劉可真，林 錚，駱 釗，黃劍湘，楊 濤，雷金輝

（1. 昆明理工大學電力工程學院，云南省昆明市 650500；2. 中國南方電網(wǎng)有限責任公司超高壓輸電公司昆明局，云南省昆明市 650000；3. 昆明理工大學信息工程與自動化學院，云南省昆明市 650500）

0 引言

隨著世界首個特高壓多端直流示范工程——烏東德電站送電廣東廣西特高壓多端直流示范工程全面投運，直流換流站智能化水平大幅提升，同時智能化運維能力面臨嚴峻的挑戰(zhàn)。當前，直流換流站的運維數(shù)據(jù)主要依靠順序事件記錄（sequential events recording，SER）系統(tǒng)記錄當前換流站設備運行狀態(tài)，SER 事件特征類型主要包含:事件發(fā)生的時間、產(chǎn)生事件的控制保護主機及其編號、事件等級以及對該事件的內(nèi)容描述。因此，SER 是運維人員監(jiān)視和評估換流站設備運行狀態(tài)最重要的手段之一。

換流站作為特高壓交直流電網(wǎng)的重要樞紐之一［1］，擁有復雜、智能的高集成度自動化設備［2-3］，其眾多一、二次設備會產(chǎn)生海量異構、多態(tài)的SER 事件［4］，尤其在直流輸電系統(tǒng)發(fā)生狀態(tài)轉換或出現(xiàn)故障時，短時間內(nèi)會生成近萬條事件，特別是直流工程調(diào)試、定檢期間，單日最大SER 事件條數(shù)超過50 萬。而SER 事件日志高度依賴人工監(jiān)盤，運維人員難以在短時間內(nèi)通過盤查及時分析出海量SER 事件中的關聯(lián)性SER 事件缺失，進而可能導致電力安全事件發(fā)生。國內(nèi)外換流站已多次出現(xiàn)裝置失靈/失電、二次回路接觸不良、控制保護程序邏輯異常等問題發(fā)生時，運維人員未及時分析出關聯(lián)性SER 事件的丟失現(xiàn)象，影響換流站穩(wěn)定運行，如國內(nèi)某換流站500 kV 3 號主變壓器中壓側開關跳閘事件中，運維人員因未細看長達19 頁的SER 事件而未察覺開關偷跳事件，導致?lián)Q流站事故范圍擴大。

在電網(wǎng)運維方面，大數(shù)據(jù)分析技術已有應用［5-8］，利用數(shù)據(jù)挖掘技術分析電力系統(tǒng)運行數(shù)據(jù)已成為主流的方法［9-11］。文獻［12］利用改進頻繁模式算法挖掘電力系統(tǒng)故障信息特征并診斷電網(wǎng)故障。文獻［13］考慮電壓暫降評估問題，采用互信息與改進灰靶理論建立嚴重度評估框架并評估電壓暫降嚴重度。文獻［14］采用模糊Apriori 算法挖掘配電變壓器運行狀態(tài)與故障之間的關聯(lián)關系，挖掘變壓器故障的關鍵狀態(tài)量。文獻［15］利用基于主元分析的關聯(lián)規(guī)則挖掘火電廠廠級監(jiān)控信息系統(tǒng)，并針對某具體機組運行狀況準確、快速地尋找具有較高相似關聯(lián)規(guī)則的參數(shù)。文獻［16］采用Apriori 算法挖掘電氣設備缺陷特征。但上述文獻針均針對設備缺陷或線路故障的單一事件進行關聯(lián)規(guī)則挖掘，無法針對直流換流站海量SER 事件進行建模和典型事件關聯(lián)數(shù)據(jù)挖掘。

目前，國內(nèi)外主流直流控制保護技術廠家僅通過單條SER 事件獨立表征換流站一、二次設備的運行狀態(tài)，識別單條SER 事件下直流系統(tǒng)狀態(tài)變化情況以及設備異常情況，但不具備對生成海量SER 事件的合理性、關聯(lián)性進行分析的功能。例如:當換流器發(fā)生故障時，保護動作發(fā)出緊急停運指令，SER產(chǎn)生“緊急停運”事件，若未伴隨產(chǎn)生換流器交流進線斷路器“斷路器跳閘”“斷路器分位”等關聯(lián)事件，則表明此次保護動作中結果不正確，斷路器或所在主機存在問題。SER 數(shù)據(jù)集中每個SER 事件維度較高，很難通過建立詳細的數(shù)學模型進行特征提取與數(shù)據(jù)挖掘，亟須根據(jù)SER 事件間關聯(lián)關系，分析換流站故障下事件組SER 事件的缺失情況。而且，在換流站發(fā)生狀態(tài)轉換與故障時，SER 系統(tǒng)會保存所有生成的SER 事件集，無法聚焦特征SER 事件。

針對已有問題，本文提出了一種基于改進關聯(lián)規(guī)則的直流換流站典型運維事件集輔助分析方法。首先，分析原始SER 事件數(shù)據(jù)特征類型，篩選出SER 事件的主要挖掘特征并降低特征類型維度，以此建立SER 事件模型；然后，利用改進關聯(lián)規(guī)則算法挖掘換流站緊急SER 事件關聯(lián)伴生事件和換流站相似故障與狀態(tài)轉換的SER 強關聯(lián)事件組與SER 關聯(lián)事件，輔助分析SER 事件的合理性，不合理SER 事件也可通過主機定位對應的換流站設備。結合昆柳龍直流工程換流站試運行數(shù)據(jù)，驗證了所提方法的有效性。

1 SER 特征篩選與關聯(lián)規(guī)則算法關鍵技術

1.1 SER 事件特征分析與類型篩選

SER 系統(tǒng)通過主機采集所有一次、二次設備的數(shù)據(jù)，記錄當前換流站所有設備的運行和動作情況，SER 交互結構可簡化為附錄A 圖A1 所示。

換流站SER 平均每日會產(chǎn)生上十萬條事件，如昆柳龍直流工程換流站調(diào)試期間單日最大SER 事件條數(shù)超過50 萬。原始SER 事件數(shù)據(jù)包含多個特征類型，其中，時間特征類型記錄該條事件發(fā)生的時間；主機特征類型記錄發(fā)生該條事件的設備所在的服務器；系統(tǒng)特征類型表示SER 系統(tǒng)使用的冗余系統(tǒng)；等級特征類型判斷該條事件發(fā)生時的運行狀態(tài)，分為“正常”“輕微”“報警”和“緊急”4 個等級；報警組特征類型定位產(chǎn)生該條事件的控制設備組或控制軟件；事件特征類型為報警組特征類型在當前運行狀態(tài)下的動作。原始SER 事件數(shù)據(jù)特征類型如表1所示，SER 等級特征類型劃分原則如附錄A 表A1所示。

表1 原始SER 事件數(shù)據(jù)特征Table 1 Characteristics of primary SER event data

1.2 關聯(lián)規(guī)則理論

關聯(lián)規(guī)則（association rule，AR），也被稱為“購物籃分析”，可以發(fā)現(xiàn)2 個或多個事物之間的隱藏關系，提供關聯(lián)機制，甚至預測事物的發(fā)生。關聯(lián)規(guī)則作為數(shù)據(jù)挖掘的重要技術之一，用于挖掘大型數(shù)據(jù)庫中有價值的數(shù)據(jù)項之間的相互依存性和關聯(lián)性［17-18］。

評價關聯(lián)規(guī)則的2 個關鍵指標為支持度和置信度。支持度為一條規(guī)則的可能性，置信度表示一條規(guī)則的可信程度。定義用于關聯(lián)規(guī)則挖掘的項目集是樣本集的子集，所有樣本構成樣本數(shù)據(jù)庫D，樣本數(shù)據(jù)庫、樣本集和項目集的關系如圖1 所示。

圖1 樣本數(shù)據(jù)庫、樣本集和項目集的關系Fig.1 Relationship among sample database,sample set and item set

假設項目集A與項目集B是樣本集的2 個子集，項目集A與項目集B 的關聯(lián)規(guī)則表示為:

項目集A的支持度表示項目集A占數(shù)據(jù)庫D中樣本集總數(shù)的百分比，計算項目集A的支持度的表達式為:

式中:Asup為項目集A的支持度；Acount為樣本集中包含A的樣本數(shù)；N為數(shù)據(jù)庫D 中樣本集的總數(shù)。

項目集A與項目集B的關聯(lián)規(guī)則支持度公式如下所示:

式中:(A?B)sup為項目集A與項目集B的關聯(lián)規(guī)則支持度；(A∪B)count為樣本集中包含A與B的樣本數(shù)。

項目集A與項目集B的關聯(lián)規(guī)則的置信度公式如下所示:

式中:(A?B)con為項目集A與項目集B的關聯(lián)規(guī)則的置信度。

1.3 基于事務壓縮的改進關聯(lián)規(guī)則算法

Apriori 算法和FP-Growth 算法是常見的關聯(lián)規(guī)則算法。Apriori 算法挖掘需要掃描數(shù)據(jù)庫多次且操作過程中產(chǎn)生大量的候選集，導致時間復雜度、空間復雜度過高［19］；FP-Growth 算法僅需對數(shù)據(jù)集掃描2 次，且不生產(chǎn)候選集，有效地解決了Apriori 算法的問題，即需要在每個周期中重復掃描數(shù)據(jù)庫，需要較長的時間處理大量數(shù)據(jù)。

FP-Growth 算法是文獻［20］于2000 年提出的關聯(lián)分析算法。FP-Growth 算法為數(shù)據(jù)結構壓縮數(shù)據(jù)存儲構建頻繁模式樹（frequent pattern-tree，F(xiàn)PTree），樹形結構保留了有關候選項集的關系信息，通過遞歸比較FP-Tree 格式化樹結構和條件模式來挖掘頻繁項集。

FP-Growth 算法挖掘頻繁項集包括2 個步驟:建立頻繁模式樹和挖掘頻繁項集。采用FP-Growth算法挖掘頻繁項集的具體流程如圖2 所示。

圖2 采用FP-Growth 算法挖掘頻繁項集流程圖Fig.2 Flow chart of mining frequent item sets using FP-Growth algorithm

采用事務性數(shù)據(jù)庫壓縮（DC）技術改進關聯(lián)規(guī)則算法，可以動態(tài)地刪減事件集中與挖掘無關事件。由先驗原理（priori principle，PP）可知，如果一個項集是頻繁的，則其所有子集一定也是頻繁的；再依據(jù)反單調(diào)性，如果一個項集是非頻繁的，則其所有超集也一定是非頻繁的。因此，在生成候選項目集時，采用DC 技術動態(tài)剔除數(shù)據(jù)庫中不滿足支持度的項目。

考慮到昆柳龍直流工程換流站正式投入運行，SER 運行時間不斷增加，SER 數(shù)據(jù)集必將成倍數(shù)增長，采用DC 技術的規(guī)則關聯(lián)算法可以在數(shù)據(jù)挖掘中動態(tài)刪減無關的數(shù)據(jù)，減小數(shù)據(jù)挖掘時間，利于后續(xù)海量SER 事件的挖掘。

2 換流站SER 事件數(shù)據(jù)建模與關聯(lián)規(guī)則挖掘

2.1 換流站SER 事件數(shù)據(jù)建模

鑒于數(shù)據(jù)原始SER 事件數(shù)據(jù)特征類型維數(shù)較高，不利于關聯(lián)規(guī)則挖掘，需要降低模型維度，本文首先考慮換流站發(fā)生保護動作時等級較高的SER事件，故僅選取等級為“輕微”“報警”和“緊急”的等級特征類型；其次，在時間的處理上，直流輸電系統(tǒng)發(fā)生狀態(tài)轉換操作或故障保護動作后120 s，相關一、二次設備動作基本完成，故設置關聯(lián)事件最大時間差為120 s；最后，由于SER 冗余系統(tǒng)分為A/B 兩套，當換流站發(fā)生故障與狀態(tài)轉換時，A/B 兩套冗余系統(tǒng)會同時產(chǎn)生相同的SER 事件集，挖掘事件僅選用一套冗余系統(tǒng)結果即可，故挖掘SER 事件與冗余系統(tǒng)無關，所以模型不考慮挖掘系統(tǒng)特征類型。

本文以減維后的事件、主機和數(shù)據(jù)特征挖掘，建立換流站SER 事件三維模型M:

式中:T、H和P分別為換流站SER 事件的時間索引維度、空間索引維度和挖掘特征維度；P1和P2分別為換流站SER 事件的報警組特征類型和事件特征類型。

2.2 換流站緊急SER 事件關聯(lián)伴生事件

當換流站發(fā)生狀態(tài)轉換或故障時，需重點關注等級為“緊急”的事件。本文考慮事件集診斷依據(jù)之一，即挖掘SER 事件集中出現(xiàn)某個等級為“緊急”事件時，其他SER 緊急事件同時出現(xiàn)的可能性，依據(jù)頻繁項集的支持度分析該“緊急”事件的換流站緊急SER 事件關聯(lián)伴生事件，挖掘換流站緊急SER 事件伴生事件的流程如圖3 所示。圖中，DC-FP-Growth為采用DC 技術改進的FP-Growth 算法。

圖3 換流站緊急SER 事件關聯(lián)伴生事件挖掘流程圖Fig.3 Flow chart of mining associated events of emergency SER events in converter station

通過改進關聯(lián)規(guī)則挖掘結果，系統(tǒng)發(fā)現(xiàn)目標緊急事件，依靠該目標緊急事件的關聯(lián)伴生事件判斷目標緊急SER 事件前后事件是否滿足，從而輔助運維診斷緊急SER 事件集的合理性。

2.3 換流站相似故障與狀態(tài)轉換的SER 強關聯(lián)事件組與SER 關聯(lián)事件

當換流站發(fā)生相同或相似故障或狀態(tài)轉換時，換流站一、二次設備也應該執(zhí)行相同或相似的動作組，生成的SER 事件組需包含相應的特征SER 事件。本文考慮事件集診斷的另一依據(jù)，即利用原始事件集及被識別分類的狀態(tài)轉換與故障，挖掘換流站發(fā)生相同或相似故障時的SER 事件集數(shù)據(jù)。

定義支持度最大的事件集為SER 強關聯(lián)事件組，其他關聯(lián)規(guī)則置信度大于0.5 的事件作為SER關聯(lián)事件。通過分析原始數(shù)據(jù)集關聯(lián)規(guī)則，挖掘SER 強關聯(lián)事件組與SER 關聯(lián)事件。挖掘換流站SER 強關聯(lián)事件組與SER 關聯(lián)事件流程如附錄A圖A2 所示。

2.4 基于改進關聯(lián)規(guī)則挖掘結果的SER 事件集診斷

當控制設備執(zhí)行直流輸電系統(tǒng)狀態(tài)轉換指令或保護設備檢測到直流輸電系統(tǒng)故障時，診斷系統(tǒng)將立即把發(fā)生故障后120 s 內(nèi)的所有SER 事件形成判斷事件集。

1）通過篩選判斷事件集中所有等級為“緊急”事件，并診斷每個“緊急”事件對應的SER 事件關聯(lián)伴生事件是否存在，如果某個“緊急”事件對應的SER事件關聯(lián)伴生事件不存在，則及時通知運維人員不存在此緊急事件的關聯(lián)伴生事件及其支持度。

2）利用換流站類似故障SER 強關聯(lián)事件組與SER 關聯(lián)事件，判斷該故障或狀態(tài)轉換下?lián)Q流站是否存在不合理SER 事件出現(xiàn)以及高支持度SER 事件缺失的情況。

通過2.2 節(jié)與2.3 節(jié)挖掘生成的診斷依據(jù)，如果發(fā)現(xiàn)緊急SER 事件關聯(lián)伴生事件缺失，或者該故障或狀態(tài)轉換下?lián)Q流站存在不合理SER 事件出現(xiàn)以及高支持度SER 事件缺失，則須及時通過主機定位故障發(fā)生位置，通過報警組信息排查異常設備；新事件集滿足故障支持項，但不滿足所有故障支撐事件，則發(fā)送不滿足情況至控制中心，人工判斷無誤則將此項集更新至原始數(shù)據(jù)庫，反之則排查非合理因素；新事件集滿足故障支持項且滿足所有故障支撐事件，則直接將此新事件集更新至歷史SER 事件集，具體過程如圖4 所示。

圖4 SER 事件集診斷合理性判斷方法Fig.4 Rationality judgment method of SER event set diagnosis

3 算例分析

3.1 換流站原始SER 事件模型

本文采用配置Windows 10 操作系統(tǒng)、8 GB RAM、Intel Core i3-9100F CPU@3.60 GHz CPU 和NVIDIA GeForce GTX 1650 GPU 的實驗環(huán)境，使用Python3.8 語言開發(fā)編寫FP-Growth、DC-FPGrowth、Apriori 以 及 基 于DC 技 術 改 進 的Apriori（DC-Apriori）算法。

算例數(shù)據(jù)來源于昆柳龍直流工程換流站數(shù)據(jù)采集與監(jiān)控（SCADA）系統(tǒng)保存與處理的2020 年10 月7 日 至11 月10 日測試期間SER 事件集，其中試驗日志記錄了170 次換流站試驗故障及狀態(tài)轉換，對SER 事件集中所有SER 事件按挖掘特征維度進行編號，建立的SER 事件模型如圖5 所示。

圖5 SER 事件模型Fig.5 Model of SER events

圖5 中，空間索引維度的坐標表示采集事件的主機，時間索引維度的坐標表示各數(shù)據(jù)事件時間與SER 初始時間戳的時間差，本文時間索引維度的初始時間戳為2020-10-07T10:30:00:511，挖掘特征維度為該SER 事件所對應的事件編號。

3.2 昆柳龍直流工程換流站關聯(lián)分析挖掘

本文依靠昆柳龍直流工程換流站調(diào)試期間所有SER 事件為數(shù)據(jù)集，篩選出其中所有等級為“輕微”“報警”和“緊急”的SER 事件，建立換流站SER 事件三維模型，且選取報警組特征類型和事件特征類型作為挖掘維度進行編號，選取170 次換流站試驗故障及狀態(tài)轉換后120 s 內(nèi)的SER 事件生成170 個事件集，其每個試驗故障及狀態(tài)轉換分類結果如附錄A 圖A3 所 示。

1）緊急SER 事件關聯(lián)伴生事件

挖掘每個事件集中出現(xiàn)某個等級為“緊急”事件時，其他SER 事件同時出現(xiàn)的可能性，依據(jù)頻繁項集的支持度分析該“緊急”事件的換流站緊急SER事件關聯(lián)伴生事件。通過DC-FP-Growth 算法挖掘事件集，并設置最小支持度閾值為0.5，最小置信度閾值為0.7，部分緊急事件挖掘結果如附錄A 表A2所示。

2）相似故障或狀態(tài)轉換的SER 強關聯(lián)事件組與SER 關聯(lián)事件

由分類結果可得，170 次事件集中，有16 個換流站發(fā)生逆變側閥區(qū)出口短路故障相似故障，選取對應的16 個事件集，在預處理后采用DC-FP-Growth算法，設置最小支持度為0.5，設置最小置信度為0.5，挖掘逆變側閥區(qū)出口短路換流站SER 強關聯(lián)事件組與SER 關聯(lián)事件如附錄A 表A3 所示。

其他部分分類的相似故障或狀態(tài)轉換的SER強關聯(lián)事件組與SER 關聯(lián)事件見附錄A 表A4。

3.3 昆柳龍直流工程換流站SER 輔助診斷

以某次整流側線路極1 出線金屬性接地為例，其保護發(fā)現(xiàn)故障后120 s 內(nèi)的SER 事件集，同時去除非正常事件，具體如附錄A 表A5 所示。發(fā)現(xiàn)事件4 為緊急事件，故調(diào)用該事件的相關關聯(lián)伴生事件，發(fā)現(xiàn)事件2、3、5、9 均滿足事件序號4 的關聯(lián)伴生事件，滿足診斷依據(jù)①。

同時，由于該故障分類至整流側直流線路出線（金屬性、高阻）接地故障，調(diào)出其SER 強關聯(lián)事件組與SER 關聯(lián)事件，如附錄A 表A6 所示。

首先，對比換流站相似故障與狀態(tài)轉換的SER強關聯(lián)事件組，可見事件1、2、3、4、6 滿足整流側線路出線接地的SER 強關聯(lián)事件組；其次，對比換流站相似故障與狀態(tài)轉換的SER 關聯(lián)事件，發(fā)現(xiàn)事件7、9、11 滿足整流側線路出線接地的SER 關聯(lián)事件。說明本次發(fā)生整流側線路極1 出線金屬性接地故障，SER 事件集未見不合理SER 事件，滿足診斷依據(jù)②。由于同時滿足診斷依據(jù)①與診斷依據(jù)②，可以將此次事件集加入歷史SER 事件集。

如果本次事件集出現(xiàn)關聯(lián)伴生事件缺失的情況或出現(xiàn)緊急事件無匹配的情況，需及時通知運維人員，并通過空間索引維度尋找相關缺失事件所對應的設備，檢查相關事件缺失原因。如果部分事件不滿足換流站相似故障與狀態(tài)轉換的SER 強關聯(lián)事件組，也需執(zhí)行上述操作，但運維人員可以根據(jù)置信度的大小判斷故障支撐事件是否有誤。

3.4 改進關聯(lián)規(guī)則算法性能分析

為了進一步驗證DC-FP-Growth 算法相對于其他關聯(lián)規(guī)則算法的優(yōu)勢，在不同樣本數(shù)下，對改進算法與Apriori、DC-Apriori、FP-Growth 等算法的挖掘時間進行對比分析，結果如圖6 所示。

圖6 改進算法與常規(guī)算法計算耗時Fig.6 Calculation time of improved algorithm and conventional algorithms

由圖6 可見，當數(shù)據(jù)樣本數(shù)在1 000 以下時，改進算法與其他算法計算耗時相差不大；當數(shù)據(jù)樣本數(shù)達到2 832 條時，DC-FP-Growth 算法耗時比Apriori 快5.65 s，比FP-Growth 快0.41 s；當 數(shù) 據(jù)樣本達到11 335 條時，DC-FP-Growth 算法耗時比Apriori 算 法 快37.52 s，比FP-Growth 快0.98 s?？梢姡S著數(shù)據(jù)庫不斷增大，基于DC 技術改進FPGrowth 算法耗時用時最短，表現(xiàn)出最佳的挖掘能力，而隨著昆柳龍換流站正式投入運行，SER 數(shù)據(jù)集必將呈多倍增長，利用DC-FP-Growth 算法可以快速挖掘隱藏在SER 事件集中的關聯(lián)規(guī)則，便于運維人員及時發(fā)現(xiàn)并診斷SER 事件集。

同時，針對文中提及的換流站故障對比了在數(shù)據(jù)處理時序下SER 事件的條數(shù)，如附錄A 圖A4 所示。由于在SER 建模中，不考慮冗余系統(tǒng)的差異且僅考慮等級為非“正?！钡腟ER 事件，故在建模后顯著減少了SER 事件條數(shù)，在進行數(shù)據(jù)挖掘后，聚焦該故障以及相似故障的共性SER 事件，再次減少SER 事件條數(shù)，達到了特征SER 事件選取的作用。

同時，雖選取挖掘最小支持度為0.5，但由于選取最大支持度頻繁項集為SER 強關聯(lián)事件組，絕大部分挖掘結果選取的頻繁項集支持度都在100%，即相似故障下該SER 強關聯(lián)事件組必然會發(fā)生。考慮到昆柳龍直流工程換流站調(diào)試期間，相似故障及狀態(tài)轉換試驗發(fā)生次數(shù)較少、分類較寬泛，故設置最小置信度為0.5，即在必然出現(xiàn)SER 強關聯(lián)事件組，SER 關聯(lián)事件出現(xiàn)的概率為50%，也就是在SER 強關聯(lián)事件組約束下SER 關聯(lián)事件有50%的概率出現(xiàn)。

隨著后續(xù)事件集的積累與故障分類的精確化，可以不斷提高最小支持度與最小置信度的設置值，提高換流站緊急SER 事件關聯(lián)伴生事件、換流站相似故障與狀態(tài)轉換的SER 強關聯(lián)事件組與SER 關聯(lián)事件的準確性，輔助運維人員診斷SER 事件集合理情況。

4 結語

針對目前尚無輔助診斷SER 事件集的高效方法，本文提出一種基于改進關聯(lián)規(guī)則的直流換流站典型運維事件集診斷方法，得到以下結論:

1）采用換流站SER 事件的時間、空間、挖掘特征維度模型可以有效地降低SER 事件維度，便于從海量SER 數(shù)據(jù)庫中提取關鍵SER 事件，發(fā)現(xiàn)缺失的SER 事件并定位對應的設備；

2）DC-FP-Growth 算法能夠有效挖掘換流站緊急SER 事件關聯(lián)伴生事件、SER 強關聯(lián)事件組與SER 關聯(lián)事件，并具有較快的挖掘計算速度，有效精簡SER 事件條數(shù)；

3）定性輔助診斷SER 事件集合理性，判別直流保護動作結果正確性，為運維人員及時發(fā)現(xiàn)保護動作過程中存在缺失SER 事件提供參考。

本文僅考慮昆柳龍直流工程試運行期間的SER 數(shù)據(jù)集和被換流站保護設備所識別的故障與狀態(tài)轉換。隨著昆柳龍直流工程換流站正式投入運行，必將積累更多的SER 數(shù)據(jù)，識別的故障與狀態(tài)轉換更加具體，分類更加精確。今后將繼續(xù)深入研究SER，進一步完善直流工程換流站SER 事件的自動診斷功能，完成換流站數(shù)字孿生與SER 的深度耦合。

本文在寫作過程中得到中國南方電網(wǎng)有限責任公司超高壓輸電公司昆明局和云南電網(wǎng)有限責任公司科技項目(YNKJXM20180736)的幫助，特此感謝！

附錄見本刊網(wǎng)絡版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡全文。