王 磊, 陳 青, 高洪雨, 馬志廣, 張艷杰, 何登森

(1. 國網(wǎng)技術學院, 山東省濟南市 250002; 2. 電網(wǎng)智能化調(diào)度與控制教育部重點實驗室(山東大學), 山東省濟南市 250061)

0 引言

電力系統(tǒng)故障診斷作為智能電網(wǎng)自愈功能實現(xiàn)的基礎課題,近年來的研究成果非常豐富,在生產(chǎn)現(xiàn)場也得到了一定的應用[1]。目前的故障診斷技術主要依靠保護啟動、保護動作信息以及斷路器跳閘信號進行故障推理,例如基于時間序列相似性匹配的方法[2]、基于隨機優(yōu)化技術的方法[3]、基于推理鏈的方法[4]、采用多數(shù)據(jù)源融合的診斷方法[5]以及與或樹模型[6]等。上述故障診斷算法需要及時、穩(wěn)定的實時數(shù)據(jù)來支撐。但是由于目前的各種信息系統(tǒng)缺乏有效的數(shù)據(jù)預處理機制且彼此之間相互獨立,造成了如下兩種不利因素:第一,故障后各級變電站報警信息同時向地調(diào)或省調(diào)度中心匯集,多次網(wǎng)關中轉以及通信信道不穩(wěn)定極易造成信息丟包或時序錯誤;第二,現(xiàn)代電網(wǎng)故障診斷技術需要的數(shù)據(jù)在變電站服務器、生產(chǎn)控制大區(qū)以及管理信息大區(qū)都有分布,存在跨調(diào)度安全隔離區(qū)和跨多系統(tǒng)的問題,信息壁壘嚴重。

另一方面,大數(shù)據(jù)技術及云計算的興起與不斷完善,引起了智能電網(wǎng)數(shù)據(jù)管理模式的根本改變[7-9]。大數(shù)據(jù)技術是能夠通過對大量、多種類和來源復雜的數(shù)據(jù)進行高速捕捉、發(fā)現(xiàn)和分析,用經(jīng)濟的方法提取數(shù)據(jù)價值的技術體系或技術架構[10]。大數(shù)據(jù)技術規(guī)模性、多樣性、高速性的特點恰好能夠彌補上述電力故障信息系統(tǒng)的不利因素[11-12]。

目前智能變電站配置了多種信息采集系統(tǒng),目的是對站內(nèi)各種設備進行有效監(jiān)控。眾多信息帶來海量數(shù)據(jù)的同時,也給檢修人員帶來極大不便,面對約2 s就會翻屏的實時告警監(jiān)視器,難免出現(xiàn)遺漏,這在一定程度上降低了信息資源的利用率。本文出發(fā)點是在故障后利用故障診斷的結果對保護或斷路器的不正確動作情況進行分析,并運用大數(shù)據(jù)體系架構對電力系統(tǒng)故障信息收集方式進行改進,重點利用數(shù)據(jù)挖掘技術對目前故障診斷算法中的難點問題——保護或斷路器拒動的情況進行反向追蹤,充分利用電力系統(tǒng)中各類信息源的同時,擴展了故障診斷算法的功能。

1 基于大數(shù)據(jù)平臺的電網(wǎng)故障信息架構

大數(shù)據(jù)平臺能夠運用資源優(yōu)化調(diào)度、高速數(shù)據(jù)傳輸機制、數(shù)據(jù)副本管理等技術解決數(shù)據(jù)庫集群所面臨的數(shù)據(jù)高峰時刻的網(wǎng)絡傳輸瓶頸及誤碼問題。鑒于故障后的診斷程序需要在短時間內(nèi)處理大量的電氣量或非電氣量信息,因此本文在前期工作的基礎上[13],選擇大數(shù)據(jù)平臺作為故障診斷系統(tǒng)的數(shù)據(jù)支撐環(huán)境,利用分布式存儲技術來獲取和管理變電站層故障數(shù)據(jù),這樣能夠避免數(shù)據(jù)在調(diào)度端的過度擁塞,給上層的診斷程序提供更加穩(wěn)定、快捷的數(shù)據(jù)接口。

1.1 大數(shù)據(jù)概念及實現(xiàn)方法

目前無論是數(shù)字化改造過的傳統(tǒng)變電站還是智能變電站都配備了眾多監(jiān)控系統(tǒng),單個變電站公用信號分類圖中包含的畫面索引包含全站測控檢修、全站測控檢修異常報警、逆變電源柜故障報警、時間同步系統(tǒng)主機柜告警、網(wǎng)絡報文分析和制造報文規(guī)范(MMS)記錄儀報警、同步相量測量主柜相量測量單元(PMU)裝置報警、站控層網(wǎng)絡交換機柜交換機報警、消防裝置火災告警、Ⅰ-Ⅳ區(qū)數(shù)據(jù)通信網(wǎng)裝置報警、時鐘檢測單元(TMU)裝置電源失電告警、局部放電在線監(jiān)測(PDM)等多達60個報警窗,報警信息分為遙測、遙信、遙控、遙調(diào)、事件順序記錄(SOE)、保護事件、保護告警、保護管理、通信、電壓無功控制(VQC)、開關刀閘動作、故障信息、越限告警等14類。按照每秒收到實時告警信息8條計算,每天約70萬條。保存周期為一個月,在極端情況下,實時數(shù)據(jù)庫中滾動的報警信息可達2千萬條。對于整個電網(wǎng)的設備監(jiān)測平臺而言,要存儲的監(jiān)測或管理的數(shù)據(jù)量更加龐大,依靠傳統(tǒng)的關系數(shù)據(jù)庫很難滿足智能電網(wǎng)對故障快速診斷及自愈的需求。因此本文試圖利于大數(shù)據(jù)技術對現(xiàn)在的電網(wǎng)數(shù)據(jù)環(huán)境進行改進,并給出電網(wǎng)故障大數(shù)據(jù)平臺的一種可選架構。

由于大數(shù)據(jù)是最近幾年興起的理論,其內(nèi)涵和外延在不斷演進,技術標準也相對開源,通常情況下被采用的定義是:大數(shù)據(jù)是指無法在一定時間范圍內(nèi)用傳統(tǒng)數(shù)據(jù)庫軟件對其內(nèi)容進行抓取、管理和處理的大量數(shù)據(jù)集合。大數(shù)據(jù)技術對智能電網(wǎng)建設的影響顯而易見:大數(shù)據(jù)將為智能電網(wǎng)提供可靠的數(shù)據(jù)來源與穩(wěn)定的數(shù)據(jù)質(zhì)量,進而為各級調(diào)度中心對電網(wǎng)狀態(tài)的掌控提供高效的管理機制[14]。例如可用于電網(wǎng)故障診斷的數(shù)據(jù)源(數(shù)據(jù)采集與監(jiān)控(SCADA)系統(tǒng)、故障信息系統(tǒng)、通用面向對象變電站事件(GOOSE)、能量管理系統(tǒng)(EMS)等)都會通過相應的數(shù)據(jù)引擎注冊為智能電網(wǎng)大數(shù)據(jù)平臺的一部分,而大數(shù)據(jù)將通過資源管理框架對上述數(shù)據(jù)源進行統(tǒng)一的作業(yè)調(diào)度和數(shù)據(jù)管理,保持了各數(shù)據(jù)采集系統(tǒng)獨立運行的同時,能夠對電網(wǎng)故障數(shù)據(jù)并行處理,并隨時保持高吞吐量的訪問控制。

大數(shù)據(jù)領域當前最為流行的開源軟件為Apache Hadoop[15]。Hadoop是一個能夠對大量數(shù)據(jù)進行分布式處理的開源軟件框架,用戶可以根據(jù)其提供的框架來構建面向應用的分布式計算平臺。根據(jù)Hadoop 2.0協(xié)議框架,本文提出的電網(wǎng)故障大數(shù)據(jù)平臺架構如圖1所示。

圖中所示的故障大數(shù)據(jù)平臺架構中,最底層是Hadoop分布式文件系統(tǒng)(Hadoop distributed file system,HDFS)。HDFS是一種能夠在通用硬件上運行的高容錯性分布式文件系統(tǒng),可以提供超高吞吐量的訪問數(shù)據(jù),非常適合大數(shù)據(jù)集的應用。在故障大數(shù)據(jù)平臺架構中,HDFS用來管理所有故障診斷所能用到的數(shù)據(jù),例如用來生成電網(wǎng)可縮放矢量圖形(SVG)圖元拓撲的公共信息模型(CIM)配置文件、故障錄波形成的Comtrade文件、保護配置及自檢信息、斷路器在線監(jiān)測信息、SOE、信道自檢以及Web日志等。相對于傳統(tǒng)的分布式數(shù)據(jù)庫,HDFS具備更好的分布式數(shù)據(jù)協(xié)調(diào)能力,集群間通過 HDFS 的 Hadoop RPC 協(xié)議通信,能夠運用備份存儲技術增加系統(tǒng)的容錯性。Hadoop通過統(tǒng)一資源管理框架(yet another resource negotiator,YARN)為各類應用計算提供資源調(diào)度和管理。YARN在框架中的作用是為故障診斷及追蹤中的多個子程序(例如需要實時計算的故障診斷程序、站內(nèi)報警信息查詢程序、電網(wǎng)拓撲處理程序、離線錄波分析程序等)提供統(tǒng)一的資源調(diào)度服務,共享集群資源。YARN將框架中的數(shù)據(jù)資源與診斷程序分離,其優(yōu)點在于,當上層的診斷算法有變化時,不會影響到HDFS;而集群中出現(xiàn)新的數(shù)據(jù)監(jiān)測系統(tǒng)時,診斷程序不會因新資源的加入而全部重寫。YARN的上層是以Apache Spark為主要計算框架的故障診斷程序。Apache Spark是由UC Berkeley AMP lab開發(fā)的分布式計算框架[16-17]。Apache Spark能夠兼容Apache Hadoop的API,因此可以任意讀寫HDFS中的資源,能夠與YARN無縫連接。相比Hadoop自身攜帶的MapReduce大規(guī)模數(shù)據(jù)集計算模型,Spark完全基于內(nèi)存計算,包括中間結果也完全緩存在內(nèi)存中,因此運算性能更加優(yōu)越,對實時處理系統(tǒng)的處理更為高效。

圖1 電網(wǎng)故障大數(shù)據(jù)平臺架構Fig.1 Big data platform of power grid fault

鑒于上述分析,本文將故障后的處理程序分為4個模塊。第一,實時故障診斷及追蹤模塊。該模塊是診斷程序的主體部分,負責對報警數(shù)據(jù)進行分析,找出故障元件或者保護、斷路器拒動的原因。由于該模塊的處理優(yōu)先級最高,本文選擇Spark Streaming組件對該模塊進行處理。Spark Streaming組件的特點是能夠接收實時數(shù)據(jù),按周期將數(shù)據(jù)分為多批次進行處理,處理周期短,一般為毫秒級。Spark流式計算程序能夠最大限度地契合故障診斷程序實時處理的特點,將Spark的運算性能發(fā)揮出來。第二,故障信息查詢模塊。目前電網(wǎng)的分級調(diào)度機制規(guī)定只有事故級報警信息才能上傳調(diào)度主站,很多對故障診斷有用的預警信息僅在變電站后臺存儲,因此可以利用Spark SQL對站內(nèi)數(shù)據(jù)進行查詢,為故障追蹤提供支持。Spark SQL具備傳統(tǒng)SQL的交互式查詢功能,采用基于Spark的內(nèi)存處理方式,能夠對分布式數(shù)據(jù)集進行結構化查詢且性能非常高。由于Spark平臺具有高度整合性,Spark SQL的查詢結果能夠直接提供給故障診斷及追蹤模塊的Spark Streaming進行處理。第三,數(shù)據(jù)模型交換及拓撲模塊，能夠實現(xiàn)調(diào)度主站與變電站之間的數(shù)據(jù)交換以及電網(wǎng)拓撲計算,實現(xiàn)圖形的快速拼合與分析,形成全網(wǎng)拓撲,進而通過拓撲計算找出無源子網(wǎng),縮小故障診斷范圍。第四,離線錄波文件分析模塊作為故障后的分析部分,被設計為一個批處理系統(tǒng)。該模塊的處理對象為幾十兆的錄波文件,可以選擇Hadoop的分布式計算組件MapReduce對其進行離線計算,MapReduce的優(yōu)勢在于大塊數(shù)據(jù)處理,數(shù)據(jù)就近復制策略也使其具有良好的容錯性,適合錄波文件的分析與存儲。

框架的最上層是集群部署、配置、管理界面以及應用接口層。該界面由Apache Ambari實現(xiàn)。Apache Ambari是一種基于Web的大數(shù)據(jù)部署工具,支持Apache Hadoop集群的供應、管理和監(jiān)控。應用接口可以給智能電網(wǎng)的自愈程序提供診斷結果,或者在調(diào)度中心給出故障簡報。

電網(wǎng)故障大數(shù)據(jù)平臺的運行過程為:首先Ambari通過圖形用戶界面為Spark啟動某個程序模塊,進而Spark將該模塊所需的資源調(diào)度交給YARN進行處理;YARN可以被看作一個云操作系統(tǒng),它將Spark程序作為一個Client并在集群節(jié)點上為其啟動一個資源管理器,對Spark程序分配內(nèi)存、CPU、信道等資源;Spark部署完畢之后,可以通過攜帶的執(zhí)行命令對指定位置的HDFS數(shù)據(jù)資源進行存取、統(tǒng)計或者刪除操作;操作結果輸出之后,Spark在YARN資源管理器中注銷任務,釋放資源。

1.2 基于大數(shù)據(jù)平臺的故障追蹤過程設計

為了更好地對電網(wǎng)故障大數(shù)據(jù)平臺進行業(yè)務流分析,本文從數(shù)據(jù)處理實時性角度對電網(wǎng)故障診斷及追蹤過程做了分析,將其分為三個處理系統(tǒng):實時處理系統(tǒng)、準實時處理系統(tǒng)和批處理系統(tǒng)。實時處理系統(tǒng)是將接收到的數(shù)據(jù)或消息進行實時處理響應;準實時處理系統(tǒng)是將數(shù)據(jù)以批量的形式輸入,一旦檢測到數(shù)據(jù)進入立即開始處理;批處理系統(tǒng)是將數(shù)據(jù)以成批的多組文件形式輸入,以工作流的方式對其進行調(diào)度處理。三個處理系統(tǒng)的工作方式如附錄A圖A1所示。

在實時處理系統(tǒng)中,事故級信息由保護啟動、保護動作以及斷路器跳閘信息組成,對應站內(nèi)告警窗中危急類信息。變電站會將事故級信息實時上報,在調(diào)度端也能夠得到最高級別的響應。目前的電網(wǎng)故障診斷算法也都基于事故級信息,因此實時處理系統(tǒng)優(yōu)先級最高,反應也最迅速。若故障診斷算法得出的結論為保護及斷路器均正確動作,則將診斷簡報抄送調(diào)度人員或轉智能電網(wǎng)自愈程序;若故障診斷算法判斷出有保護、斷路器拒動或誤動,則將準實時處理系統(tǒng)上線。在準實時處理系統(tǒng)中,一般級信息由GOOSE鏈路診斷信息、錄波提示、采樣值(SV)鏈路斷線等信息組成,對應站內(nèi)告警窗中的嚴重類信息;預告級信息由保護裝置告警、保護電壓互感器(TV)采樣異常、線路測控光纖采樣異常、斷路器在線監(jiān)測等信息組成,對應站內(nèi)告警窗中的一般類信息。變電站內(nèi)一般級和預告級信息采用輪詢的方式采樣,但是僅在變電站內(nèi)部作為檢修處理的依據(jù),不上報調(diào)度端。當實時處理系統(tǒng)判斷出有保護或斷路器不正確動作時,一般級和預告級信息將會為不正確動作原因的查找提供必要的支撐,因此本文將采取數(shù)據(jù)挖掘的方式將其設計成準實時處理系統(tǒng)。變電站中錄波文件存儲空間較大,一般在幾十到幾百兆之間,針對錄波文件存儲空間大、實時性要求不高的特點,本文采用批處理系統(tǒng)的方式。停電區(qū)域內(nèi)涉及的變電站錄波文件以批處理的形式進行分析,為故障診斷提供具體的故障相別、故障時間以及準確的故障位置。結合圖1所示的電網(wǎng)故障大數(shù)據(jù)平臺架構,故障診斷及追蹤程序分4步完成。

步驟1:當故障發(fā)生后,保護及斷路器動作等事故級報警信息被調(diào)度中心服務器收集,觸發(fā)Spark中各故障診斷應用程序,應用程序會向YARN集群資源管理器提交任務申請。資源管理器負責調(diào)度各程序模塊的運行資源,如內(nèi)存、CPU、網(wǎng)絡、磁盤空間等。

步驟2:資源管理器對每個任務分配工作節(jié)點(worker node,WN)。工作節(jié)點相當于各模塊的執(zhí)行器,故障診斷模塊、信息查詢等模塊的程序代碼都會被分發(fā)到相應的WN上。WN還能夠定時向資源管理器反饋本節(jié)點的資源使用情況以及程序運行狀態(tài),同時接收資源管理器的啟動或停止請求。

步驟3:各WN執(zhí)行程序代碼,其中,WN1從HDFS中提取報警信息(結構化數(shù)據(jù)),利用故障診斷算法找到故障元件,若診斷結果涉及保護或斷路器不正確動作的情況,則利用WN2提供的站內(nèi)數(shù)據(jù)進行故障追蹤;WN2利用Spark SQL對HDFS中的站內(nèi)信息進行查詢,篩掉錄波完成、局放在線監(jiān)測等與故障診斷及追蹤無關的信息,將保護、斷路器及信道相關的設備告警信息傳送至WN1;WN3從HDFS中提取符合CIM模型的SVG文件(半結構化數(shù)據(jù)),形成全網(wǎng)拓撲,并根據(jù)斷路器跳閘信息計算出停電區(qū)域,輸出到WN1;WN4對故障后產(chǎn)生的錄波文件(非結構化數(shù)據(jù))進行離線分析。

步驟4:WN1將故障診斷及追蹤結果返回故障診斷請求接口,即Ambari用戶界面;WN4將離線分析結果,例如故障相別、故障時間等線下發(fā)送至診斷請求接口。

故障診斷程序工作流程如圖2所示。

圖2 故障追蹤程序流程圖Fig.2 Flow chart of fault trace program

與目前C/S形式的故障診斷模型相比,基于大數(shù)據(jù)平臺的故障診斷程序由Spark統(tǒng)一調(diào)配,計算資源由調(diào)度端單機運行變?yōu)橐远鄠€變電站服務器為依托的集群運行,無論是從CPU還是內(nèi)存資源都能得到極大的提升。另外,診斷用的報警信息不用上傳至調(diào)度端,可以通過YARN直接從HDFS集群中直接調(diào)用,減少了調(diào)度端的數(shù)據(jù)擁塞,提高了診斷程序的可靠性。

2 適用于電網(wǎng)故障追蹤的數(shù)據(jù)挖掘方法

目前的故障診斷算法在保護及斷路器均正確動作的前提下,對故障元件的分析比較準確。但是在保護或斷路器發(fā)生拒動的情況下,很多診斷算法只是根據(jù)遠后備的動作情況判斷出有拒動的情況發(fā)生,并不能推斷出是保護還是斷路器拒動,更不能對拒動的原因進行故障追蹤。電網(wǎng)故障追蹤在本文中的含義是指在調(diào)度端對收集到的報警信息調(diào)用故障診斷算法之后,發(fā)現(xiàn)有斷路器及保護存在不正確動作的情況,運用數(shù)據(jù)挖掘技術對變電站內(nèi)部的數(shù)據(jù)進行分類抽取,進而找出錯誤動作的過程。

導致目前故障追蹤研究較為少見的根源在于當前的診斷算法完全依賴上傳至調(diào)度端的事故級報警信息,未能對在變電站層的故障斷面進行全面的分析。如果要深入到變電站層進行數(shù)據(jù)分析,需要解決兩方面的問題:第一,如何將變電站配置的各類信息系統(tǒng)的數(shù)據(jù)與故障診斷及追蹤程序高效對接;第二,怎樣在海量的站內(nèi)數(shù)據(jù)中提取出能夠被故障追蹤算法所用的數(shù)據(jù)。第1節(jié)提出基于大數(shù)據(jù)平臺的故障診斷應用程序能夠解決診斷程序與變電站數(shù)據(jù)的對接問題,本節(jié)將運用數(shù)據(jù)挖掘技術解決變電站層數(shù)據(jù)的分析。

數(shù)據(jù)挖掘是指從大數(shù)據(jù)集或數(shù)據(jù)倉庫中,提取有用的、人們感興趣的知識,這些知識是隱含的、事先未知的潛在有用信息[18]。由于數(shù)據(jù)挖掘應用的領域不盡相同,隨之也產(chǎn)生了相應的算法,例如適用于頻繁模式和關聯(lián)規(guī)則的Apriori算法、適用于數(shù)據(jù)分類的決策樹算法以及直接聚類方法k-means算法。

本文將智能變電站(或者經(jīng)過數(shù)字化改造的傳統(tǒng)變電站)的各類數(shù)據(jù)采集系統(tǒng)作為原始數(shù)據(jù)源,重點對其中涉及的故障診斷相關信息進行數(shù)據(jù)挖掘,進而對調(diào)度端的故障追蹤程序提供決策支持。

2.1 基于決策樹的故障數(shù)據(jù)挖掘方法

決策樹(decision tree,DT)是目前最為廣泛的數(shù)據(jù)挖掘分類算法,主要用于處理非連續(xù)型變量的分類及預測問題,可以用樹形結構或IF-THEN形式進行描述,是一種可收斂的分類器或預測模型。決策樹通過對輸入信息不斷的細化分類,使依賴變量的差別最大化,最終將數(shù)據(jù)分類到無交集的分枝,在依賴變量的值上建立最強的分類[19]。相對于神經(jīng)網(wǎng)絡聚類、高斯混合聚類、k-means等聚類算法,決策樹具有如下優(yōu)點:決策樹模型可用圖形或規(guī)則進行描述,對于推理過程具有可解釋性;由于決策樹的大小與數(shù)據(jù)集大小無關,因此計算量不會隨數(shù)據(jù)量增多而變大。由于電網(wǎng)故障后需要在短時間內(nèi)對各變電站產(chǎn)生大量報警信息進行分析,因此本文選擇決策樹對報警信息進行分類,以期對調(diào)度端的故障追蹤程序提供決策支持。

決策樹的生成采用自頂向下的遞歸分治算法,在最初的訓練集上選擇最能體現(xiàn)分類目標的樣本屬性對訓練樣本進行分類,進而建立一個分類節(jié)點,然后繼續(xù)這一過程直到這棵樹能準確地分類訓練樣本,或所有的屬性都已被使用過。

決策樹的定義如下:對于一個數(shù)據(jù)集D={d1,d2,…,dn},其中每一元組ti∈D包含變量A={a1,a2,…,am}。同時給定類別集合C={c1,c2,…,ck}。對于數(shù)據(jù)集D,決策樹T具有下列性質(zhì)。

1)每個內(nèi)部節(jié)點都被標記一個屬性ai∈A,表示一個變量的測試。

2)每個分枝代表一個測試輸出,表示變量的一個可能值。

3)每個葉節(jié)點被標記為一個類cj∈C,表示分類結果的類別。

利用決策樹對數(shù)據(jù)進行分類和預測的步驟如附錄A圖A2所示。

決策樹分類算法是一種監(jiān)督式學習方法,以訓練樣本作為輸入,以監(jiān)督模型作為分類規(guī)則,通過歸納算法產(chǎn)生決策樹,再對陌生數(shù)據(jù)集進行預測分析[20]。結合智能變電站信號傳輸機制以及保護、斷路器的硬件結構,本文將監(jiān)督模型分為三類進行測試:保護拒動信號類、信號通道故障信號類、斷路器拒動信號類,其作用是在決策樹構造前期使訓練樣本按照監(jiān)督模型有序分類。保護拒動信號類如附錄A圖A3所示,信號通道故障信號類如附錄A圖A4所示,斷路器拒動信號類如附錄A圖A5所示。

決策樹構建步驟如下。

步驟1:訓練集(某段時間內(nèi)所有的報警信息)首先進入歸納算法,若樣本在監(jiān)督模型中,則生成為監(jiān)督模型最上層節(jié)點中的樹葉節(jié)點。

步驟2:若不在監(jiān)督模型中,則選取故障后報警窗中重復出現(xiàn)次數(shù)最大的某條記錄分割為一個節(jié)點,根據(jù)監(jiān)督模型的中間邏輯,為該分割記錄的節(jié)點分配一個分枝。取報警記錄的信息增量作為其分類標準,目的是讓報警條數(shù)最多的記錄首先被處理。

步驟3:當訓練集所有樣本都存在于某個節(jié)點,則分割停止,決策樹分類完成。

訓練樣本格式參考目前主流的監(jiān)控后臺報警格式,主要屬性為告警時間、信息等級、告警類型以及告警對象?？紤]到各廠家的監(jiān)控系統(tǒng)報警數(shù)據(jù)上傳間隔不同,本文取最大周期值的3倍,即6 s為一個時間窗,計算信息增量。若信息增量小于等于1條,該信息在3個周期內(nèi)僅發(fā)送一次,視為誤報信息,等待運行人員復位即可消除;若信息增量在1條至4條之間,視為間發(fā)性報警,將信息暫存后等待下一個時間窗疊加分析;若信息增量在4條以上,則每個周期至少發(fā)送一次,按照附錄A圖A3—圖A5所示的監(jiān)督模型生成決策樹。例如,直供電源故障引起的保護拒動決策樹如附錄A圖A6所示。

通過分類步驟可以看出,在監(jiān)督模型確定的情況下,訓練集中的樣本數(shù)越多,生成的決策樹越完善,分類越精確。例如,某些系統(tǒng)對TV/電流互感器(TA)采樣失敗產(chǎn)生的報警信息為“電壓/電流采樣異?！?與監(jiān)督模型提供的“TA/TV采樣異?！蓖獠煌?。若該信息多次出現(xiàn),根據(jù)信息增量最大原則,會另外形成一個新節(jié)點,避免分類錯誤。

進入大數(shù)據(jù)平臺HDFS的數(shù)據(jù)經(jīng)過決策樹分類,會剔除保護啟動、保護動作、斷路器跳閘、錄波完成、變壓器監(jiān)測等與故障追蹤無關信息,通過決策樹過濾后的數(shù)據(jù)按照監(jiān)督模型分為三大類。

2.2 分布式?jīng)Q策樹故障追蹤算法

決策樹對訓練樣本的分類算法完成之后,就可以對未知類別的數(shù)據(jù)集進行預測。對應于電網(wǎng)故障追蹤的過程,即對變電站層的各種數(shù)據(jù)進行分析,給出保護或斷路器拒動原因。

本文依據(jù)經(jīng)典的ID3算法[21]提出了一種大數(shù)據(jù)平臺下的分布式?jīng)Q策樹故障追蹤算法,該分布式算法底層由運行在各廠站端的局部決策樹歸納算法組成,該算法負責提取本廠站內(nèi)部的各種報警信號,通過監(jiān)督模型將其遞歸分割為決策樹的一枝子樹;上層為運行在調(diào)度中心的最終決策樹,該算法匯集故障區(qū)域內(nèi)各變電站的監(jiān)督模型以及決策子樹,取全局信息增量最大的決策子樹作為優(yōu)先判斷的子樹,并形成最終決策樹預測模型。這種變電站端分布式數(shù)據(jù)劃分與調(diào)度端決策樹集中生成相結合的方法,不僅避免了數(shù)據(jù)在調(diào)度端的大量堆積,而且能夠和大數(shù)據(jù)平臺的Spark Streaming緊密結合,使真正有故障的變電站被優(yōu)先診斷,將運行效率最大化。

電網(wǎng)故障追蹤算法具體過程如下:調(diào)度端故障診斷程序判斷出有保護或斷路器拒動,調(diào)用分布式?jīng)Q策樹生成算法。首先,故障區(qū)域內(nèi)各變電站內(nèi)調(diào)用局部算法,對站內(nèi)報警信息進行預處理,形成訓練樣本集,按監(jiān)督模型對局部報警信息進行分類。廠站在選擇當前監(jiān)督模型的同時,將當前樣本集按照監(jiān)督模型傳給調(diào)度端全局算法。全局算法綜合各廠站傳來的監(jiān)督模型及樣本增益,依次求出全局最大信息增量值返回給各廠站的局部算法。局部算法根據(jù)返回的信息增量值建立報警記錄的一個節(jié)點,繼續(xù)分割各自的報警信息,進而形成局部決策樹。該局部決策樹根節(jié)點為信息增量值,樹枝節(jié)點為報警記錄,葉子節(jié)點為故障性質(zhì)。當各廠站的樣本被劃分完畢后,形成的局部決策樹被傳送至全局算法,具有最大信息增量的子樹放在最右端優(yōu)先被決策。最終決策樹根據(jù)輸入的分類數(shù)據(jù)以及增益數(shù)值,給出預測結果。算法流程圖如圖3所示。

圖3 分布式?jīng)Q策樹故障追蹤算法Fig.3 Fault trace method of distributed decision tree

2.3 決策樹模型在Spark架構中的實現(xiàn)

通過決策樹完成的電網(wǎng)故障追蹤模型由Spark Streaming實現(xiàn)。首先Spark Streaming將局部決策樹所劃分的故障數(shù)據(jù)存儲為彈性分布式數(shù)據(jù)集(resilient distributed datasets,RDD)格式。每個 RDD 的數(shù)據(jù)都以 block 的形式存儲在各節(jié)點中,例如,可以設定每隔2 s的告警信息對應一個RDD。故障數(shù)據(jù)分配的同時,分布式?jīng)Q策樹故障追蹤程序將以Dstream的形式運行,同樣每一個信息增量下面的分枝判斷程序會對應一個Dstream內(nèi)部RDD上的操作,每個分枝的判斷結果由全局算法經(jīng)過Spark批處理系統(tǒng)輸出診斷結果。由于決策樹每個分枝的操作方式類似,因此各RDD的大小較為均衡,能夠最大限度發(fā)揮Spark Streaming小批量計算優(yōu)點,兩者的結合能夠起到很好的效果。具體實現(xiàn)框圖如附錄A圖A7所示。

3 實驗分析

3.1 實驗環(huán)境

實驗室大數(shù)據(jù)平臺配置5臺物理工作站,使用CentOS 6.4作為系統(tǒng)環(huán)境,并行計算框架根據(jù)Hadoop 2.6.0環(huán)境搭建,安裝Spark-1.2.0集群組件。1臺工作站作為調(diào)度中心故障診斷服務器,4臺工作站搭載Oracle數(shù)據(jù)庫模擬變電站服務器。

實驗數(shù)據(jù)取自智能變電站綜合仿真實訓系統(tǒng)。該系統(tǒng)可收集相鄰5座220 kV變電站的各類數(shù)據(jù),這些數(shù)據(jù)均由實際保護及在線監(jiān)測系統(tǒng)產(chǎn)生,然后經(jīng)模擬通信系統(tǒng)匯集至調(diào)度中心服務器。

3.2 數(shù)據(jù)分析

本文對仿真實驗室內(nèi)故障涉及的3座變電站進行了故障設置后信息抽樣統(tǒng)計。故障設置為甲、乙兩座變電站之間的線路發(fā)生永久性接地短路故障,甲變電站保護拒動,由下級丙變電站零序過流Ⅲ段切除故障。3座變電站約7千萬條信息中由Spark SQL查詢出相關事故級報警信息168條,一般級報警信息143條,預告級報警信息122條。設置信號通道故障后,甲變電站故障后6 s內(nèi)查詢出的信息增量統(tǒng)計如表1所示。乙、丙兩座變電站信息增量最大值均為對端保護裝置告警,分別為8條和6條,其他為局放在線監(jiān)測、復歸等信息。

表1 信息增量統(tǒng)計表Table 1 Statistical table of information gain

調(diào)度端診斷模型采用目前上線的診斷算法[22],可根據(jù)各站的事故級信息判斷出故障線路及甲變電站的不正確動作情況,然后啟動圖3所示的故障追蹤程序。首先三個變電站按照報警信息樣本,將對應監(jiān)督模型傳送至調(diào)度端的全局算法,其中甲變電站根據(jù)表1,將傳送保護拒動以及信號通道故障監(jiān)督模型,同時全局算法利用Spark Streaming搜集所有變電站的報警信息,求出信息增量并排序。其次全局算法將信息增量從高到低返回局部算法,其中甲變電站電流電壓采樣異常報警信息首先被選中并根據(jù)保護監(jiān)督模型形成一個分枝加入最終決策樹。最后按信息增量依次將故障信息對應的監(jiān)督模型形成分枝添加入決策樹,形成的最終決策樹如圖4所示。

圖4 實驗形成的最終決策樹Fig.4 Final decision tree formed by experimental data

最終決策樹給出的追蹤結果為甲變電站信號通道故障導致保護拒動,其中最大信息增量為電流電壓采樣異常,其次為智能終端保護GOOSE鏈路斷鏈、保護裝置合并單元網(wǎng)絡鏈路出錯以及電流電壓采樣無效。相比于目前只給出故障元件的故障簡報,增加了故障追蹤的簡報,給出了變電站層二次側的故障診斷內(nèi)容,替代了目前電話咨詢及匯報的方式。

3.3 實驗評價

本文提出的故障追蹤方法與現(xiàn)行的故障處理流程對比如附錄A圖A8所示。

兩者的故障診斷及追蹤時間對比如表2所示。單從診斷時間上看,t1～t3階段Spark系統(tǒng)對故障分析并不占優(yōu)勢,但在t4階段能夠利用其強大的數(shù)據(jù)分析能力代替變電站運維人員進行拒動原因查找工作,形成更加詳細的故障簡報。而目前的電話匯報制度在t4階段至少需要5 min,可見本文提出的方法相比目前的故障診斷系統(tǒng)在效率上有一定的提高。在t2～t3時間段涉及的大數(shù)據(jù)與單機關系數(shù)據(jù)的查詢效率對比如附錄A圖A9所示。從圖A9中的查詢用時可以看出,Spark數(shù)據(jù)管理隨著查詢記錄的增多,無論是查詢時間還是趨勢線的增長速度都低于關系數(shù)據(jù)庫。由于t3時間段包括了決策樹的分類算法,才導致該時間段Spark用時多于單機運行時間。

表2 系統(tǒng)運行用時對比Table 2 Operation time comparison of system

實驗所用的訓練樣本與診斷結果關系如附錄A表A1所示。

通過追蹤結果準確率可以看出,由于斷路器拒動監(jiān)督模型中的樹葉節(jié)點少于保護拒動監(jiān)督模型中的樹葉節(jié)點,所以在訓練樣本個數(shù)相同的情況下,追蹤結果準確率要小于保護拒動模型。隨著越來越多智能設備監(jiān)測系統(tǒng)的上線,模型可依賴的監(jiān)測數(shù)據(jù)源會逐漸增多,本文所提模型將會得到進一步完善。

4 結論

隨著智能變電站內(nèi)監(jiān)控系統(tǒng)的逐步增加,越來越多的設備監(jiān)測數(shù)據(jù)涌現(xiàn)在信息平臺上。如何管理好這些海量數(shù)據(jù),并從中挖掘出有用的知識,是必須直面的問題。本文根據(jù)電網(wǎng)信息采集系統(tǒng)的結構特點,按照Hadoop 2.0協(xié)議框架,提出了電網(wǎng)故障大數(shù)據(jù)的平臺架構,在該架構上按照實時、準實時以及批處理三級系統(tǒng)對故障診斷及追蹤程序進行了設計。最后,利用數(shù)據(jù)挖掘對變電站內(nèi)的監(jiān)測數(shù)據(jù)進行提取,利用決策樹對保護及斷路器不正確動作進行分析,追蹤結果為電網(wǎng)故障診斷提供了有力支撐。另外,由于不同電壓等級變電站故障后,故障信息數(shù)量不一致,本文下一步工作將針對更高電壓等級的變電站進行故障追蹤方法研究。

附錄見本刊網(wǎng)絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[1] 郭創(chuàng)新,朱傳柏,曹一家,等.電力系統(tǒng)故障診斷的研究現(xiàn)狀與發(fā)展趨勢[J].電力系統(tǒng)自動化,2006,30(8):98-103.

GUO Chuangxin, ZHU Chuanbai, CAO Yijia, et al. State of arts of fault diagnosis of power system[J]. Automation of Electric Power Systems, 2006, 30(8): 98-103.

[2] 鐘錦源,張巖,文福拴,等.基于時間序列相似性匹配的輸電系統(tǒng)故障診斷方法[J].電力系統(tǒng)自動化,2015,39(6):60-67.DOI:10.7500/AEPS20140815001.

ZHONG Jinyuan, ZHANG Yan, WEN Fushuan, et al. A fault diagnosing method in power transmission system based on time series similarity matching[J]. Automation of Electric Power Systems, 2015, 39(6): 60-67. DOI: 10.7500/AEPS20140815001.

[3] GUO Wenxin, WEN Fushuan, LEDWICH G, et al. An analytic model for fault diagnosis in power systems considering malfunctions of protective relays and circuit breakers [J]. IEEE Transactions on Power Delivery, 2010, 25(3): 1393-1401.

[4] 張楠,馮琳,楊鏡非,等.基于推理鏈的輸電網(wǎng)故障診斷[J].電力系統(tǒng)自動化,2014,38(22):78-84.DOI:10.7500/AEPS20131126007.

ZHANG Nan, FENG Lin, YANG Jingfei, et al. Transmission grid fault diagnosis based on reasoning chain[J]. Automation of Electric Power Systems, 2014, 38(22): 78-84. DOI: 10.7500/AEPS20131126007.

[5] 夏可青,陳根軍,李力.基于多數(shù)據(jù)源融合的實時電網(wǎng)故障分析及實現(xiàn)[J].電力系統(tǒng)自動化,2013,37(24):81-88.

XIA Keqing, CHEN Genjun, LI Li. Real-time analysis of power grid fault based on multi-source information fusion and its application[J]. Automation of Electric Power Systems, 2013, 37(24): 81-88.

[6] 王磊,陳青,高洪雨.輸電網(wǎng)故障的與或樹診斷模型[J].電力系統(tǒng)自動化,2016,40(2):100-106.DOI:10.7500/AEPS20150521004.

WANG Lei, CHEN Qing, GAO Hongyu. Model for and/or tree in power system fault diagnosis[J]. Automation of Electric Power Systems, 2016, 40(2): 100-106. DOI: 10.7500/AEPS20150521004.

[7] IBM. Managing big data for smart grids and smart meters[R/OL]. [2017-05-01].http://www.smartgridnews.com/artman/publish/Business_Strategy/Managing-big-data-for-smart-grids-and-smart-meters-5248.html.

[8] 彭小圣,鄧迪元,程時杰,等.面向智能電網(wǎng)應用的電力大數(shù)據(jù)關鍵技術[J].中國電機工程學報,2015,35(3):503-511.

PENG Xiaosheng, DENG Diyuan, CHENG Shijie, et al. Key technologies of electric power big data and its application prospects in smart grid[J]. Proceedings of the CSEE, 2015, 35(3): 503-511.

[9] 中國電機工程學會電力信息化專委會.中國電力大數(shù)據(jù)發(fā)展白皮書[M].北京:中國電力出版社,2013.

[10] Big data [EB/OL].[2012-10-02]. http://en.wikipedia.org/wiki/Big_data.

[11] 宋亞奇,周國亮,朱永利.智能電網(wǎng)大數(shù)據(jù)處理技術現(xiàn)狀與挑戰(zhàn)[J].電網(wǎng)技術,2013,37(4):927-935.

SONG Yaqi, ZHOU Guoliang, ZHU Yongli. Present status and challenges of big data processing in smart grid[J]. Power System Technology, 2013, 37(4): 927-935.

[12] 張東霞,苗新,劉麗平,等.智能電網(wǎng)大數(shù)據(jù)技術發(fā)展研究[J].中國電機工程學報,2015,35(1):2-12.

ZHANG Dongxia, MIAO Xin, LIU Liping, et al. Research on development strategy for smart grid big data[J]. Proceedings of the CSEE, 2015, 35(1): 2-12.

[13] 王磊,陳青,高湛軍.基于網(wǎng)格平臺的電網(wǎng)故障診斷架構[J].電力系統(tǒng)自動化,2013,37(3):70-76.

WANG Lei, CHEN Qing, GAO Zhanjun. A framework of power grid fault diagnosis based on grid platform[J]. Automation of Electric Power Systems, 2013, 37(3): 70-76.

[14] 韓笑,狄方春,劉廣一.應用智能電網(wǎng)統(tǒng)一數(shù)據(jù)模型的大數(shù)據(jù)應用架構及其實踐[J].電網(wǎng)技術,2016,40(10):3206-3212.

HAN Xiao, DI Fangchun, LIU Guangyi. A big data application structure based on smart grid data model and its practice[J]. Power System Technology, 2016, 40(10): 3206-3212.

[15] LAM C, WARREN J. Hadoop in action[M]. NY, USA: Manning Publications, 2009.

[16] MEHRAGHDAM S, KELLER M, KARL H. Specifying and placing chains of virtual network functions[C]// 2014 IEEE 3rd International Conference on Cloud Networking (Cloud Net), October 8-10, 2014, Luxembourg: 7-13.

[17] MATEI Z, CHOWDHURY M, FRANKLIN M J, et al. Spark: cluster computing with working sets[R]. 2010.

[18] WU Xingdong, ZHU Xingquan, WU Gongqing, et al. Data mining with big data[J]. IEEE Transactions on Knowledge & Data Engineering, 2014, 26(1): 97-107.

[19] LIU W Z, WHITE A P. The importance of attribute selection measures in decision tree[J]. Machine Learning, 1994, 15(1): 25-41.

[20] 欒麗華,吉根林.決策樹分類技術研究[J].計算機工程,2004,30(9):94-96.

LUAN Lihua, JI Genlin. The study on decision tree classification techniques[J]. Computer Engineering, 2004, 30(9): 94-96.

[21] SQUIRE D M. CSE5230 tutorial: the ID3 decision tree algorithm[R]. Australia: Monash University, 2004.

[22] 趙冬梅,王守鵬.電網(wǎng)故障診斷的研究綜述與前景展望[J].電力系統(tǒng)自動化,2017,41(1):1-12.DOI:10.7500/AEPS20170126001.

ZHAO Dongmei, WANG Shoupeng. Research review and prospects for power grid fault diagnosis[J]. Automation of Electric Power Systems, 2017, 41(1): 1-12. DOI: 10.7500/AEPS20170126001.

王 磊(1979—),男,通信作者,博士,高級技師,主要研究方向:電力系統(tǒng)故障診斷及其軟件實現(xiàn)。E-mail： 37601391@qq.com

陳 青(1963—),女,教授,博士生導師,主要研究方向:電力系統(tǒng)繼電保護及安全自動裝置。

高洪雨(1967—),男,副教授,主要研究方向:電力系統(tǒng)繼電保護及配電自動化故障檢測。