬處理的數據表集合Sx逐一應用映射關系表Ti中的規則；存在同類屬性的，采取3.1.1中的方法進行批量映射處理。

5) 檢查和測試設置是否得當。

6) 進行異動統計與標記。

7) 重復上述過程若干次，至模型收斂為不頻報、不漏報、易識別。報警組態的自動化處理如圖5所示。

圖5 報警組態的自動化處理示意

3.2 數據模型的適應性改進

為確保數據模型的適應性，須加強試運行時的抽樣測試，及時與原系統比較報警的完善率、漏報率和識別率，研判典型事件的處置效能，及時調整模型映射表。對必要性不強、頻報刷屏的測點，取消報警、調整定值或改用其他方式監控；對漏報、易疏忽的隱患，增設報警、增設測點，完善文本、語音、畫面、聲光、曲線、腳本等立體化監控功能；對未能診斷、識別困難的事件，設置對象腳本來輔助處理。

在J集控中心的實踐中，4輪大調整后，報警模型已明顯趨于收斂，可在生產環境中正式使用。

3.3 報警名稱規范化的評價

報警名稱的規范化通過名稱差異率來評價，一方面可以復核差異較大的測點，及時調整命名優化規則；另一方面則是將關鍵性的命名差異通報電廠，確保信息的一致性。命名差異率計算如式2所示。

其中，Count(S1x/S2)是字符串匹配計算的函數，將舊字符串S1的第x個字符與新字符串S2進行匹配，若配對成功則計數加1。Len(S2)是字符串S2長度計算函數。

4 報警數據模型的應用

4.1 效果分析

J集控中心基于數據分析形成了100多子項的專家策略(見表1)，5.16萬測點實現分級、分層、分類調整，4.24萬測點報警屬性被大幅調整，6 250個測點設置了限值報警；18 071個名稱被優化，8 361項語音被清理，80 %以上的頻報事件被消除；678個錯誤被糾正，3 827項模擬量刷新死區不合理問題被解決。

表1 報警優化的專家策略

優化后，每分鐘產生5～10條告警，人工干預量降至原來的1/3以下，關鍵故障定位時間從1 min級降低到10 s級，多次發現了傳感器異常、調速器油壓持續性下降等重大隱患或隱秘故障。

4.2 方法總結

基于數據構建報警模型，充分適應了調管關系、生產經驗等的變化情況，有助于后期反復調整。數據驅動的報警優化方法，實現了全過程量化、可視化管理，提高了經驗應用的自動化、規范化。

J集控中心采用Excel和VBA方法進行數據驅動報警模型的建立和優化，優點是準確度高、操作性強，缺點是專家經驗要求高、優化過程漫長。后續擬用Shell腳本增強嵌入式報警功能[8]，擬用深度學習等方法開展典型工況的診斷與決策研究，以提高靈活性和泛化能力[9-10]。

5 結束語

J集控中心采用基于數據驅動的專家模型進行報警優化后，實現了報警信息的輔助診斷功能，報警監視率降低45.02 %，完備性提升14.78 %，辨識度提升21.51 %，滿足了流域集控“全監、全控”和安全生產的需要，為同類集控中心的優化提升提供參考。