賈偉良

摘 要：異常檢測是確保電廠安全穩(wěn)定運行的重要保障。除了電廠本身的狀態(tài)之外，環(huán)境信息對于異常檢測來說也是不可或缺的影響因素，如溫度、濕度、灰塵等。因此，本文提出一種基于知識圖譜的電廠設(shè)備異常檢測方法，通過應(yīng)用信號相關(guān)算法來判斷給定的電廠數(shù)據(jù)是否異常。試驗結(jié)果表明，該方法可以整合多種資源中的數(shù)據(jù)，并對給定的數(shù)據(jù)異常進(jìn)行準(zhǔn)確度分析。根據(jù)測試數(shù)據(jù)集，基于閾值的傳統(tǒng)方法的準(zhǔn)確度為64%，而本文方法的準(zhǔn)確度為92%，從整體來看，電廠設(shè)備異常檢測的準(zhǔn)確性顯著提升。

關(guān)鍵詞：電廠;異常檢測;知識圖譜

中圖分類號：TM73文獻(xiàn)標(biāo)識碼：A文章編號：1003-5168（2021）02-0015-03

Abnormal Detection of Power Plant Equipment Based on Knowledge Graph

JIA Weiliang

（Huadian Laizhou Power Generation Co.， Ltd.，Laizhou Shandong 261400）

Abstract： Anomaly detection is an important guarantee to ensure the safe and stable operation of power plants. In addition to the status of the power plant itself， environmental information is also an indispensable factor for anomaly detection， such as temperature， humidity and dust. Therefore， this paper proposed a method of power plant equipment anomaly detection based on knowledge graphs， which used signal-related algorithms to determine whether a given power plant data is abnormal. The test results show that this method can integrate data from multiple sources and perform accuracy analysis on given data anomalies. According to the test data set， the accuracy of the traditional method based on threshold is 64%， while the accuracy of this method is 92%， on the whole， the accuracy of power plant equipment abnormality detection is significantly improved.

Keywords： power plant;anomaly detection;knowledge map

傳統(tǒng)基于閾值的方法被廣泛應(yīng)用在異常檢測中。專家為不同的監(jiān)視器定義了不同的閾值。如果記錄值存在這些閾值定義的正常間隔，就認(rèn)為其屬于異常情況。該方法沒有考慮不同情況和相關(guān)參數(shù)，可能會造成異常檢測不準(zhǔn)確[1-2]。

本文提出了一種基于知識圖譜的電氣設(shè)備異常檢測算法。它將來自不同領(lǐng)域的知識與監(jiān)控數(shù)據(jù)相集成，并自動識別設(shè)備異常的原因和可能性[3]。本文將知識圖方法應(yīng)用于電氣設(shè)備的異常檢測，根據(jù)測試數(shù)據(jù)集上的試驗，該方法將檢測準(zhǔn)確性從64%提高到92%。

1 基于知識圖譜的電廠設(shè)備異常檢測模型

電廠設(shè)備異常檢測是一項復(fù)雜而艱巨的任務(wù)，因為它包含許多的影響因素。例如，電廠設(shè)備溫度可能會受到電氣設(shè)備運行負(fù)載和天氣狀況的影響。因此，僅通過設(shè)定的報警閾值來進(jìn)行異常狀態(tài)的發(fā)現(xiàn)是不準(zhǔn)確的。本文使用知識圖譜對傳感器進(jìn)行分組。其間對每組中傳感器的實時監(jiān)控結(jié)果與知識圖譜生成的參考數(shù)據(jù)進(jìn)行比較。假設(shè)異常情況只占數(shù)據(jù)的很小一部分，若與大多數(shù)信號不同，則其被標(biāo)記為異常狀態(tài)。算法的總體框架如圖1所示。

首先收集電廠設(shè)備信息，然后采集傳感器數(shù)據(jù)，集成開放資源，如地理位置和天氣狀況?；谥R數(shù)據(jù)，本文通過實體識別和關(guān)系識別來構(gòu)建電廠設(shè)備知識圖譜。為了檢測目標(biāo)傳感器數(shù)據(jù)是否異常，首先從整體知識圖中生成一個參考數(shù)據(jù)集來描述傳感器的數(shù)據(jù)特征。接下來，通過相關(guān)算法分析參考傳感器的同期監(jiān)測數(shù)據(jù)，以計算兩個傳感器之間的距離。如果從目標(biāo)傳感器到參考傳感器的平均距離明顯大于參考傳感器內(nèi)部的平均距離，就應(yīng)將目標(biāo)傳感器標(biāo)記為異常傳感器。參考集不僅可以從現(xiàn)有運行傳感器中選擇，還可以從歷史數(shù)據(jù)中選擇。例如，可以將電廠1 h的溫度數(shù)據(jù)與同一傳感器的其他數(shù)據(jù)進(jìn)行比較。這樣可以擴(kuò)大參考集，提高異常檢測的準(zhǔn)確性。

2 知識圖譜構(gòu)建

2.1 知識圖譜數(shù)據(jù)集構(gòu)建

電廠異常檢測知識圖譜的構(gòu)建以三種數(shù)據(jù)為基礎(chǔ)，即傳感器數(shù)據(jù)、電廠設(shè)備數(shù)據(jù)和開放數(shù)據(jù)。電廠設(shè)備數(shù)據(jù)可以從現(xiàn)有的關(guān)系數(shù)據(jù)庫中生成。對于開放數(shù)據(jù)，本文主要介紹天氣（動態(tài)）信息和經(jīng)濟(jì)（靜態(tài)）信息。傳感器數(shù)據(jù)包括傳感器的歷史數(shù)據(jù)。

2.2 實體識別

為了描述電廠系統(tǒng)的傳感器，本文創(chuàng)建了具有動態(tài)時間順序數(shù)據(jù)結(jié)構(gòu)的新型實體。每個實體不僅定義了靜態(tài)屬性，還關(guān)聯(lián)了動態(tài)生成的時間順序數(shù)據(jù)。

首先，采用實體檢測算法，找出數(shù)據(jù)集中有意義的對象。對于每個標(biāo)識的對象，根據(jù)其類型，填充屬性，并在可用的情況下關(guān)聯(lián)動態(tài)數(shù)據(jù)源。最后，手動重新檢測實體，以提高生成的知識圖質(zhì)量。

2.3 關(guān)系識別

實體間的關(guān)系可以根據(jù)三個數(shù)據(jù)集的特征進(jìn)行檢測。對于結(jié)構(gòu)數(shù)據(jù)，本文根據(jù)數(shù)據(jù)庫中的表列信息直接定義檢測到的實體之間的關(guān)系。例如，若傳感器表含有其生產(chǎn)商列表，則可以從傳感器及其制造商生成制造關(guān)系。對于公開信息，可以使用語言處理方法從數(shù)據(jù)集中自動識別關(guān)系，然后由專家重新檢查，以提高其準(zhǔn)確性。

2.4 電廠設(shè)備異常檢測

異常檢測裝置可以確定來自目標(biāo)傳感器的數(shù)據(jù)是否揭示了與其穩(wěn)定或正常情況不同的狀態(tài)。本研究基于創(chuàng)建的具有動態(tài)信息的知識圖譜，生成代表目標(biāo)傳感器特征的特征數(shù)據(jù)子集，并從知識圖譜中選擇具有相似特征的參考傳感器數(shù)據(jù)集進(jìn)行對比，以確定目標(biāo)傳感器是否處于異常情況。

2.4.1 特征數(shù)據(jù)子圖的創(chuàng)建。首先，通過分析不同類型的傳感器，創(chuàng)建可以表示目標(biāo)傳感器的特征數(shù)據(jù)子集。例如，可以描述溫度監(jiān)控傳感器及其所屬的電廠類型、電壓/電流信息以及所定位區(qū)域的天氣數(shù)據(jù)。然后，在知識圖譜中選擇具有相似節(jié)點、關(guān)系和屬性的參考傳感器進(jìn)行比較。

2.4.2 匹配算法。除了靜態(tài)參數(shù)外，還應(yīng)該比較節(jié)點的動態(tài)實時數(shù)據(jù)。本研究在一定時間內(nèi)檢測到傳感器S的異常。若S的特征子圖包含動態(tài)的節(jié)點/實體，則該節(jié)點將被P分割為多個狀態(tài)。匹配算法如圖2所示，其間需要兩個步驟，即靜態(tài)數(shù)據(jù)對比和動態(tài)數(shù)據(jù)對比。

2.4.2.1 靜態(tài)數(shù)據(jù)對比。靜態(tài)數(shù)據(jù)對比是指基于靜態(tài)屬性計算相應(yīng)節(jié)點的距離。其為每種實體定義了相應(yīng)的距離函數(shù)。例如，兩個電廠的距離可以通過它們的負(fù)載、覆蓋面積和設(shè)備結(jié)構(gòu)之差來定義。節(jié)點之間的關(guān)系距離也進(jìn)行了定義。當(dāng)前，若兩個關(guān)系是同一類型，則它們的距離為0，若不是，則它們的距離為1。所有距離都?xì)w一化為[0，1]。

2.4.2.2 動態(tài)數(shù)據(jù)對比。動態(tài)數(shù)據(jù)對比是指將動態(tài)實體按時間分為多個檢測周期，每個細(xì)分時段對統(tǒng)計距離與目標(biāo)子圖中的相應(yīng)實體進(jìn)行比較。例如，電廠中的溫度傳感器與電廠的運行負(fù)載和天氣狀況有關(guān)。如果要在一段時間內(nèi)找到參考數(shù)據(jù)，就要查找與目標(biāo)傳感器運行相似的傳感器。因為相似的傳感器在相似天氣（尤其是溫度）下具有相似的負(fù)載，只要載荷和天氣相似，歷史數(shù)據(jù)就可以用作異常檢測的參考數(shù)據(jù)。

為檢測周期P中的傳感器是否正常運行，首先將兩個信號的相關(guān)性定義為式（1）。[CovX，Y]是信號[X]和[Y]的協(xié)方差，[Varx]是信號[X]的方差。然后，計算兩個信號之間的距離，基于距離矩陣，使用DBscan算法對信號進(jìn)行聚類。如果目標(biāo)位于大多數(shù)類別中，就將其視為正常信號，否則發(fā)出傳感器異常警報。

[rX，Y=CovX，YVarxVarY]? ? ? ? ? ? ? ? ? ?（1）

文中所提的方法不僅可以檢測目標(biāo)傳感器異常，而且可以找出歷史異常狀態(tài)和其他異常傳感器。但是，該方法在異常傳感器占多數(shù)時表現(xiàn)不佳，這時可以增加參考傳感器，以增加正常節(jié)點的數(shù)量。

3 測試分析

3.1 測試集構(gòu)建

本文利用位于兩個省份的10個電廠的環(huán)境監(jiān)控系統(tǒng)記錄，對本方法進(jìn)行測試。環(huán)境參數(shù)包括溫度、濕度和光照。電廠設(shè)施數(shù)據(jù)包含每個電廠的電壓和電流等，更新頻率為1 min。開放數(shù)據(jù)主要是這些電廠的天氣信息，從天氣網(wǎng)站獲取，并且每小時更新一次?？傮w數(shù)據(jù)涵蓋電廠30 d的數(shù)據(jù)。

3.2 知識圖譜可視化展示

本研究使用Neo4j圖數(shù)據(jù)庫對數(shù)據(jù)進(jìn)行可視化展示。它可以使用Cypher Query Language或CQL支持節(jié)點選擇和子圖匹配。測試知識圖是根據(jù)系統(tǒng)配置直接創(chuàng)建的。

3.3 異常結(jié)果檢測

筆者選擇1 h作為測試時間，其中涉及60條測試記錄。溫度傳感器的已定義功能子圖包括電廠面積、電壓和電流。在圖匹配的第一步后，通常選擇最相似的3～4個實體作為參考數(shù)據(jù)源。然后，將切片窗口方法應(yīng)用于這些參考傳感器，找出與相應(yīng)動態(tài)數(shù)據(jù)具有靜態(tài)相似性的周期。例如，應(yīng)將凌晨01：00至02：00的溫度數(shù)據(jù)與相似的平均天氣溫度進(jìn)行比較，切片窗口的設(shè)置為10 min，以提高搜索速度。本文選擇最相似的50個參考數(shù)據(jù)并應(yīng)用dbscan聚類算法進(jìn)行分析。圖3顯示了dbscan方法的聚類結(jié)果。與參考數(shù)據(jù)集比較，其可以輕松地識別出異常傳感器。圖3表示正常組（點）和異常信號（加號）的聚類結(jié)果。

根據(jù)測試，本文提出的方法可以識別所有定義的異常行為中超過92%的異常情況。即使現(xiàn)有的實現(xiàn)只是帶有少量設(shè)備的測試演示，但與其他方法（如基于閾值的方法或規(guī)則定義的方法）相比，它仍然顯示出很高的準(zhǔn)確性。不同方法的準(zhǔn)確性比較結(jié)果如表1所示。未來，人們可以將知識圖擴(kuò)展為更多的相關(guān)實體和更大的歷史記錄，進(jìn)一步改進(jìn)現(xiàn)已提出的框架。

4 結(jié)論

本文提出了一種基于知識圖譜的電廠設(shè)備異常檢測方法。該方法創(chuàng)建了電廠設(shè)備傳感器的知識圖譜，并應(yīng)用兩步匹配算法來找出異常檢測參考數(shù)據(jù)集，然后根據(jù)信號相關(guān)性計算目標(biāo)信號到參考信號的距離，最后使用DBSCAN聚類算法檢測異常信號。測試數(shù)據(jù)集的試驗結(jié)果表明，與現(xiàn)有的基于閾值的方法相比，該方法可以將異常檢測準(zhǔn)確率從64%提高到92%。在以后的電廠設(shè)備異常檢測研究中，人們不僅應(yīng)使用協(xié)方差，還應(yīng)使用余弦距離及其方差來量化異常。

參考文獻(xiàn)：

[1]余貽鑫，欒文鵬.智能電網(wǎng)述評[J].中國電機(jī)工程學(xué)報，2009（34）：1-8.

[2]張之哲，李興源，程時杰.智能電網(wǎng)統(tǒng)一信息系統(tǒng)的框架、功能和實現(xiàn)[J].中國電機(jī)工程學(xué)報，2010（34）：1-7.

[3]吳智勇.電力系統(tǒng)運行信息的數(shù)據(jù)挖掘研究[J].杭州：浙江大學(xué)，2009：10-15.