王健，陶瑋，湯衛(wèi)東，于文娟，余建明，翟勇

(1. 國家電網公司華中分部(華中電網有限公司)，湖北 武漢 430070；2. 北京科東電力控制系統(tǒng)有限責任公司，北京 100085)

基于貝葉斯定理的電網告警可信度算法研究

王健1，陶瑋2，湯衛(wèi)東1，于文娟1，余建明2，翟勇2

(1. 國家電網公司華中分部(華中電網有限公司)，湖北 武漢 430070；2. 北京科東電力控制系統(tǒng)有限責任公司，北京 100085)

在當前主站端智能電網調度支持系統(tǒng)中，綜合智能分析與告警的多源告警加權可信度算法主要依賴調度經驗，會導致告警的誤告和漏告問題。為了解決這一問題，提出了一種基于歷史故障告警記錄數(shù)據(jù)的告警可信度訓練方法。該方法首先通過選擇合理的時間窗口，利用概率統(tǒng)計方法，計算出設備不同告警源下的正確告警和錯誤告警的次數(shù)獲得先驗概率；再通過貝葉斯網絡對不同告警源及其組合的可信度進行后驗概率的計算，從而得出在不同告警源告警及組合下的告警可信度，將告警信息以量化的形式更準確地展現(xiàn)給調度人員從而降低錯誤告警次數(shù)，提高調度效率。實例表明該算法相比現(xiàn)有算法更加準確有效，且充分挖掘了歷史告警數(shù)據(jù)的信息，提高了電網故障告警的準確度。

電網故障；智能電網調度技術支持系統(tǒng)；綜合智能分析與告警；概率統(tǒng)計；貝葉斯網絡

電網異常及故障情況的處理，是電網調度部門日常監(jiān)控的重要工作之一，隨著近年來以特高壓為骨干網架的中國電網的大規(guī)?？焖俳ㄔO和新能源的快速發(fā)展，電網的運行和控制特性日趨復雜，為了保證電網的正常穩(wěn)定運行，亟需提升電網調控系統(tǒng)的智能化和自動化水平，特別是對電網事故在內的異常狀態(tài)的處理能力提出了更高要求[1]。

目前，針對復雜大電網的故障分析，已經有不少國內外專家和學者進行了深入的理論研究和初步的實踐，提出了不同的分析和研究方法，包括：專家系統(tǒng)、遺傳算法、Petri網絡、貝葉斯網絡等[2]，這些方法主要是在子站或主站端調度系統(tǒng)內綜合匯總各個應用的數(shù)據(jù)，利用計算機和高級算法對事故過程和網絡拓撲進行分析從而得到事故相關信息，從各種分析方法的實例分析結果來看，其理論基礎已近成熟，但是這些方法在調度端的應用還存在著不少問題：首先，故障分析推理算法和信息缺失的數(shù)量存在著指數(shù)級的復雜度關聯(lián)，當信息缺失時進行故障分析會嚴重占用系統(tǒng)資源；其次，某些規(guī)則的建立需要大量的人力和時間進行分析處理，因為電網的復雜性很難建立起一套適合所有電網結構的故障診斷系統(tǒng)；第三，電網處于動態(tài)建設過程中，電網結構的變化甚至新的技術的應用都會對舊有故障診斷系統(tǒng)的可靠性產生不可估計的影響。這些缺點制約著電網故障智能診斷理論方法的實踐應用，因此，在智能電網監(jiān)控技術逐步完善的過渡階段，根據(jù)目前電網信息的特點和發(fā)展現(xiàn)狀并結合監(jiān)控業(yè)務的主要特點，通過對告警信息進行分層分類的處理，將電網各數(shù)據(jù)和應用層獨立分析的結果進行綜合分析推理和展示，這種分析方法一定程度上避免了電網數(shù)據(jù)建設過程中的缺陷，又充分利用了現(xiàn)有的數(shù)據(jù)和應用，從而避免了對數(shù)據(jù)的浪費，是現(xiàn)階段電網調度端最適合的故障診斷方法。但是受限于各應用層和數(shù)據(jù)層的數(shù)據(jù)質量、部署情況和計算能力的限值，難免出現(xiàn)誤報、漏報等情況，因此目前都采取對多信息源進行加權判斷的方法，隨著運行數(shù)據(jù)的積累和更多數(shù)據(jù)源的接入，這種簡單的算法已經逐漸無法適應技術的發(fā)展。

本文依據(jù)電網故障告警分析方法現(xiàn)狀，對華中電網綜合智能分析與告警的多信息源告警的推理方法進行了深入研究，結合貝葉斯網絡理論對多信息源的告警信息的綜合分析推理過程進行了改進。

1 綜合智能分析與告警模塊構架和應用

1.1 綜合智能分析與告警整體結構

智能電網調度技術支持系統(tǒng)D5000中，綜合智能分析與告警模塊負責對調度自動化系統(tǒng)中各應用的告警信息進行匯集、整合和分析，并以語音、畫面和短消息等形式推送給調度人員，其整體結構如圖1所示。

SCADA—數(shù)據(jù)采集與監(jiān)視控制，supervisory control and data acquisition的縮寫；WAMS—廣域量測系統(tǒng)，wide area measurement system的縮寫；SOE—事件順序記錄，sequence of event的縮寫。圖1 綜合智能分析與告警整體構架

圖1中，依據(jù)不同的數(shù)據(jù)源應用及相應的分析結果，告警應用分為SCADA告警、WAMS告警、保護告警、錄波告警、告警直傳告警、廣域告警信息及其他預警信息。這些應用在電網發(fā)生故障時分別監(jiān)控自己的數(shù)據(jù)，當發(fā)生符合預置判斷規(guī)則的電網異常時將告警以預定的格式發(fā)往D5000平臺的消息總線，綜合智能分析與告警模塊則讀取消息總線上的來自其他應用發(fā)送的告警信息，并依據(jù)時間和統(tǒng)一電網設備模型進行關聯(lián)、分析和處理，最后將處理結果存入數(shù)據(jù)庫，再由人機平臺通過告警進行人機交互展示。

1.2 綜合智能分析與告警模塊

穩(wěn)態(tài)監(jiān)控、WAMS和其他預警告警應用大部分部署在D5000平臺Ⅰ區(qū)。穩(wěn)態(tài)監(jiān)控在主網電網實時監(jiān)控系統(tǒng)中部署時間最早，程度最高，數(shù)據(jù)實時性強，通過開關變位、遙測量、事故總信號、SOE信息等，通過綜合智能分析與告警內置的專家系統(tǒng)進行網絡拓撲分析和電網運行參數(shù)的判定，從而得出事故判定結果。但由于數(shù)據(jù)分辨率不夠(歷史數(shù)據(jù)采樣周期僅為1 min)，數(shù)據(jù)可靠性低，分析結果的可靠性也受到一定影響，穩(wěn)態(tài)監(jiān)控應用目前是綜合智能分析與告警的主要告警信息來源。

WAMS由同步相位量測裝置(phasor measurement unit，PMU)實時采取同步相量數(shù)據(jù)，數(shù)據(jù)分辨率高，可靠性較高，同步性極好，采集的數(shù)據(jù)可以精確到相別，但是受限于成本，目前部署程度極低，僅在重要廠站部署，不能進行大范圍的應用。

其他預警告警信息包括在線穩(wěn)態(tài)分析、網絡分析、自動發(fā)電量控制(automatic generation control，AGC)、自動電壓控制(automatic voltage control，AVC)等基于實時數(shù)據(jù)的高級分析模塊，可以獲得更加細致和全面的電網運行信息。目前在調度工作中暫未接入綜合智能分析與告警和其他告警進行統(tǒng)一展示，僅獨立的在各應用內部進行展示。保護信息和錄波信息主要采集于電網在線二次設備，主要反映二次設備采集的和保護動作的信息，是故障分析的重要數(shù)據(jù)。但是其目前部署于D5000平臺的Ⅱ區(qū)，和實時系統(tǒng)所處的Ⅰ區(qū)存在隔離，并且受限于其建設進度和數(shù)據(jù)規(guī)范化以及傳輸速度的問題，其在故障告警方面的應用還需進一步的優(yōu)化和研究。

其他調度系統(tǒng)的廣域告警信息共享，是“國分一體化”故障協(xié)同處置系統(tǒng)的重要組成部分，以往對于涉及到多個調度機構的大范圍的復雜電網事故，各級調度間存在對端數(shù)據(jù)缺失的情況，而電網間的聯(lián)絡線又是維持電網整體的關鍵，故成為電網故障監(jiān)控的薄弱點，因此國家電網公司通過推動“國分一體化”實現(xiàn)廣域分布式智能告警技術的開發(fā)研究，提升各級調度對電網故障的協(xié)同處理能力，但是對于本地系統(tǒng)來說，其他調度端推送的告警結果缺乏實時數(shù)據(jù)的分析和支持，無法確認其準確性和可信度。

變電站告警直傳信息是由變電站通過數(shù)據(jù)鏈路將大量的子站信息傳輸至主站的最佳方案，但是由于其處于初步研究階段，因此軟件功能的性能還亟需提高，現(xiàn)階段來說，還存在由于命名未統(tǒng)一規(guī)范導致的設備名稱解析困難的問題，但是這些問題隨著智能變電站技術的發(fā)展，將成為電網故障分層診斷結構的重要組成部分[3]。

1.3 多信息源告警可信度的加權算法

由于通信鏈路、設備狀態(tài)、管理水平等問題，各應用的告警不能保證其正確性，難免會發(fā)生誤告、漏告等情況，應用和應用之間可信度也存在差別，為了避免過多的錯誤信息影響調度信息，目前在綜合智能分析與告警中，采取的是可信度加權法，即

(1)

式中：D為某次事故的可信閾值；ωi為第i個應用的權值；Si為第i個應用的告警狀態(tài)，當其告警時取值為1，未傳送告警信息取值為0。當綜合智能分析與告警模塊接受到告警信息時，將實時進行可信度加權，當可信度加權值大于可信閾值時，事故告警信號為真，推出告警，否則為假；將告警放入緩存，待其他應用的告警信息，過期將不做推送處理，存入數(shù)據(jù)庫內。

目前，各應用權值的整定普遍基于調度運行人員的經驗將設備依據(jù)電壓等級和設備進行分類，對于同一電壓等級的同類設備分配相同的應用權值ωi和可信閾值D。這種方法的優(yōu)點是簡單直觀易維護，但是缺點也是顯而易見的：①權值僅由經驗來整定，過于依賴設定者的經驗和水平，容易出現(xiàn)誤報和漏報的情況；②告警的準確度受到分類方法的影響；③對新增告警源的兼容性較差；④在告警未達閾值時在后臺等待，有可能造成故障處理時間的浪費；⑤結果的線性不佳，對結果的預測不夠量化。

綜上所述，目前D5000系統(tǒng)中綜合智能分析與告警模塊的多信息源分層分類電網故障的加權診斷法初步達到了電網故障的綜合分析處理的目的，但是其缺陷在智能電網的建設中也越發(fā)明顯，所以有必要采用新的更加智能的方法對告警信息的可信度處理方法進行合理改進。

1.4 告警評價及其同步共享功能

對于智能電網調度技術支持系統(tǒng)告警性能的評價，以往是由各調度自動化處人工逐條手工進行核實、統(tǒng)計和分析，并以文本形式上送至上級機構進行考核，評價結果并不能直接反饋回系統(tǒng)當中，為了便于統(tǒng)計分析及不同調度機構間分享告警的核實，在綜合智能分析與告警模塊中添加了告警評價及其同步共享功能，從而能夠將告警的正確性快速準確的進行存儲、統(tǒng)計、分析、評價和共享，也為告警信息更高一級的應用提供了數(shù)據(jù)基礎。

2 多信息源電網故障診斷方法的改進

2.1 單一告警下的概率計算

為了避免靜態(tài)權值的缺陷，可以考慮利用故障數(shù)據(jù)本身及結果，對診斷系統(tǒng)進行訓練，從而達到機器學習的效果，將診斷結果變?yōu)楦鼮榱炕母怕市问健5000平臺提供了強大的數(shù)據(jù)庫支持，能隨時根據(jù)需求對存儲在歷史庫中的歷史告警信息數(shù)據(jù)及時的提取出來。

假設S、W、P、R、D分別表示SCADA應用、WAMS應用、保護應用、錄波應用和告警直傳應用發(fā)出相應告警。{Alarm}為告警應用中發(fā)出告警的應用，F(xiàn)代表告警為真事件，其概率

(2)

為了求解這個概率，可以使用貝葉斯定律。貝葉斯定律可以表述為：后驗概率等于標準似然度與先驗概率的乘積，為了得到在特定告警集下的故障后驗概率，可以利用歷史故障數(shù)據(jù)進行統(tǒng)計分析來獲得先驗概率和標準似然度。

(3)

(4)

例如統(tǒng)計單位為天，統(tǒng)計周期100天時間內故障次數(shù)為1，則此時故障率的含義為：根據(jù)過去100天歷史數(shù)據(jù)判斷接下來一天發(fā)生故障的期望即故障率為1/100；若單位變更為小時，則故障率的含義變?yōu)椋涸诮酉聛? h內發(fā)生故障的期望即故障率為1/2 400。

對于標準似然率的求解方法如下：

(5)

再根據(jù)全概率公式求得SCADA告警概率

(6)

(7)

將式(4)—(7)代入式(3)，得

(8)

化簡得

(9)

2.2 多信息源告警貝葉斯網的建模分析

2.2.1 貝葉斯網絡及條件獨立

貝葉斯網用有向圖來表達變量間的依賴關系，同時蘊含變量之間的條件獨立性，這種條件獨立性可以根據(jù)D-separation原理來進行判斷[7-8]，在給定Z狀況下滿足條件獨立的變量X、Y滿足

(10)

推廣到多變量：

(11)

2.2.2 多源信息告警的貝葉網

根據(jù)多信息源電網故障診斷的邏輯關系，可以建立如圖2所示貝葉斯網。

圖2 告警診斷貝葉斯網

(12)

2.2.3 數(shù)據(jù)統(tǒng)計窗口及分辨率的選擇

設備故障事件屬于離散過程，而設備的運行屬于連續(xù)過程，故不能夠對設備某一時刻的故障率做出準確定義，根據(jù)前文對于故障率的定義即式(4)，數(shù)據(jù)統(tǒng)計窗口的屬性包括統(tǒng)計時間長度t和統(tǒng)計周期T，t關系到對故障次數(shù)的統(tǒng)計，T關系到預測精度，實際代表在T間隔時間內設備發(fā)生故障的期望值，由此可見數(shù)據(jù)窗口的選取與告警準確度預測結果有著直接的關聯(lián)。同時根據(jù)式(9)可知，其統(tǒng)計周期必須小于設備故障的最小發(fā)生間隔，否則會出現(xiàn)大于1的情況，但是過小的數(shù)據(jù)窗口又會增加系統(tǒng)的計算量。因此通過合理的選取數(shù)據(jù)窗口，能夠優(yōu)化預測結果，減少數(shù)據(jù)庫的負擔，下面介紹幾種可供選擇的數(shù)據(jù)窗口選擇策略：

a) 固定時間段的時間窗口選取。以固定周期為取樣窗口，這樣做的優(yōu)點是維護簡單，可以根據(jù)設備檢修等及時調整，缺點是難以對壞數(shù)據(jù)和連續(xù)故障做出及時反應。

b) 固定故障次數(shù)的時間窗口選取?？梢砸援斍皶r間向前追朔給定故障次數(shù)的時標為時間窗口，這樣做的優(yōu)點在于當應用或者數(shù)據(jù)發(fā)生錯誤連續(xù)發(fā)出錯誤信號時，能夠迅速的響應，將告警的可信度調低從而減少錯誤信息的干擾，缺點是對故障檢修后權值恢復反應緩慢。

c) 故障頻率相關窗口選取方式。故障頻率相關時間窗口選取方式通過最近的告警信息動態(tài)調整時間窗口，即統(tǒng)計頻率正比于故障頻率，縮小數(shù)據(jù)窗口的時間，從而保證了快速響應和快速恢復，缺點是會影響先驗概率的準確度。

d) 綜合時間窗口選取方式。綜合時間窗口選取方式結合上面3種選取方式，通過不同時間段的可信度分析綜合得出結論，對于不同的故障情況具有一定的適應性，是今后值得研究的方向之一。

3 實例分析

以華中電網500kV交流線路類設備2014—2015年短路故障告警為例，對多信息源告警權值進行研究，取數(shù)據(jù)統(tǒng)計周期為天。因為電網建設進度的原因，主要應用的告警源為SCADA、WAMS和保護。更多告警源的情況可以依據(jù)此例進行類推，具體故障告警次數(shù)統(tǒng)計見表1。

表1 華中電網500 kV交流線路各應用告警統(tǒng)計 次

告警源故障誤報總數(shù)SCADA32639365WAMS254553807保護26412361500SCADA+WAMS54054WAMS+保護17017SCADA+保護25025SCADA+WAMS+保護63063

注：故障總數(shù)為1 003次、誤報總數(shù)為1 828次。

通過表1的數(shù)據(jù)，可以大致對各個應用的性能有所估計，再根據(jù)式(3)、式(4)、式(9)進行計算，結果見表2。

表2 各告警應用的概率計算

需要注意的是，計算出來的誤報率同故障率的數(shù)理意義相似，即為在1 h內設備發(fā)生一次誤報的期望值，從計算結果能對各個應用進行一個大致的評價：SCADA應用性能最佳，WAMS其次，保護誤報率和漏報率最高，但無法從表2直接得到當收到不同告警時告警為真的概率。

表3比較了固定權值算法(閾值設定為3)和動態(tài)算法的告警結果。

表3 不同告警源組合下的故障率

告警源動態(tài)權值算法概率/%固定權值算法權值固定權值算法概率/%SCADA9553100WAMS43720保護16410SCADA+WAMS9965100WAMS+保護7153100SCADA+保護9854100SCADA+WAMS+保護9996100

由表3可以看出：

a) 固定權值算法在只有WAMS或保護兩種告警的情況下判定告警為假，而根據(jù)動態(tài)權值的分析方法得出故障的概率遠大于零，因此前者有可能產生故障漏告。動態(tài)權值將故障量化，避免了小概率事件的影響，防止漏告的發(fā)生。

b) 告警為WAMS和保護同時并發(fā)時，固定權值算法判定告警為真，因此前者相應的可能導致誤告，動態(tài)權值將以往判定為真的告警進一步依據(jù)概率進行了劃分，輔助調度員依據(jù)故障的先后輕重進行處理，提高了事故處理的效率。

c) 動態(tài)權值同時能夠量化應用的性能，并要求相關應用及廠家進行相應的整改，并對整改結果進行評價和考核。

因此，實際系統(tǒng)中可以根據(jù)計算結果，當收到不同告警時，可以通過計算，對告警的可信度進行估計，再依據(jù)時間先后順序，以可信度的形式，按照一定規(guī)則呈現(xiàn)給調度人員。

示例沒有討論數(shù)據(jù)窗口的選擇問題，依據(jù)前文的理論分析結果，通過數(shù)據(jù)窗口的選擇，可以很好的解決短時間內因為數(shù)據(jù)錯誤導致的誤報頻發(fā)等問題，由于篇幅限制，本文不再做進一步論述。

4 結束語

本文首先介紹了目前電網告警的主流方法和分類，以及基于智能電網調度技術支持系統(tǒng)的綜合智能分析與告警模塊的運行機制，針對目前主站側調度告警的現(xiàn)狀，指出了電網故障多信息源告警系統(tǒng)采用靜態(tài)權值分析算法的落后性，提出了基于歷史數(shù)據(jù)挖掘的貝葉斯定律及貝葉斯網絡的動態(tài)權值訓練方法，以華中電網500 kV線路的數(shù)據(jù)進行研究測算表明：相對固定權值的可信度計算方法，本文算法實現(xiàn)了告警結果從二元化到量化的提升，充分利用了告警及歷史數(shù)據(jù)的價值，將以往固定的、基于經驗的告警綜合分析提升到了動態(tài)的、智能的新高度，具有在國分調告警模塊中廣泛推廣的價值。

[1] 辛耀中，石俊杰，周京陽，等. 智能電網調度控制系統(tǒng)現(xiàn)狀與技術展望[J]. 電力系統(tǒng)自動化，2015，39(1)：2-8.

XING Yaozhong，SHI Junjie，ZHOU Jingyang，et al. Technology Development Trends of Smart Grid Dispatching and Control System[J]. Automation of Electric Power Systems，2015，39(1)：2-8.

[2] 林圣，何正友，錢清泉. 輸電網故障診斷方法綜述與發(fā)展趨勢[J]. 電力系統(tǒng)保護與控制，2010，38(4)：140-146.

LIN Sheng，HE Zhengyou，QIAN Qingquan. Review and Development on Fault Diagnosis in Power Grid. Power System Protection and Control [J]. Power System Protection and Control， 2010，38(4)：140-146.

[3] 閃鑫，戴則梅，張哲，等. 智能電網調度控制系統(tǒng)綜合智能告警研究及應用[J]. 電力系統(tǒng)自動化，2015，39(1)：65-72.

SHAN Xin，DAI Zemei，ZHANG Zhe，et al. Research on and Application of Integrated Smart Alarm Based on Smart Grid Dispatching and Control [J]. Systems Automation of Electric Power Systems，2015，39(1)：65-72.

[4] 張黎，張波. 電氣設備故障率參數(shù)的一種最優(yōu)估計計算法[J]. 繼電器，2005，33(17)：31-34.

ZHANG Li，ZHANG Bo. An Algorithm for Optimal Parameter Estimation of the Failure Rate of Electrical Equipment [J]. Relay，2005，33(17)：31-34.

[5] 余紹峰，何文林，孫翔. 輸變電設備故障率的估算方法[J]. 浙江電力，2009(6)：5-8.

YU Shaofeng，HE Wenlin，SUN Xiang. Estimation Method for the Failure Rate of Transmission and Transformation[J]. Zhejiang Electric Powe，2009(6)：5-8.

[6] 張連文，郭海鵬. 貝葉斯網引論[M]. 北京：科學出版社，2005.

[7] ORBANZ P，ROY D M. Bayesian Models of Graphs, Arrays and Other Exchangeable Random Structures[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，37(2) ：437-461.

[8] 周曙，王曉茹，錢清泉. 基于貝葉斯網的分布式電網故障診斷方法[J]. 電網技術，2010，34(9)：76-81.

ZHOU Shu，WANG Xiaoru，QIAN Qingquan. Bayesian Networks Based Distributed Fault Diagnosis Approach for Power Grids [J]. Power System Technology，2010，34(9)：76-81.

(編輯 王朋)

Reliability Algorithm for Power Grid Alarm Based on Bayesian Theorem

WANG Jian1, TAO Wei2, TANG Weidong1, YU Wenjuan1, YU Jianming2, ZHAI Yong2

(1. Central China Branch of State Grid Corporation of China, Central China Grid Company Limited, Wuhan, Hubei 430070, China; 2. Beijing Kedong Electric Power Control System Co., Ltd., Beijing 100085, China)

In current support system for main station end smart grid dispatching, multi-source alarm weighted reliability algorithm for integrated intelligent analysis and alarm mainly depends on dispatching experiences, which may cause false alarm and leakage. In order to solve the problem, this paper presents a kind of alarm reliability training method based on historic false alarm recording data. This method firstly chooses reasonable time window and uses probability statistic method to work out number of times of correct alarm and false alarm of equipment under different alarm source so as to acquire a priori probability. Then based on calculating posterior probability of different alarm source and related combination by Bayesian network, it obtains relevant alarm reliability. By correctly displaying alarm information in quantitative form to schedulers, it is able to reduce false alarm times and improve dispatching efficiency. Actual example indicates that this algorithm is more accurate and effective than current algorithm and is able to fully excavate historic alarm data information as well as improve accuracy of power grid fault alarm.

power grid fault; smart grid dispatching technology support system; integrated intelligent analysis and alarm; probability statistic; Bayesian network

2016-04-25

10.3969/j.issn.1007-290X.2016.12.013

TM73

A

1007-290X(2016)12-0068-06

王建(1966)，男，江蘇南通人。高級工程師，工學學士，主要從事電網調度自動化工作。

陶瑋(1987)，男，湖南長沙人。工程師，工學碩士，主要從事智能電網調度技術支持系統(tǒng)開發(fā)研究工作。

湯衛(wèi)東(1972)，男，湖南衡山人。高級工程師，工學碩士，主要從事電網調度自動化工作。