電爐變電站集控中心告警信息遠程聚合方法研究

杜曉嵐,朱夢楠

(陜西工業職業技術學院,陜西 咸陽 712000)

電爐變電站集控中心的告警信息遠程聚合可以幫助集中監控和管理多個電爐變電站的設備,識別潛在風險或故障,及時采取預防或修復措施。通過遠程聚合告警信息,集控中心可以實時監測電爐變電站的運行狀況,減少維護成本和工作量,提高管理效率和運行穩定性。同時,聚合告警信息還可以幫助集控中心進行數據分析和趨勢預測,提升決策和規劃能力。隨著智能電網和數字化轉型的推進,電爐變電站采用先進的集控系統來實現遠程監測和管理,但是由于電爐變電站數量龐大、地理位置分散,其告警信息的處理和維護成本很高。在電網運行過程中,對各變電所集中控制的警告數據進行集中處理,這對電網的安全、穩定和可靠性起到了很大的作用。

在此背景下,相關領域的學者已經得到了一些較好的研究成果,例如周海飛等人[1]針對傳感網絡中的節點信譽度問題,研究了一種傳感器網絡數據并行聚集方法。首先,利用減法聚類法對各結點進行聚類,以保證各結點在空間上的均勻分布,并提高分簇效率。在此基礎上,結合基于云理論可信度測度模型,獲得聚合數據的數量特性,并對聚類數據進行分類,確定最優聚類數據。李雅蘭等人[2]提出一種基于霧化技術的多維度的數據融合方法,具有隱私保護性,為不同粒度的數據服務提供支持。首先,在不引入任何第三方機構的情況下,利用局部霧計算資源的優勢,建立分層聚集架構。其次,將同態 Paillier算法和霍納規則相結合,實現對數據的多維度隱私保護,以適應多種應用的需要。但是,以上文獻方法在數據聚合之前忽略了對數據間相關性的分析,獲取的數據聚合結果可信度不夠理想。

由于采集數據設備的數量眾多、類型繁多,因此數據可能會有一些數據缺失、錯誤或者重復的情況出現,導致數據難以實現較高的聚合率,為此,本文提出一種新的電爐變電站集控告警信息遠程聚合法。

1 電爐變電站告警信息遠程聚合方法設計

1.1 全關聯度和相似度的計算

通過對不同電爐變電站的告警信息之間的關聯度進行分析,可以有效地降低誤報率和漏報率。例如,如果多個電爐變電站同時產生了同一類型的故障,那么在集控中心中,只需要提醒用戶一次,而不是針對每個電爐變電站都做出提示。且當電爐變電站發生故障時,集控中心需要快速確定故障的原因,并做出相應的處理。對告警信息之間的關聯度的分析可以幫助工作人員更快地采集故障的位置信息,從而提高故障處理效率。

優先分析不同告警信息的強弱,其中連接信息關聯度取值越大,則說明連接關系越緊密,具體計算方式如下:

(1)

其中,

(2)

式中:Il(ai)為告警信息之間的關聯度;ai為告警信息的類別;disconnect(ai)為告警發生的相對概率;disconnect(all)為告警事件發生的概率總和。

對數據進行更加精細地管理,獲取更好的運行結果。針對不同類型的告警信息計算關系強度,其中直接關聯度采用Lai度量,如式(3)所示:

(3)

式中:lL(ai)和maxlL(ai)分別為關聯關系強度的賦值和最大賦值。告警時間的關系越緊密,說明關聯度的增長速度越快。利用直接關聯度度量直接關聯強度為0的告警信息間接關聯度,得到全關聯度表示為Cr(i,j),如式(4)所示:

(4)

式中:dis(i,j)為告警信息i和j之間的最短距離值。通過Floyd算法計算不同告警事件的最短距離值dis(i,j),如式(5)所示:

(5)

利用不同類型電爐變電站告警信息之間的全關聯度的計算,可以初步衡量告警信息之間的相關性。但是,由于信息相關性只能衡量信息屬性差異程度,無法直接實現同類告警信息的聚合。因此,需計算屬性相似度,在信息遠程聚合過程中,識別相似屬性可以將同屬性信息歸并處理,可以進一步優化告警信息的聚合精度。

設定sim(Ai,Bi)為告警信息A和告警信息B的第i個屬性相似度,則對應的計算式為

(6)

設定電爐變電站中隨機兩個信息子地址為IPA和IPB,則IP地址之間的相似度sim(IPA,IPB)可以表示為以下的形式:

(7)

為了獲取理想的聚合效果,各告警信息的相似性SIM(A,B),計算如式(7)所示:

(8)

1.2 告警信息時間波動特征

在電爐變電站中,一段持續性攻擊形成的原始告警信息一般發生在比較短的時間內[3-4]。所以,時間屬性是告警信息的另一個重要屬性。只有在設定范圍內的報警數據被聚合的概率才大。以鄰近報警的時間之隔為數據屬性,在對告警信息進行遠程聚合時,將該時間間隔與1.1小節得出的判定告警信息的特性相結合,對目前的聚合情況進行分析,具體如下所示:

(1)固定時間間隔。結合相關的先驗知識,將冗余報警的相鄰時刻間隔最大設置為T,若報警時刻低于T,表示該時刻滿足設置的限制;反之,則說明不滿足于時間約束。

(2)針對不同攻擊類型的告警信息,將告警時間設定在區間[Tmin,Tmax]內,其中告警信息A和告警信息B之間的告警時間計算公式為

Tmin=|Atime-Btime|

(9)

在電爐變電站實際工作的過程中,持續性攻擊主要具有以下幾方面的特征:

當電爐變電站遭受連續攻擊時,系統會產生報警,但由于其具有固定時間閾值,因此報警效果并不理想。當時間閾值設置過大時,將會使電爐變電站遭受持續的攻擊;如果時間閾值設置得太低,那么一次攻擊就會被聚集成多次。當各時段的相對平均偏差小于某一給定的臨界值時,該時段的平均偏差就會在該給定的區間內出現波動。

時間間隔的相對平均方差V表達,將其作為時間間隔的變異系數,根據該表達式設Tv為動態時間間隔閾值,表達式如下所示:

(10)

式中:Tavg為時間間隔的平均值,s;S為電爐變電站告警信息的時間間隔方差,s2;Ti為相鄰告警時間的時間間隔,s。

優先設定一個初始時間閾值,當全新的告警信息ei達到設定時間,需要計算和前一個告警信息之間的時間間隔。合并全新的告警信息,形成告警信息集合E。告警信息每合并一次,對應的變異系數也會更新。所以,隨著告警序列中告警信息數量的持續增加,V會逐漸趨于穩定,同時獲取初始告警信息的變異系數。

1.3 遠程聚合的實現

告警信息遠程聚合是將同一攻擊形成的多個告警信息合并成一個超告警,同時將其提交給管理員[5-6]。由于信息遠程聚合可以實時完成,所以系統保持現階段的攻擊類型告警。當出現一個全新的告警信息時,需要計算電爐變電站告警信息和超告警信息之間的相似度[7-8]以及時間間隔。

時間間隔變異系數C和攻擊類型之間存在密切關聯,采用式(10)計算全新的變異系數:

(11)

式中:C為學習型參數;Tsum為原始告警信息數量;Tn代表告警信息的時間間隔總和。

在上述分析的基礎上,需要將變異時間系數對已經采集到的告警信息時間波動特征進行分析,將告警信息屬性劃分為兩種不同的類型,分別為時間約束屬性和相似度約束屬性,同時以此為依據聚合處理電爐變電站集控告警信息,最終實現用于電爐變電站集控告警信息遠程聚合方法的優化。

2 實驗與分析

2.1 實驗設置

選取某220 kV電爐變電站集控中心為實驗對象,依托三維中國地圖,通過在Matlab2022中使用 Simulink對某模擬電爐變電站進行三維仿真,實現對變電所集中控制中心的實時監測。

建模和仿真的過程中,可以利用Simulink工具箱提供的各種模塊來設定不同的參數。同時,Matlab 2022軟件還提供了豐富的可視化工具,以幫助用戶更直觀地觀察和分析3D電爐變電站的模擬結果。在3D電爐變電站的建模中(見圖1),設置工作電壓、工作電流分為220 kV和600 A,選用設置變壓器,選用陶瓷絕緣子、開關為模型主要元件。劃分三維空間,將其分割成多個小網格。單位網格的大小為30 mm×30 mm。

圖1 3D仿真電爐變電站

利用數據遠程采集器、數字傳感器、相機以及無人機采集電爐變電站的相關告警信息。數據采集器能夠將獲取的信息通過網絡傳輸到云服務器或者在本地進行存儲。相機用于對電爐變電站進行攝影,并對其狀況進行分析,以確定是否存在故障。

無人機可以飛越電爐變電站進行航拍,獲取電爐變電站的全貌,進行高空檢測和巡檢。電爐變電站信息采集結果如圖2所示。

圖2 采集的告警信息

由圖2可知,電爐變電站的告警信息包括系統故障率、系統健康度和系統性能比等。右側顯示重要事件列表。當電爐變電站出現預警、事故或異常時發出警告,方便技術人員及時發現并處理。電爐變電站的報警信息類型包括事故信號,異常信號,預警信號和變位信號4種,分別記為a、b、c、d。

2.2 結果分析

為了研究方法的告警信息的聚合效果,實驗選取告警率ReduceRatesnort作為評價指標,具體的計算方式為

(12)

式中:srcsnort為真實告警信息量;dstsnort為本文方法應用后的告警信息量。利用圖3和圖4分別給出不同類型告警信息的總量和研究方法應用下的告警率。

圖3 告警信息的總量

圖4 精簡前后不同類型電爐變電站信息告警信息所占比例

分析圖4可知,利用研究方法聚合電爐變電站告警信息后,告警率得以優化提高,對于不同類型告警信息類型,告警率均提高至98%以上。

為驗證聚合方法性能,選擇文獻[1]提出的以節點信譽度為基礎的數據合成方法與文獻[2]提出的以霧輔助的數據合成方法為對照,用不同的期望值來對三種方法的合成效果進行比較。

聚合算法的期望值是對一組隨機變數進行多項試驗后所得出的加權平均值,而各所得權值為該所得發生概率。

期望值可理解為隨機變量在長期實驗中的平均表現在本次實驗中,隨機變量為告警信息量,設置其期望值以及不同方法的信息遠程聚合率如表1所示。

表1 不同期望值下各個方法的聚合率測試對比

分析表1中的實驗數據可知,所提方法具有較高的聚合率,主要是因為所提方法在進行告警信息遠程聚合的過程中,先構建了信息關聯度矩陣,獲取高精度的信息相似度,提高所提方法的聚合率。

在電爐變電站集控中心中運用本文聚合方法,將電爐變電站斷路器SF6氣壓低報警、儲能電源回路故障、斷路器控制回路斷線、失靈裝置電流啟動、冷卻器故障和有載調壓裝置異常等信息進行聚合,聚合后的信息占比情況如圖5所示。

圖5 電爐變電站集控告警信息遠程聚合占比圖

如圖5所示,電爐變電站斷路器SF6氣壓低報警、儲能電源回路故障、斷路器控制回路斷線、失靈裝置電流啟動、冷卻器故障和有載調壓裝置異常信息遠程聚合后占比分別為30%、3%、2%、15%、49%及1%,與實際配電網信息占比誤差為0.1。實驗結果表明本文方法聚合的信息與實際信息情況一致,聚合效果好,獲取準確的電爐變電站集控告警信息。

3 結 語

隨著電網數字化的不斷發展和進步,促使相互可連接的設備范圍也越來越廣泛,數量也越來越多。在疊加新冠疫情的背景下,電爐變電站告警信息量的劇增導致其日常維護困難,為此,設計并提出一種電爐變電站集控告警信息遠程聚合方法。經實驗測試證明,所提方法能夠有效提升電爐變電站告警信息遠程聚合率,同時還具有較好的告警信息精簡性能。