王立建，祝文瀾，宣弈，曹張潔

（國網(wǎng)浙江杭州供電公司，浙江 杭州 315600）

隨著電網(wǎng)規(guī)模不斷擴大，電網(wǎng)故障復(fù)雜性增強且容易伴有衍生故障，對電力調(diào)度快速故障處置提出了更高的要求，目前存在以下兩方面問題。復(fù)雜故障判別精準性不高。電力調(diào)控員在電網(wǎng)運行監(jiān)控過程中通過主站SCADA 系統(tǒng)實時上送的大量告警信息來進行判斷，信息量大、關(guān)聯(lián)衍生信號的疊加以及核心告警信息的丟失，無疑加大了故障判斷的難度。以某變母差保護導(dǎo)致副母失電為例，10 s 內(nèi)上送告警信息達到218 條，且丟失了最重要的失靈保護動作信號，監(jiān)控員短時內(nèi)無法判斷為母差保護動作，影響后續(xù)故障處置。故障原因無法快速甄別。變電站發(fā)生故障后，純粹依靠調(diào)度、檢修人員的經(jīng)驗，難以從故錄波形分析出具體原因。比如220 kV 線路事故跳閘，引起事故的原因可能是雷擊、鳥害、覆冰、外力破壞等。若為雷擊，則可對故障線路進行一次試送；若為外力破壞，則不能對故障線路進行試送，否則存在人身傷亡風(fēng)險。

為解決上述問題，本文提出了一種圖文融合的電網(wǎng)故障綜合研判方法[1-4]。針對告警信息，采用文本機器學(xué)習(xí)，與歷史案例庫進行向量化比對，實現(xiàn)故障類別精準判斷；針對故障錄波系統(tǒng)，采用波形機器學(xué)習(xí)，獲得雷擊、鳥害等歷史樣本庫庫，通過特征值對比快速識別故障原因。

1 總體架構(gòu)圖

圖1 是電網(wǎng)故障診斷的總體流程框圖。通過電網(wǎng)典型歷史故障案例文本、波形文件進行機器學(xué)習(xí)、規(guī)則挖掘，獲得所需詞典庫。D5000 實時告警信息通過數(shù)據(jù)接口處理成文本格式，在圖文融合故障診斷系統(tǒng)中與告警文本庫向量化對比，實現(xiàn)故障類別精準判別。四方故障錄波系統(tǒng)通過數(shù)據(jù)接口提取特征值，在圖文融合故障診斷系統(tǒng)中與波形特征庫比對，實現(xiàn)故障原因快速識別。最終實現(xiàn)全路徑告警溯源。

圖1 圖文融合故障診斷總體架構(gòu)

2 基于文本學(xué)習(xí)的故障類別判斷[5-11]

2.1 數(shù)據(jù)來源及預(yù)處理

數(shù)據(jù)來源于智能電網(wǎng)調(diào)度控制系統(tǒng)（D5000），其告警信息數(shù)據(jù)類型為短文本，由告警時間、所屬變電站、告警內(nèi)容、狀態(tài)信息組成，其告警內(nèi)容為非結(jié)構(gòu)化中文短文本。首先進行數(shù)據(jù)預(yù)處理?？紤]原始數(shù)據(jù)的多維性，通過pandas函數(shù)進行數(shù)據(jù)清洗，去掉變電站、線路名稱等標簽，實現(xiàn)多維數(shù)據(jù)降維至一維。

本文故障對象以220 kV線路事故跳閘為例，故障類別可歸納為5類，分別是線路第一套保護動作、線路三相不一致跳閘、線路失靈保護、對側(cè)開關(guān)遠跳保護動作、母差保護動作引起。表1 表示母差保護動作引起線路事故跳閘的典型案例庫。

表1 母差保護引起線路跳閘的故障樣本案例

2.2 文本數(shù)據(jù)挖掘

圖2是文本機器學(xué)習(xí)流程圖，如圖2所示。

圖2 文本機器學(xué)習(xí)流程圖

在數(shù)據(jù)預(yù)處理完的基礎(chǔ)上，利用結(jié)巴分詞詞典推導(dǎo)出分詞結(jié)果，利用詞頻統(tǒng)計篩選出詞頻較高的詞語，并構(gòu)建樣本告警文本詞庫。

對歷史故障樣本模板進行分詞預(yù)處理，利用詞袋模型doc2bow 轉(zhuǎn)換為稀疏向量，稀疏向量進行進一步處理，得到新語料庫。

通過支持向量機進行文本分類，增加類別關(guān)鍵字的權(quán)重，使得文本向量化之后的結(jié)果更好的反應(yīng)文本信息，充分考慮詞語在文本中的級別。

新語料庫經(jīng)過TF-IDF 算法處理后得到TF-IDF值，通過token2id得到特征數(shù)。

基于TF-IDF的稀疏矩陣對故障文本進行相似度比對，建立索引，推算結(jié)果。

2.3 文本向量化算法

TF-IDF 算法（詞頻-逆文檔頻次算法）是一種統(tǒng)計方法，可以高效準確的提取關(guān)鍵詞的特性，從而評估一個詞在一個文檔集中的重要程度。從算法名稱可以看出，TF-IDF算法由TF和IDF算法兩部分組成。TF算法是統(tǒng)計一個詞在一篇文檔中出現(xiàn)的頻次，即一個詞在一篇文檔中出現(xiàn)的次數(shù)越多，則其對文檔的表達能力就越強。IDF 算法統(tǒng)計一個詞在文檔集的多少文檔中出現(xiàn)，即如果一個詞在越少的文檔中出現(xiàn)，則其對文檔的區(qū)分能力就越強。

通過TF-IDF算法對詞頻統(tǒng)計計算的高頻詞來建立TF-IDF模型，然后進行向量化處理，生成稀疏矩陣進行相似度比對。

3 基于波形學(xué)習(xí)的故障原因辨識[12-16]

3.1 數(shù)據(jù)來源及預(yù)處理

所需數(shù)據(jù)來源為II 區(qū)四方故障錄波系統(tǒng)的波形文件，離線導(dǎo)出已標定原因的260 組故障錄波器波形數(shù)據(jù)，包含故障線路三相電壓電流（包括零序）8個維度的時域波形，作為原始樣本數(shù)據(jù)。

3.2 波形文件數(shù)據(jù)挖掘

圖3 波形機器學(xué)習(xí)流程圖

故錄波形學(xué)習(xí)流程圖如圖3 所示，將故障錄波轉(zhuǎn)為便于處理的格式文件；利用小波分析將時域的故障波形處理為頻域細節(jié)，結(jié)合信息熵算法得到波形的頻域特征；提取每個頻段的小波能量熵、能量均值以及能量方差，用作判別模型的識別特征，使用onehot 編碼技術(shù)加入時間特征，如季節(jié)、月份；通過SVM建立機器學(xué)習(xí)模型，在統(tǒng)計樣本量較少的情況下，尋求結(jié)構(gòu)化風(fēng)險最小來提高學(xué)習(xí)機泛化能力，實現(xiàn)經(jīng)驗風(fēng)險和置信范圍的最小化；對訓(xùn)練集之外的波形進行故障預(yù)測。

3.3 波形特征值提取算法

信息熵理論對于一個不確定性系統(tǒng)，若用一個取有限值的隨機變量X表示其狀態(tài)特征，取值xj的概率pj=p{X=xj}，j=1,2,…,L，且X的結(jié)果信息用Ij=log(1/pj)表示，則X的信息熵如式3.4所示。

當(dāng)pj=0 時，pjlog(pj)=0。小波熵H是在一定的狀態(tài)下定位系統(tǒng)的一種信息測度。它是對序列未知程度的一種度量，可以用來估計隨機信號的復(fù)雜性。本文將每個波形三相電流、電壓的五層頻域范圍的能量方差、均值、熵作為特征，總共90維度的向量作為數(shù)據(jù)預(yù)處理結(jié)果。圖4 表示故障相電流在125～250 Hz 時小波細節(jié)系數(shù)的能量熵分布特征圖，5種故障原因的能量熵分布具有明顯差異。

圖4 不同故障原因的小波熵分布

4 結(jié)果驗證

國網(wǎng)浙江電力云平臺數(shù)據(jù)挖掘開發(fā)環(huán)境Kube-Flow平臺，集成了整套Jupyter開發(fā)環(huán)境，本文通過該平臺Python語言編制程序進行結(jié)果驗證。

圖5 核心信號丟失時文本比對結(jié)果

4.1 文本對比驗證結(jié)果

站端信號全上送。從D5000 系統(tǒng)提取潮江4430線事故跳閘前后30 s 內(nèi)的所有告警信息，基于TDIDF 算法獲得該故障文本與文本庫“母差保護動作引起”相似度結(jié)果為0.9209。

站端核心信號未上送。在故障文本中刪除一條核心信號，如220 kV第二套母線保護差動動作，再次運行程序發(fā)現(xiàn)相似度為0.8409，驗證了該算法在站端核心信號丟失時的可行性。

4.2 波形識別驗證結(jié)果

表2 表示基于小波熵特征值提取算法推算各類故障原因的準確率。本文以2019年4月26日220 kV甘露變電站甘群1237線鳥害引起故障的原始波形為例，如圖6 所示，包含故障三相電壓電流及零序波形。通過波形識別算法推算故障原因為鳥害引起，如圖7所示，以混淆矩陣表示。

表2 基于波形機器學(xué)習(xí)的故障原因識別準確率

圖6 鳥害故障錄波波形

圖7 混淆矩陣結(jié)果

5 結(jié)束語

電網(wǎng)運行數(shù)據(jù)資源是電力行業(yè)的潛在核心資產(chǎn)和創(chuàng)新創(chuàng)效源泉，遵循“價值驅(qū)動、迭代推進”兩大原則，定位于數(shù)據(jù)服務(wù)業(yè)務(wù)，用數(shù)據(jù)驅(qū)動業(yè)務(wù)。本文研究了一種圖文融合的電網(wǎng)故障綜合研判方法，深度融合多專業(yè)系統(tǒng)數(shù)據(jù)，主動感知電網(wǎng)運行數(shù)據(jù)，實現(xiàn)從調(diào)度端到設(shè)備端的全路徑故障智能診斷，為調(diào)控員快速故障處置提供強大的支撐，提升智慧調(diào)度的人工智能化水準。