鄭俊翔，施正釵，周泰斌，陸千毅，黃達(dá)鐵

（國(guó)網(wǎng)浙江省電力有限公司溫州供電公司，浙江 溫州 325000）

0 引言

隨著能源電力行業(yè)數(shù)字化與智能化轉(zhuǎn)型的趨勢(shì)，海量監(jiān)控告警信息資源喚醒已成為能源互聯(lián)網(wǎng)形態(tài)下調(diào)度部門建設(shè)多元融合高彈性電網(wǎng)的重要舉措[1]。傳統(tǒng)SCADA（數(shù)據(jù)采集與監(jiān)控）系統(tǒng)上窗告警信息的缺陷等級(jí)判斷依賴于設(shè)備監(jiān)控人員主觀經(jīng)驗(yàn)，存在效率較低、誤分類等問題。為幫助監(jiān)控人員快速、準(zhǔn)確掌握上窗告警信息，實(shí)現(xiàn)告警信息的缺陷辨識(shí)與風(fēng)險(xiǎn)分析，為調(diào)控缺陷故障處置提供輔助決策，利用深度學(xué)習(xí)和NLP（自然語義處理技術(shù)）對(duì)告警信息進(jìn)行數(shù)據(jù)挖掘，可以提升缺陷影響程度定級(jí)的效率和準(zhǔn)確性，促進(jìn)人工智能技術(shù)在設(shè)備監(jiān)控大數(shù)據(jù)平臺(tái)的應(yīng)用[2-3]。

在針對(duì)設(shè)備監(jiān)控告警信息文本的相關(guān)研究中，曹靖等[4]建立了一種基于語義框架的缺陷文本挖掘模型，解決了非結(jié)構(gòu)化表述無法精準(zhǔn)提取的問題，通過變壓器缺陷文本算例驗(yàn)證了所提挖掘技術(shù)的可行性與有效性。邵冠宇等[5]提出了一種基于依存句法分析的電力設(shè)備缺陷文本信息辨識(shí)方法，提升了語義分析的準(zhǔn)確性。文獻(xiàn)[6-7]提出了一種基于BiLSTM-Attention 的電網(wǎng)設(shè)備故障文本分類，對(duì)變壓器、真空斷路器等故障缺陷表象進(jìn)行智能判斷，提升了缺陷分類識(shí)別準(zhǔn)確率。上述文獻(xiàn)針對(duì)設(shè)備故障缺陷詳細(xì)文本的分類都只側(cè)重于事后分析及數(shù)據(jù)精益化管控，而上窗告警信息的實(shí)時(shí)性診斷則具備了為調(diào)控人員缺陷故障處置提供輔助決策與電網(wǎng)風(fēng)險(xiǎn)預(yù)警能力[8]。

部分國(guó)內(nèi)專家學(xué)者對(duì)于SCADA 實(shí)時(shí)告警信息文本開展了研究。汪崔洋等[9]提出了一種基于告警信息文本挖掘診斷方法，并應(yīng)用于電力調(diào)度故障快速處置。文獻(xiàn)[10]提出了一種將改進(jìn)BM（字符串匹配）算法與結(jié)線分析相結(jié)合的設(shè)備監(jiān)控告警信息故障診斷知識(shí)圖譜構(gòu)建方法，實(shí)現(xiàn)了告警信息解析判別和智能輔助決策。文獻(xiàn)[11]設(shè)計(jì)了一種基于GRU（門控循環(huán)單元）神經(jīng)網(wǎng)絡(luò)的電網(wǎng)告警信息分類系統(tǒng)，在準(zhǔn)確率與LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）算法相近的基礎(chǔ)上，計(jì)算將更為高效，系統(tǒng)將告警信息分為變位、告知、事故、異常等4類，并通過混淆矩陣進(jìn)行設(shè)備運(yùn)行風(fēng)險(xiǎn)評(píng)估。

為進(jìn)一步提高深度學(xué)習(xí)在告警信息文本的缺陷辨識(shí)和風(fēng)險(xiǎn)分析能力，提出一種基于自然語義分析的電網(wǎng)告警信息文本缺陷風(fēng)險(xiǎn)預(yù)警方法：將基于BiLSTM-Attention 神經(jīng)網(wǎng)絡(luò)的語義分析技術(shù)[7]與模糊化缺陷風(fēng)險(xiǎn)評(píng)估方法相結(jié)合，對(duì)告警信息文本進(jìn)行數(shù)據(jù)預(yù)處理，利用word2vec 進(jìn)行詞嵌入向量表征；通過注意力機(jī)制突顯對(duì)告警信息與缺陷程度相關(guān)的特征，得到告警信息的語義特征向量；在歸一化層實(shí)現(xiàn)告警信息缺陷等級(jí)分類。BiLSTM-Attention 神經(jīng)網(wǎng)絡(luò)具有能提取雙向語義信息、賦予重要判斷信息權(quán)重的雙重優(yōu)勢(shì)，可有效提升語義理解準(zhǔn)確性。經(jīng)實(shí)驗(yàn)測(cè)試和應(yīng)用分析表明：基于該方法的判斷模型能夠精準(zhǔn)實(shí)現(xiàn)告警信息的缺陷分類定級(jí)，以準(zhǔn)確度、微平均值作為評(píng)價(jià)指標(biāo)，相比典型人工智能算法具有更優(yōu)分類效果，并實(shí)現(xiàn)了告警信息的缺陷風(fēng)險(xiǎn)預(yù)警。

1 告警信息缺陷分類診斷

1.1 語義分析算法流程

基于BiLSTM-Attention 神經(jīng)網(wǎng)絡(luò)方法能挖掘海量告警信息中的內(nèi)涵語義特征，在缺陷文本記錄辨識(shí)、缺陷程度分類等任務(wù)中，性能指標(biāo)較為優(yōu)越[7]。因此，將設(shè)備監(jiān)控告警信息分類過程視為非結(jié)構(gòu)化文本數(shù)據(jù)的語義識(shí)別與分類，結(jié)合文獻(xiàn)[7]給出的改進(jìn)算法與評(píng)價(jià)指標(biāo)，提出基于BiLSTM-Attention 的電網(wǎng)告警信息分類算法流程如圖1 所示。

圖1 告警信息文本分類算法流程

1.2 分類診斷訓(xùn)練過程

1.2.1 文本預(yù)處理

SCADA 系統(tǒng)監(jiān)控告警信息是對(duì)變電站設(shè)備故障、異常、越限、變位和告知的綜合描述語句[8]。本文主要面向異常告警信息（包括誤發(fā)故障信號(hào)），此類信號(hào)對(duì)電網(wǎng)運(yùn)行影響較大，將被診斷為缺陷（以下統(tǒng)稱“告警信息”）。因此，針對(duì)SCADA 系統(tǒng)上窗非結(jié)構(gòu)化文本告警信息（異常）進(jìn)行預(yù)處理，對(duì)告警信息內(nèi)容進(jìn)行文本分詞、清洗辨識(shí)電力設(shè)備名詞實(shí)體、標(biāo)準(zhǔn)化等3 個(gè)步驟，得到一組同告警信息匹配聯(lián)系的缺陷關(guān)鍵詞，如：母聯(lián)開關(guān)、變壓器、重合閘、保護(hù)裝置、合并單元等，預(yù)處理的對(duì)比結(jié)果如表1 所示。

表1 告警信息文本預(yù)處理

1.2.2 詞嵌入層

本文采用的word2vec 模型是一種典型的NLP 模型，它是由Google 公司于2013 年開源推出的詞向量計(jì)算工具[12]，包括預(yù)處理模塊和淺而雙層的神經(jīng)網(wǎng)絡(luò)2 個(gè)部分，其特點(diǎn)是可從SCADA系統(tǒng)海量告警信息中以無監(jiān)督學(xué)習(xí)方式提取詞向量之間存在的語義信息，然后通過神經(jīng)網(wǎng)絡(luò)層輸出電力設(shè)備實(shí)體特征的分布式表征，具體結(jié)構(gòu)如圖2 所示。

圖2 word2vec 模型

結(jié)合文獻(xiàn)[12]給出的word2vec 詞嵌入方法，將告警信息文本的形式化表示定義為：

式中：xi表示文本S 中的第i 個(gè)詞匯。

對(duì)于每個(gè)詞xi來說，以圖1 中告警信息“帶溪變110 kV 母聯(lián)開關(guān)油壓低重合閘閉鎖”為例，存在詞向量矩陣：Wword∈。在訓(xùn)練過程中，給定告警信息在輸入BiLSTM 層之前，需進(jìn)行預(yù)處理，使用該詞向量矩陣將每個(gè)詞進(jìn)行詞向量表征轉(zhuǎn)化，最后得到給定告警信息電力設(shè)備實(shí)體名詞的詞向量表征，如式（2）所示。

因此，對(duì)于給定告警信息文本Sf將被轉(zhuǎn)為一個(gè)具有缺陷程度信息的實(shí)數(shù)矩陣embs={e1，e2，…，eT}，并輸入模型的下一層。

1.2.3 BiLSTM 神經(jīng)網(wǎng)絡(luò)層

在深度學(xué)習(xí)和自然語義處理技術(shù)領(lǐng)域中，對(duì)于長(zhǎng)文本信息，BiLSTM 方法能提取雙向語義信息，能更加充分利用從后往前的反向特征信息[13]，BiLSTM 模型結(jié)構(gòu)如圖3 所示。

圖3 BiLSTM 模型

本文利用雙向LSTM 網(wǎng)絡(luò)門控機(jī)制，主要由存儲(chǔ)單元狀態(tài)ct、輸入門it、輸出門ot等構(gòu)成：

式中：it為輸入門；ct為存儲(chǔ)細(xì)胞狀態(tài)；ot為輸出門；xt為t 時(shí)刻的輸入；ht-1為t-1 時(shí)刻的輸出值；σ 為Sigmoid 激活函數(shù)；W 為輸入權(quán)重矩陣。

將某一告警信息文本Sf各個(gè)詞xi的向量表征矩陣embs={e1，e2，…，eT}作為BiLSTM 網(wǎng)絡(luò)門控的隱狀態(tài)輸出，按位置規(guī)則拼接后作為各個(gè)時(shí)刻細(xì)胞的輸入。對(duì)于給定告警信息文本“帶溪變110 kV 母聯(lián)開關(guān)油壓低重合閘閉鎖”，有如下步驟：

Step1：通過word2vec 詞嵌入進(jìn)行告警信息預(yù)處理，然后進(jìn)入雙向LSTM 網(wǎng)絡(luò)提取語義特征環(huán)節(jié)。

Step2：以正方向的LSTM 先提取告警信息的正向特征，例如由“帶溪變→110 kV→母聯(lián)開關(guān)→油壓低→重合閘→閉鎖”得到正向的隱狀態(tài)，即。

Step3：以反方向的LSTM 先獲得告警信息的反向的特征提取，例如由“帶溪變←110 kV←母聯(lián)開關(guān)←油壓低←重合閘←閉鎖”得到反向的隱狀態(tài)，即。

Step4：分別得到正向和反向的特征提取之后，再將正向LSTM 輸出的與反向LSTM 輸出的在各個(gè)位置輸出的隱狀態(tài)進(jìn)行按位置拼接，得到一個(gè)完整的隱狀態(tài)序列：

通過將正向與反向的隱狀態(tài)序列拼接，實(shí)現(xiàn)了BiLSTM 能提取雙向語義信息的特點(diǎn)，使模型具備聯(lián)系缺陷重要程度挖掘告警信息文本整句話中正序與反序的重要信息能力，確保了缺陷特征內(nèi)容不丟失。最后，BiLSTM 網(wǎng)絡(luò)層輸出的隱藏狀態(tài)集合表征為H:[h1，h2，…，hT]。

1.2.4 注意力機(jī)制層

注意力機(jī)制源于人類視覺對(duì)重點(diǎn)區(qū)域的關(guān)注，通過模擬人腦注意力集中于特定區(qū)域情況，來獲取更多有效價(jià)值信息，提升語義理解準(zhǔn)確性[14]。

在注意力機(jī)制模型中，n 時(shí)刻由BiLSTM 模型輸出的告警信息文本中缺陷重要程度特征向量對(duì)最終狀態(tài)的注意力概率分布an：

式中：詞嵌入的表征能力隨著an和hn值的增大而變強(qiáng)，同時(shí)注意力機(jī)制中獲得的告警信息缺陷重要程度判別特征信息也越多。

最后，通過輸出層的Softmax 計(jì)算，得到告警信息缺陷類型標(biāo)簽維度為1×4，其概率分布為：

式中：T 為缺陷類型標(biāo)簽數(shù)，T=4，包括一般缺陷、重要缺陷、緊急缺陷以及其他；V 為告警信息庫在訓(xùn)練過程中產(chǎn)生的權(quán)重。

對(duì)于輸入到BiLSTM 層中的每個(gè)電力設(shè)備實(shí)體名詞，在訓(xùn)練集中都有特定的標(biāo)簽，即為電力設(shè)備實(shí)體的類別；通過式（10）計(jì)算每個(gè)輸出標(biāo)簽的概率，得到概率最高的標(biāo)簽即為該告警信息的缺陷程度判別結(jié)果。

告警信息文本分類過程實(shí)則缺陷分類診斷，在處理流程中，經(jīng)過歸一化層得到維度的向量表示，得到概率分布與之對(duì)應(yīng)的標(biāo)簽包括：一般缺陷（0.1）、重要缺陷（0.2）、緊急缺陷（0.5）、其他（0.2），因此告警信息文本“帶溪變110 kV 母聯(lián)開關(guān)油壓低重合閘閉鎖” 所對(duì)應(yīng)的概率為最大的“0.5”，其分類類別為“緊急缺陷”。

2 缺陷風(fēng)險(xiǎn)評(píng)估方案

本文構(gòu)建的基于語義分析的缺陷風(fēng)險(xiǎn)預(yù)警體系流程如圖4 所示，告警信息文本分類產(chǎn)生缺陷診斷結(jié)果后，進(jìn)入缺陷風(fēng)險(xiǎn)預(yù)警定級(jí)環(huán)節(jié)，生成匹配的風(fēng)險(xiǎn)預(yù)警等級(jí)，充分挖掘告警信息的數(shù)據(jù)價(jià)值，為缺陷故障處置提供輔助決策。

圖4 基于語義分析的缺陷風(fēng)險(xiǎn)預(yù)警體系流程

2.1 事故影響指標(biāo)

在告警信息上窗且系統(tǒng)被判定為重要、緊急缺陷后，調(diào)控員需要關(guān)注消缺工作可能導(dǎo)致相關(guān)設(shè)備產(chǎn)生的N-1 風(fēng)險(xiǎn)，主要有：根據(jù)事故預(yù)想下的電網(wǎng)拓?fù)洌u(píng)估系統(tǒng)是否存在減供負(fù)荷、斷面越限、線路重載、系統(tǒng)解裂、重要用戶全停等情況。

因此，本文選取負(fù)荷損失、線路設(shè)備過載、斷面越限、重要用戶全停4 個(gè)指標(biāo)來評(píng)價(jià)設(shè)備停役消缺過程中存在的N-1 風(fēng)險(xiǎn)[15]。

（1）減供負(fù)荷指標(biāo)RL

作為風(fēng)險(xiǎn)預(yù)警的常用指標(biāo)，該指標(biāo)反映電網(wǎng)事故期間實(shí)際負(fù)荷量減少的程度，本文以減供負(fù)荷總量為衡量，如式（12）所示。

式中：Pi為節(jié)點(diǎn)i 減供的負(fù)荷量；n 為受影響減供的節(jié)點(diǎn)總數(shù)。

（2）線路重載指標(biāo)RE

線路重載指標(biāo)是指線路實(shí)際電流值超過標(biāo)準(zhǔn)額定電流的程度。本文重載線路規(guī)定為負(fù)載值大于其額定值50%閾值，如式（13）所示。

式中：Ii為第i 條重載線路的實(shí)際負(fù)載值；Ii，n為第i 條重載線路的額定值；n 為重載線路的數(shù)量。

（3）斷面過載指標(biāo)RT

潮流斷面過載指標(biāo)反映區(qū)域一組輸電線路因缺陷停役導(dǎo)致電力系統(tǒng)其他線路組存在斷面有功潮流越限情況，如式（14）所示。

式中：Pi為斷面i 的線路有功潮流；Pr，i為輸送功率的控制值；s 為線路回?cái)?shù)。

（4）重要用戶全停

重要用戶由地級(jí)市以上地方人民政府有關(guān)部門依據(jù)相關(guān)文件確定。

2.2 模糊化的風(fēng)險(xiǎn)預(yù)警方案

根據(jù)國(guó)家電網(wǎng)《安全事故調(diào)查規(guī)程》中對(duì)電力事故的定義，參考文獻(xiàn)[16-17]給出的定級(jí)策略，結(jié)合浙江省市域電網(wǎng)規(guī)模特點(diǎn)，將告警信息以缺陷嚴(yán)重程度進(jìn)行評(píng)估，本文提出了一種基于模糊化電力事故等級(jí)的市域電網(wǎng)告警信息缺陷風(fēng)險(xiǎn)定級(jí)策略，具體見表2。

表2 缺陷風(fēng)險(xiǎn)預(yù)警定級(jí)方案

（1）五級(jí)風(fēng)險(xiǎn)預(yù)警：當(dāng)減供負(fù)荷大于80 MW、線路重載或過載RE大于120%、斷面過載指標(biāo)RT大于20%、特級(jí)或一級(jí)重要用戶全停，以上任一情況發(fā)生即觸發(fā)五級(jí)風(fēng)險(xiǎn)預(yù)警。

（2）六級(jí)風(fēng)險(xiǎn)預(yù)警：當(dāng)減供負(fù)荷大于30 MW、線路重載或過載RE在100%～120%、斷面過載指標(biāo)RT在10%～20%、二級(jí)重要用戶全停，以上任一情況發(fā)生即觸發(fā)六級(jí)風(fēng)險(xiǎn)預(yù)警。

（3）七級(jí)風(fēng)險(xiǎn)預(yù)警：當(dāng)減供負(fù)荷大于5 MW、線路重載或過載RE在90%～100%、斷面過載指標(biāo)RT在5%～10%、臨時(shí)重要用戶全停，以上任一情況發(fā)生即觸發(fā)七級(jí)風(fēng)險(xiǎn)預(yù)警。

在浙江省市域電網(wǎng)規(guī)模體量下，調(diào)控員主要關(guān)注事故調(diào)查規(guī)程中的五級(jí)、六級(jí)、七級(jí)電網(wǎng)事件，構(gòu)建模糊化的風(fēng)險(xiǎn)預(yù)警指標(biāo)，完成對(duì)上窗告警信息缺陷診斷后的風(fēng)險(xiǎn)預(yù)警定級(jí)。解決了監(jiān)控人員在缺陷診斷上報(bào)后，調(diào)度人員需對(duì)設(shè)備缺陷產(chǎn)生的N-1 風(fēng)險(xiǎn)進(jìn)行二次判斷，從而延誤缺陷最佳處置時(shí)機(jī)的問題。

從告警信息出發(fā)，融入智能化缺陷診斷與缺陷風(fēng)險(xiǎn)評(píng)估，從而構(gòu)建基于海量監(jiān)控?cái)?shù)據(jù)的多維度監(jiān)控告警事件化預(yù)警分析體系，增強(qiáng)調(diào)控員電網(wǎng)感知預(yù)測(cè)能力，提升風(fēng)險(xiǎn)管控水平。

3 實(shí)驗(yàn)與分析

3.1 軟硬件平臺(tái)配置

在計(jì)算機(jī)硬件方面，本實(shí)驗(yàn)在Linux 操作系統(tǒng)下進(jìn)行深度學(xué)習(xí)的模型訓(xùn)練，配置具體信息見表3。

表3 硬件配置

在軟件配置方面，本模型使用Python 代碼進(jìn)行編寫。

3.2 數(shù)據(jù)說明與評(píng)價(jià)指標(biāo)

（1）實(shí)例選取SCADA 系統(tǒng)中4 750 條告警信息中的異常信號(hào)作為研究對(duì)象。告警信息包含變電站、電壓等級(jí)、設(shè)備名稱、異常元器件、異常現(xiàn)象等信息。缺陷程度分為一般缺陷、重要缺陷和緊急缺陷。

本文將4 750 條信息以0.8∶0.2 的比例劃分訓(xùn)練集和測(cè)試集，最終得到的各類別數(shù)目見表4。

表4 各類別統(tǒng)計(jì)數(shù)目

（2）在實(shí)驗(yàn)評(píng)價(jià)指標(biāo)中，混淆矩陣與準(zhǔn)確率作為最直觀的分類性能評(píng)價(jià)指標(biāo)，并融入精準(zhǔn)率P、召喚率R、微平均F1值來評(píng)價(jià)二分類問題。

準(zhǔn)確率定義：缺陷重要程度判斷預(yù)測(cè)正確的結(jié)果占總告警信息庫的百分比。

精確率P 定義：缺陷程度判斷正確占缺陷程度判斷全部預(yù)測(cè)為正的百分比。

召回率R 定義：缺陷程度判斷正確占缺陷程度判斷全部實(shí)際為正的百分比。

F1值定義：精確率P 和召回率R 的調(diào)和均值，其值越高表示分類診斷性能越優(yōu)，其表達(dá)如式（15）所示。

本文結(jié)合微平均F1指標(biāo)F1Micro，其計(jì)算方法為：將N 分類問題轉(zhuǎn)化為N 個(gè)二分類混淆矩陣問題[18]，從而合計(jì)得到Tp，F(xiàn)p，F(xiàn)N值以計(jì)算精準(zhǔn)率P、召喚率R、微平均F1值。此處累加得到的F1值即為F1Micro值。

3.3 模型性能分析與應(yīng)用

3.3.1 模型性能對(duì)比分析

首先結(jié)合電力設(shè)備缺陷名詞集對(duì)BiLSTM 模型進(jìn)行預(yù)訓(xùn)練，使損失值呈下降趨勢(shì)，而F1Micro值、訓(xùn)練集和測(cè)試集的準(zhǔn)確率呈上升趨勢(shì)，最終結(jié)果趨于穩(wěn)定。在預(yù)訓(xùn)練完成后，將告警信息測(cè)試集數(shù)據(jù)輸入模型，其測(cè)試結(jié)果準(zhǔn)確率和F1Micro值分別為97.65%和0.974 6。

本文中特征表示階段通過固定告警信息訓(xùn)練集與測(cè)試集的分配方式來保證多組算法模型測(cè)試對(duì)比的科學(xué)性。與深度學(xué)習(xí)CNN（卷積神經(jīng)網(wǎng)絡(luò)）、BiLSTM 模型實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比，得到3 種深度學(xué)習(xí)測(cè)試模型的F1Micro值以及對(duì)應(yīng)的準(zhǔn)確率，如表5 所示。

表5 深度學(xué)習(xí)模型性能對(duì)比

表5 分析結(jié)果顯示，融入注意力機(jī)制的BiLSTM-Att 模型比BiLSTM 和CNN 模型在告警信息文本挖掘時(shí)的性能更為優(yōu)越，F(xiàn)1Micro指標(biāo)為0.974 6，較BiLSTM 和CNN 模型指標(biāo)分別提升2.03%和3.29%；測(cè)試集準(zhǔn)確率為97.65%，準(zhǔn)確率分別提升2.14%和3.30%；訓(xùn)練集準(zhǔn)確率高達(dá)99.71%，準(zhǔn)確率分別提升2.29%和2.80%。融入注意力機(jī)制的BiLSTM-Attention 模型比傳統(tǒng)BiLSTM 模型更能關(guān)注到缺陷重要程度相關(guān)的告警信息中的最關(guān)鍵信息，并賦予權(quán)重，從而表現(xiàn)出更優(yōu)分類性能。

在運(yùn)用訓(xùn)練好的BiLSTM 模型基礎(chǔ)上，注意力機(jī)制具備賦予關(guān)鍵的電力實(shí)體名詞較大的權(quán)重，提高語義理解的準(zhǔn)確性，本質(zhì)目標(biāo)就是在深度學(xué)習(xí)過程中重點(diǎn)關(guān)注告警信息文本中對(duì)缺陷等級(jí)診斷有決定性意義的關(guān)鍵短語，從而達(dá)到缺陷的智能化高效分類定級(jí)。

3.3.2 基于語義分析的缺陷風(fēng)險(xiǎn)預(yù)警應(yīng)用

將基于BiLSTM-Attention 神經(jīng)網(wǎng)絡(luò)的語義分析技術(shù)與模糊化缺陷風(fēng)險(xiǎn)評(píng)估方法相結(jié)合，運(yùn)用訓(xùn)練好的BiLSTM 模型，通過注意力機(jī)制完成缺陷診斷分類，最后利用缺陷評(píng)估方案完成N-1 風(fēng)險(xiǎn)定級(jí)和預(yù)警，如表6 所示。

表6 基于語義分析的缺陷診斷與風(fēng)險(xiǎn)預(yù)警結(jié)果（部分）

以SCADA 上窗告警信息“大安變220 kV 嘉安43Q4 線開關(guān)SF6氣壓低閉鎖”為例，缺陷嚴(yán)重程度為緊急，調(diào)度預(yù)期處置結(jié)果為向省調(diào)申請(qǐng)將線路停役，大安變將由220 kV 嘉大43Q3 線路單供，在N-1 故障情況下，通過模糊化缺陷風(fēng)險(xiǎn)預(yù)警策略觸發(fā)五級(jí)風(fēng)險(xiǎn)預(yù)警，以供調(diào)控員輔助決策，組織220 kV 終端變防全停技術(shù)、管理措施等。

4 結(jié)語

為實(shí)現(xiàn)對(duì)SCADA 系統(tǒng)海量告警信息的缺陷辨識(shí)和風(fēng)險(xiǎn)分析，將基于BiLSTM-Attention 神經(jīng)網(wǎng)絡(luò)的語義分析技術(shù)與模糊化缺陷風(fēng)險(xiǎn)評(píng)估方法相結(jié)合，提出了一種基于自然語義分析的電網(wǎng)告警信息文本缺陷風(fēng)險(xiǎn)預(yù)警方法。

該方法實(shí)現(xiàn)了告警信息缺陷分類診斷，且準(zhǔn)確度、微平均值評(píng)價(jià)指標(biāo)較CNN 和BiLSTM 算法更為優(yōu)越，為設(shè)備監(jiān)控人員高效、準(zhǔn)確進(jìn)行告警信息診斷定級(jí)提供輔助決策。告警信息實(shí)時(shí)缺陷診斷與智能風(fēng)險(xiǎn)分析相結(jié)合，實(shí)現(xiàn)了告警信息的缺陷風(fēng)險(xiǎn)預(yù)警，提升了電網(wǎng)安全風(fēng)險(xiǎn)管控水平，為調(diào)控人員異常缺陷處置提供了輔助決策。采用人工智能NLP 技術(shù)對(duì)告警信息加以缺陷辨識(shí)和風(fēng)險(xiǎn)分析，作為后續(xù)基于知識(shí)譜圖的電網(wǎng)調(diào)度智能化缺陷診斷、故障分析、處置策略實(shí)施的技術(shù)鋪墊，為拓展電網(wǎng)調(diào)控領(lǐng)域的設(shè)備監(jiān)控大數(shù)據(jù)智能分析平臺(tái)提供了理論指導(dǎo)。