王洪彬，周念成，黃睿靈，范炳昕，王強鋼

基于深度學習的110kV電網(wǎng)監(jiān)控信號語義解析及態(tài)勢感知模型

王洪彬1,2，周念成1，黃睿靈2，范炳昕1，王強鋼1

(1.輸配電裝備及系統(tǒng)安全與新技術國家重點實驗室(重慶大學)，重慶 400044；2.國網(wǎng)重慶市電力公司電力科學研究院，重慶 401123)

新型電力系統(tǒng)的大力建設對電網(wǎng)監(jiān)控信號的高效準確識別技術提出了更高的要求。首先分析了Soft-Masked BERT語言模型的基本原理，建立了基于Soft-Masked BERT的信號文本糾錯模型。根據(jù)國家電網(wǎng)典型事件表梳理了包含常規(guī)與故障情況下的“信號語義—電網(wǎng)事件”規(guī)則字典。綜合上述模型建立了基于RNN的電網(wǎng)態(tài)勢感知模型，提出了基于深度學習的電網(wǎng)監(jiān)控信號語義解析及態(tài)勢感知求解流程。最后，以某地110 kV變電站實際監(jiān)控信號為測試數(shù)據(jù)，利用所提RNN模型并結合Pycorrector工具包及Pytorch軟件對該地區(qū)電網(wǎng)監(jiān)控信號進行語義解析及態(tài)勢感知仿真分析，驗證了模型的有效性及正確性。

深度學習；電網(wǎng)監(jiān)控信號語義解析；態(tài)勢感知；RNN模型

0 引言

構建以新能源為主體的新型電力系統(tǒng)，對貫徹“四個革命、一個合作”能源安全新戰(zhàn)略，深化能源生產(chǎn)和消費革命，實現(xiàn)“碳中和、碳達峰”目標具有重要意義[1-3]。

高效準確的電網(wǎng)監(jiān)控信號識別技術是新型電力系統(tǒng)安全穩(wěn)定運行的重要基礎[4]。在2012年以前，國內電網(wǎng)企業(yè)的變電站輸變電設備存在信號的間隔劃分錯誤、信號名稱含有錯別字、信號語義不清晰等問題。隨著智能電網(wǎng)建設的不斷推進，國家電力調度控制中心在2012年著手對電網(wǎng)監(jiān)控信息的標準進行梳理和規(guī)范，制定了220 kV變電站典型信息表并在2013年制定了110 kV變電站典型信息表。近年來，隨著電網(wǎng)在線監(jiān)測設備的不斷增多，多電壓等級變電站的不斷投運，變電站二次精益化改造項目的不斷實施，點表審核逐漸規(guī)范，在源頭上完善和規(guī)范了電網(wǎng)監(jiān)控信號。SCADA/ EMS系統(tǒng)中存儲的海量標準化信號[5]，為開展數(shù)據(jù)驅動的電網(wǎng)監(jiān)控信號語義解析提供了充足且有效的語料庫。

大中型城市的220 kV/110 kV電網(wǎng)負荷隨經(jīng)濟快速發(fā)展而呈現(xiàn)多極化增長，在迎峰度夏期間電網(wǎng)長期保持在高負載狀態(tài)運行[6-8]。為保證供區(qū)內重要用戶的可靠供電，電網(wǎng)運行方式動態(tài)化調整將造成電網(wǎng)抗擊風險能力不足。一旦110 kV或者220 kV發(fā)生輸變電設備故障，電網(wǎng)設備日均告警信號的數(shù)量將為無故障時的2~3倍。電網(wǎng)告警信號的頻發(fā)總量過大，超出其承載能力，可能導致電網(wǎng)監(jiān)控員無法兼顧告警信號，從而無法保證對電網(wǎng)設備的全面監(jiān)視[9]，失去對電網(wǎng)運行態(tài)勢的全方位感知。

近年來隨著自然語言處理(natural language processing, NLP)技術快速發(fā)展，使得機器能夠理解人類語言并執(zhí)行相應的應用程序，其應用場景包含語音識別、語音翻譯、文本翻譯、段落匹配、錯別字糾錯等[7]。經(jīng)典語言模型包括Word2Vec，卷積神經(jīng)網(wǎng)絡(convolutional neural network, CNN)[10]，遞歸神經(jīng)網(wǎng)絡(recurrent neural network, RNN)[11]，Transformer及BERT(bidirectional encoder representations from transformers, BERT)模型等[13-17]。通過對海量故障信號語料庫的學習，NLP神經(jīng)網(wǎng)絡模型能夠自動從信號數(shù)據(jù)中挖掘語義特征，實現(xiàn)電網(wǎng)監(jiān)控信號文本錯誤糾正和電網(wǎng)的態(tài)勢感知。

現(xiàn)有文獻大多數(shù)是從電網(wǎng)故障的物理特征出發(fā)，利用短路電流、電壓突變、故障錄波、PMU等來感知電網(wǎng)發(fā)生故障的類型、位置及持續(xù)時間[18-20]。但在電網(wǎng)實際運行中，電網(wǎng)監(jiān)控員均是從電網(wǎng)二次設備的異常信息，如保護動作信號、變電站站內二次設備異常信號，以及遙測和開關遙信信息等來研判電網(wǎng)故障。為輔助電網(wǎng)監(jiān)控員進行故障研判，文獻[4]對電網(wǎng)故障事件與關聯(lián)信號的內在邏輯關系進行了詳實的分析，提取出“信號語義—故障事件”之間關聯(lián)規(guī)則推理知識庫。文獻[21]提出了一種電網(wǎng)監(jiān)控信號的分詞方法，采用Apriori算法挖掘監(jiān)控信號之間的潛在關系和主從規(guī)律，并結合IC-means聚類算法實現(xiàn)電網(wǎng)異常事件的“翻譯”。文獻[22]對智能告警系統(tǒng)的主站端進行了優(yōu)化設計，實現(xiàn)了告警信號的智能化處理，在一定程度上減輕了電網(wǎng)監(jiān)控員的工作總量，并基于系統(tǒng)豐富的專家?guī)旌屯评頇C制匹配知識庫的規(guī)則，為監(jiān)控員提供電網(wǎng)故障的輔助決策。上述研究從不同方面提高了電網(wǎng)監(jiān)控的快速性與準確性，但針對故障發(fā)生后的電網(wǎng)側監(jiān)控信號內在邏輯數(shù)據(jù)挖掘還不夠深入，且對于可能存在的非標準化異常信號，現(xiàn)有方法均無法實現(xiàn)信號的語義解析，無法實現(xiàn)更加細膩的電網(wǎng)態(tài)勢感知。

為充分適應新型電力系統(tǒng)的電網(wǎng)運行體系建設要求，提高電網(wǎng)側信號監(jiān)控運行效率，保障電網(wǎng)設備安全運行，本文首先分析了Soft-Masked BERT語言模型的基本原理，建立了基于Soft-Masked BERT的信號文本糾錯模型；根據(jù)國家電網(wǎng)相關管理規(guī)定梳理了包含常規(guī)與故障情況下的“信號語義—電網(wǎng)事件”規(guī)則字典；綜合上述模型建立了基于循環(huán)神經(jīng)網(wǎng)絡[17]的電網(wǎng)態(tài)勢感知模型，提出了基于深度學習的電網(wǎng)監(jiān)控信號語義解析及態(tài)勢感知求解流程。最后，以某地區(qū)110 kV變電站實際監(jiān)控信號為測試數(shù)據(jù)，利用Pycorrector工具包及Pytorch軟件進行了該地區(qū)電網(wǎng)監(jiān)控信號的語義解析及態(tài)勢感知仿真分析，驗證了本文所提方法的有效性及正確性。

1 基于Soft-Masked BERT的信號文本糾錯模型

電網(wǎng)監(jiān)控信號具有以下特點：1) 電網(wǎng)監(jiān)控信號的信號本身文本非常短，文本字符之間存在顯著邏輯關系；2) 電網(wǎng)監(jiān)控信號可能是連續(xù)發(fā)出的，且信號與信號之間存在顯著的邏輯關系，需對發(fā)出信號的先后順序進行辨別。

如圖1所示，Soft-Masked BERT(soft-masked bidirectional encoder representations from transformers)語言模型由基于雙向門控循環(huán)單元(bidirectional gated recurrent unit, Bi-GRU)的檢測網(wǎng)絡和基于BERT的校正網(wǎng)絡組成，檢測網(wǎng)絡預測誤差的概率，修正網(wǎng)絡預測誤差修正的概率，而檢測網(wǎng)絡利用軟掩蔽(soft-masking)模塊將預測結果傳遞給修正網(wǎng)絡，最后通過Softmax分類器輸出正確字符[17]。該方法能夠綜合考慮文本語言的前后邏輯關系，且能夠充分描述字符級、詞級、句子級甚至句間關系的特征[12]，辨明段落內部邏輯字符之間的邏輯關系并且降低噪聲詞的影響，對音似、形似錯字和前后邏輯語義糾正，輸出其對應的標準信號。除此之外，該方法還能辨析信號與信號之間的邏輯關系，適用對電網(wǎng)監(jiān)控信號語義進行解析。

圖1 Soft-Masked BERT語言模型結構

2 基于RNN的電網(wǎng)態(tài)勢感知模型

2.1 建立“信號語義—電網(wǎng)事件”規(guī)則字典

從各類設備的標準監(jiān)控信號庫出發(fā)，比如國家電力調度控制中心梳理的《110 kV變電站典型信息表(試行)》、《220 kV變電站典型信息表(試行)》[23-24]，按照信號對應的電網(wǎng)事件不同，可進一步將電網(wǎng)故障事件與關聯(lián)信號的內在邏輯關系進行細化。本文將電網(wǎng)事件分為電網(wǎng)常規(guī)事件和電網(wǎng)故障事件，其中電網(wǎng)常規(guī)事件對應的信號又可分為日常電網(wǎng)設備操作伴生信號、設備定期維護信號、現(xiàn)場消缺調試信號、設備缺陷信號和誤發(fā)信號這5組，電網(wǎng)故障事件可基本按照保護動作類型對各類故障進行梳理，大致包含各電壓等級的斷路器保護動作，線路保護動作，變壓器保護動作，母線保護動作、電容器保護動作、站用變保護動作和電抗器保護動作等。按照電網(wǎng)常規(guī)事件和電網(wǎng)故障事件分別進行信號梳理，得出“信號語義—電網(wǎng)常規(guī)事件”和“信號語義—電網(wǎng)故障事件”之間關聯(lián)規(guī)則字典。

1)“信號語義—電網(wǎng)常規(guī)事件”字典

① 操作伴生信號為現(xiàn)場設備有計劃操作或臨時操作時觸發(fā)的相關異常信號。

② 設備定期維護信號為現(xiàn)場設備定期維護工作而觸發(fā)的相關設備異常信號。

③ 現(xiàn)場消缺調試信號屬于現(xiàn)場設備有消缺調試工作而伴生的信號。

④ 設備缺陷信號為由于現(xiàn)場操作或工作觸發(fā)的異常信號。

⑤ 誤發(fā)信號為變電站端后臺信息未發(fā)現(xiàn)異常，但調度端告警窗顯示出存在非現(xiàn)場操作或工作觸發(fā)的異常信號。

表1為梳理出的“信號語義—電網(wǎng)常規(guī)事件”字典。通過此字典的分類，可加快特征信號的提取，提高后續(xù)態(tài)勢感知模型在數(shù)據(jù)求解過程的收斂速度。

表1 “信號語義—電網(wǎng)常規(guī)事件”字典

2)“信號語義—電網(wǎng)故障事件”規(guī)則字典

由電網(wǎng)保護事件源信息初步判斷可能出現(xiàn)的特定電網(wǎng)事件，根據(jù)事件源信息的特征在海量監(jiān)控信息中提取相關關聯(lián)信息，清晰給出數(shù)據(jù)之間的關聯(lián)信息，為事件識別及判斷提供依據(jù)。表2給出各類典型110 kV電網(wǎng)保護事件源涉及的相關典型信號。

表2 “信號語義—電網(wǎng)故障事件”字典

表2中，當某組別的保護動作時，并非會觸發(fā)該組別的所有保護相關信號。當電網(wǎng)元件發(fā)生的故障類型不同時，雖然同樣會導致相應保護動作跳閘，但觸發(fā)的表征信號卻是不同的。比如：在110 kV電纜線路配置有接地和相間距離保護且重合閘未投的條件下，發(fā)生110 kV線路兩相接地，告警窗只會觸發(fā)110 kV線路保護裝置告警、110 kV線路接地距離和相間距離保護出口的信號；然而當110 kV架空線路發(fā)生單相接地且重合不成功時，告警窗會觸發(fā)110 kV線路保護裝置告警、110 kV線路縱聯(lián)差動保護出口、重合閘動作、110 kV線路縱聯(lián)差動保護出口、重合閘閉鎖的信號。因此，針對同一類的電網(wǎng)元件，還需要根據(jù)具體預想電網(wǎng)事件制定相應的信號觸發(fā)邏輯。

2.2 基于RNN的電網(wǎng)態(tài)勢感知模型

針對各電網(wǎng)元件，并結合元件的繼電保護定值單，逐一掃描各種預想故障事件形成“信號語義—電網(wǎng)事件”規(guī)則字典，通過深度學習即可形成電網(wǎng)態(tài)勢感知的智能推理機。當某電網(wǎng)元件發(fā)生故障時，告警窗會觸發(fā)多種信號，其中可能包含操作伴生信號、設備定期維護信號、現(xiàn)場消缺調試信號、設備缺陷信號、誤發(fā)信號、對側工作引起的異常信號等雜亂信號，嚴重影響電網(wǎng)監(jiān)控員對電網(wǎng)故障特征信號的提?。淮送?，由于歷史原因，電網(wǎng)故障特征信號名稱還沒有做到標準化，語意模糊將影響電網(wǎng)監(jiān)控員對電網(wǎng)故障位置和類型的判斷[25-26]。為此，可通過基于Soft-Masked BERT的信號糾錯模型對告警窗中觸發(fā)的所有信號進行交叉辨識，將辨識后的信號輸入至電網(wǎng)態(tài)勢感知的智能推理機，輔助電網(wǎng)監(jiān)控員完成電網(wǎng)的故障元件以及故障類型的決策。圖2為電網(wǎng)態(tài)勢感知模型的設計框架。

圖2 電網(wǎng)態(tài)勢感知模型的設計框架

電網(wǎng)監(jiān)控信號具有數(shù)據(jù)量大、數(shù)據(jù)維度高且呈現(xiàn)序列性等特點，要在海量電網(wǎng)監(jiān)控數(shù)據(jù)中實現(xiàn)故障信息的準確高效判斷，需要判斷工具具有較強的智能性。RNN神經(jīng)網(wǎng)絡具有記憶性特征與較強非線性特征挖掘能力[27-28]，目前已廣泛應用于各類系統(tǒng)的故障定位[29-30]中，故適合作為電網(wǎng)態(tài)勢感知的判斷工具。

本文采用RNN網(wǎng)絡模型對“信號語義—電網(wǎng)故障事件”字典和“信號語義—電網(wǎng)常規(guī)事件”字典進行深度學習，建立起監(jiān)控信號與故障特征、故障類型間的非線性映射關系，如式(4)所示。

RNN為一非線性神經(jīng)網(wǎng)絡，如圖3所示，對輸入的各種電網(wǎng)監(jiān)控信號和各類電網(wǎng)故障類型采用編號的方式進行編碼，然后選取min-max法進行數(shù)據(jù)歸一化處理。為防止過擬合現(xiàn)象，在模型中加入dropout算法，通過隨機丟棄部分神經(jīng)元改變神經(jīng)網(wǎng)絡的結構，減少神經(jīng)元間的依賴性。此外為了改善傳統(tǒng)梯度下降法的迭代過程中學習率為常數(shù)的缺點，本文還引入adam算法和學習率的指數(shù)衰減算法更新參數(shù)，以加快模型的收斂速度。

圖3 RNN模型設計結構

基于上述內容，推導出求解基于RNN網(wǎng)絡的電網(wǎng)態(tài)勢感知模型的具體步驟：

3) 讀取按照“信號語義—電網(wǎng)常規(guī)事件”和“信號語義—電網(wǎng)故障事件”字典訓練的RNN電網(wǎng)態(tài)勢感知模型；

6) 對告警窗的信號辨識結果進行整合，顯示具體的電網(wǎng)常規(guī)事件和故障事件的分類結果。

3 算例分析

3.1 算例設置

根據(jù)本文提出的基于RNN模型的電網(wǎng)態(tài)勢感知模型，結合Pycorrector工具包以及Pytorch軟件，對某實際110 kV變電站監(jiān)控信號進行深度學習，實現(xiàn)110 kV變電站的監(jiān)控信號語義解析及態(tài)勢感知的測試分析。110 kV變電站主接線圖如圖4所示。

圖4 110 kV變電站電氣一次主接線圖

表3 “信號語義—電網(wǎng)常規(guī)事件”樣本數(shù)據(jù)統(tǒng)計

表4 “信號語義—電網(wǎng)故障事件”樣本數(shù)據(jù)統(tǒng)計

表5 測試樣本集的實際與標準信號名稱對比

3.2 算例結果及分析

1) Soft-Masked BERT的信號文本糾錯仿真分析

為驗證Soft-Masked BERT的信號文本糾錯仿真方法的有效性，本文對比了Soft-Masked BERT模型與BERT模型在信號文本糾錯結果。在校正網(wǎng)絡層數(shù)、迭代次數(shù)等參數(shù)設置上，BERT模型與本文Soft-Masked BERT模型保持一致。在相同測試集條件下，得到兩種方法的辨識結果與收斂圖像，分別如圖5、圖6所示。

從圖5的對比結果可以看出，Soft-Masked BERT的信號文本錯誤辨識正確率高于常規(guī)BERT模型。從圖6可以看出，Soft-Masked BERT模型的收斂速度更快且擬合性能更佳；在相同的測試樣本集中，Soft-Masked BERT模型對1903個樣本的文本錯誤辨識且糾正的正確率顯著高于BERT模型。

圖6 兩種文本語言糾錯模型收斂圖像

2) 基于RNN的電網(wǎng)態(tài)勢感知仿真分析

對比圖7的結果可知，Soft-Masked BERT與RNN的組合模型錯判樣本少于BERT與RNN的組合模型，且接近標準信號與RNN模型組合的辨識結果，表明Soft-Masked BERT與RNN的組合模型的錯判樣本容錯性能良好，具有較強的移植和推廣效益。

4 結論

本文提出了一種基于深度學習的電網(wǎng)監(jiān)控信號語義解析及態(tài)勢感知模型。首先，本文對某實際110 kV變電站的監(jiān)控信號按照預想故障進行訓練后，采用自然語言處理技術中Soft-Masked BERT的信號糾錯模型可以將非標準化名稱的信號進行標準化，辨識出非標準化名稱的信號音似、形似、多字、少字和前后邏輯語義異常的錯誤。然后，在此基礎上采用循環(huán)神經(jīng)網(wǎng)絡RNN模型對各種電網(wǎng)監(jiān)控信息規(guī)則字典進行訓練學習。算例仿真說明，當變電站站內發(fā)生故障時，經(jīng)過Soft-Masked BERT的信號糾錯模型對監(jiān)控信號清洗后，RNN模型提取出故障事件下的關聯(lián)特征信號集合的速度和準確性均顯著高于非標準信號庫的RNN模型響應結果。同時，該RNN模型對海量信號的快速辨識，有助于電網(wǎng)監(jiān)控員進行快速感知電網(wǎng)故障的設備和類型，協(xié)助其快速故障處置，降低由于電網(wǎng)故障而造成的停電損失。

[1] 彭靜, 王軍, 亓富軍, 等. “雙碳”目標下配電網(wǎng)多階段擴展規(guī)劃[J]. 電力系統(tǒng)保護與控制, 2022, 50(7): 153-161.

PENG Jing, WANG Jun, QI Fujun, et al. Multi-stage expansion planning of a distribution network with double-carbon policy[J]. Power System Protection and Control, 2022, 50(7): 153-161.

[2] YANG Qing, ZHOU Hewen, PIETRO B, et al. Prospective contributions of biomass pyrolysis to China's 2050 carbon reduction and renewable energy goals[J]. Nature Communications, 2021, 12.

[3] 趙陽, 范文奕, 安佳坤. 基于智能加權混合模型的新型電力系統(tǒng)電量預測方法[J]. 電測與儀表, 2022, 59(12): 56-63.

ZHAO Yang, FAN Wenyi, AN Jiakun. A method of novel power system electricity forecasting based on intelligent weighted hybrid model[J]. Electrical Measurement & Instrumentation, 2022, 59(12): 56-63.

[4] 代宇涵, 鄒沛恒, 張鳳西, 等. 服務于電網(wǎng)運行的監(jiān)控信息事件化關聯(lián)分析方法研究[J]. 四川電力技術, 2019, 42(5): 72-76, 81.

DAI Yuhan, ZOU Shiheng, ZHANG Fengxi, et al. Research on event-based correlation analysis method for monitoring information serving power grid operation[J]. Sichuan Electric Power Technology, 2019, 42(5): 72-76, 81.

[5] 高志, 樊銳軼, 羅晉, 等. 一種基于多維特征點的監(jiān)控信號規(guī)范性分析方法[J]. 電力系統(tǒng)保護與控制, 2019, 47(16): 64-70.

GAO Zhi, FAN Ruiyi, LUO Jin, et al. A normalization analysis method for monitoring signals based on multi-dimensional feature points[J]. Power System Protection and Control, 2019, 47(16): 64-70.

[6] 周念成, 蘭雪珂, 莫復雪, 等. 計及線路接頭溫升約束的受端電網(wǎng)轉供優(yōu)化模型[J]. 電工技術學報, 2021, 36(15): 3237-3249.

ZHOU Niancheng, LAN Xueke, MO Fuxue, et al. A power transfer optimization model of receiving-end power systems considering line joint temperature rise constraints[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3237-3249.

[7] 劉皓琪, 高飛, 王耀力, 等. 基于Dropout-ILSTM網(wǎng)絡的短期電力負荷預測[J]. 電測與儀表, 2021, 58(5): 105-111.

LIU Haoqi, GAO Fei, WANG Yaoli, et al. Short-term power load forecasting based on Dropout-ILSTM network[J]. Electrical Measurement & Instrumentation, 2021, 58(5): 105-111.

[8] 趙舫, 盛青, 王新剛, 等. 基于主成分分析合作博弈的電網(wǎng)負荷智能預測方法研究[J]. 電網(wǎng)與清潔能源, 2022, 38(2): 48-52, 60.

ZHAO Fang, SHENG Qing, WANG Xingang, et al. A study on the intelligent load forecasting method of power grids based on principal component analysis and cooperative game[J]. Power System and Clean Energy, 2022, 38(2): 48-52, 60.

[9] 梁智, 趙靜, 路軼, 等. 智能電網(wǎng)調度控制系統(tǒng)監(jiān)控信息“事件化”功能實現(xiàn)及應用[J]. 電氣自動化, 2021, 43(1): 13-16, 80.

LIANG Zhi, ZHAO Jing, LU Yi, et al. Realization and application of "eventalization" function of supervisory information in the smart grid dispatching control system[J]. Electrical Automation, 2021, 43(1): 13-16, 80.

[10] 趙妍, 孫碩, 柳旭, 等. 基于改進CNN-LSTM的電力系統(tǒng)寬頻振蕩辨識[J]. 智慧電力, 2022, 50(2): 48-54, 96.

ZHAO Yan, SUN Shuo, LIU Xu, et al. Identification of power system wide-band oscillation based on improved CNN-LSTM[J]. Smart Power, 2022, 50(2): 48-54, 96.

[11] 李宏仲, 付國, 孫偉卿. 基于深度遞歸信念網(wǎng)絡的風電功率短期預測方法[J]. 電力系統(tǒng)自動化, 2021, 45(15): 85-92.

LI Hongzhong, FU Guo, SUN Weiqing. Short-term wind power forecasting method based on deep recurrent belief network[J]. Automation of Electric Power Systems, 2021, 45(15): 85-92.

[12] 齋藤康毅. 深度學習進階: 自然語言處理[M]. 北京: 人民郵電出版社, 2020.

[13] WONG K F, LI Wenjie, XU Ruifeng, et al. Introduction to Chinese natural language processing[M]. Morgan & Claypool, 2009.

[14] DU Yan, LI Fangxing, LI Jiang, et al. Achieving 100x acceleration for n-1 contingency screening with uncertain scenarios using deep convolutional neural network[J]. IEEE Transactions on Power Systems, 2019, 34(4): 3303-3305.

[15] GUPTA A, GURRALA G, SASTRY P S. An online power system stability monitoring system using convolutional neural networks[J]. IEEE Transactions on Power Systems, 2019, 34(2): 864-872.

[16] WEN Shuli, WANG Yu, TANG Yi, et al. Real-time identification of power fluctuations based on LSTM recurrent neural network: a case study on singapore power system[J]. IEEE Transactions on Industrial Informatics, 2019, 15(9): 5266-5275.

[17] ZHANG Shaohua, HUANG Haoran, LIU Jicong, et al. Spelling error correction with soft-masked BERT[J]. 2020.

[18] 靖宇宸, 張鐘毓. 城市電網(wǎng)智能調度故障輔助決策系統(tǒng)設計開發(fā)[J]. 電力系統(tǒng)保護與控制, 2016, 44(8): 132-136.

JING Yuchen, ZHANG Zhongyu. Design and development of an auxiliary decision-making system for smart distribution dispatching fault in urban power network[J]. Power System Protection and Control, 2016, 44(8): 132-136.

[19] 宋墩文, 溫渤嬰, 楊學濤, 等. 廣域量測信息大數(shù)據(jù)特征分析及應用策略[J]. 電網(wǎng)技術, 2017, 41(1): 157-163.

SONG Dunwen, WEN Boying, YANG Xuetao, et al. Big data feature analysis and application strategy of wide area measurement information[J]. Power System Technology, 2017, 41(1): 157-163.

[20] 李曉, 許劍冰, 李滿禮, 等. 考慮信息失效影響的配電網(wǎng)信息物理系統(tǒng)安全性評估方法[J]. 中國電力, 2022, 55(2): 73-81.

LI Xiao, XU Jianbing, LI Manli, et al. A security evaluation method for cyber physical distribution system considering influence of information failure[J]. Electric Power, 2022, 55(2): 73-81.

[21] 郎公福. 電網(wǎng)調度監(jiān)控信號語義解析及輔助決策研究[D]. 濟南: 山東大學, 2020.

LANG Gongfu. Research on semantic parsing and assisted decision making scheme of power grid dispatching and monitoring signal[D]. Jinan: Shandong University, 2020.

[22] 林澤宏. 基于大電網(wǎng)運行數(shù)據(jù)的智能告警處理系統(tǒng)研究與應用[D]. 廣州: 華南理工大學, 2018.

LIN Zehong. Research and application of intelligent alarm processing system based on operation data of large power grid[D]. Guangzhou: South China University of Technology, 2018.

[23] 國家電力調度控制中心. 110 kV變電站典型信息表(試行)[S]. 北京: 國家電力調度控制中心, 2013.

National Power Dispatching Control Center. Typical information table of 110 kV substation (trial)[S]. Beijing: National Power Dispatching Control Center, 2013.

[24] 國家電力調度控制中心. 220 kV變電站典型信息表(試行)[S]. 北京: 國家電力調度控制中心, 2012.

National Power Dispatching Control Center. Typical information table of 220 kV substation (trial)[S]. Beijing: National Power Dispatching Control Center, 2012.

[25] 張瑤, 王傲寒, 張宏. 中國智能電網(wǎng)發(fā)展綜述[J]. 電力系統(tǒng)保護與控制, 2021, 49(5): 180-187.

ZHANG Yao, WANG Aohan, ZHANG Hong. Overview of smart grid development in China[J]. Power System Protection and Control, 2021, 49(5): 180-187.

[26] 王日寧, 武一, 魏浩銘, 等. 基于智能終端特征信號的配電網(wǎng)臺區(qū)拓撲識別方法[J]. 電力系統(tǒng)保護與控制, 2021, 49(6): 83-89.

WANG Rining, WU Yi, WEI Haoming, et al. Topology identification method for a distribution network area based on the characteristic signal of a smart terminal unit[J]. Power System Protection and Control, 2021, 49(6): 83-89.

[27] 劉恒勇, 史帥彬, 徐旭輝, 等. 一種關聯(lián)RNN模型的非侵入式負荷辨識方法[J]. 電力系統(tǒng)保護與控制, 2019, 47(13): 162-170.

LIU Hengyong, SHI Shuaibin, XU Xuhui, et al. A non-intrusive load identification method based on RNN model[J]. Power System Protection and Control, 2019, 47(13): 162-170.

[28] HANG Renlong, LIU Qingshan, HONG Danfeng, et al. Cascaded recurrent neural networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience & Remote Sensing, 2019, 57(8): 5384-5394.

[29] SHAHNAZARI H. Fault diagnosis of nonlinear systems using recurrent neural networks[J]. Chemical Engineering Research and Design, 2020, 153: 233-245.

[30] HUANG Y, CHEN C, HUANG C. Motor fault detection and feature extraction using RNN-based variational autoencoder[J]. IEEE Access, 2019, 7: 139086-139096.

110 kV signal semantic analysis and situation awareness model based on deep learning theory for a power system monitoring system

WANG Hongbin1, 2, ZHOU Niancheng1, HUANG Ruiling2, FAN Bingxin1, WANG Qianggang1

(1. State Key Laboratory of Power Transmission Equipment & System Security and New Technology (Chongqing University), Chongqing 400044, China; 2. State Grid Chongqing Electric Power Company Research Institute, Chongqing 401123, China)

The vigorous construction of new power systems entails higher requirements for the efficient and accurate identification technology for power grid monitoring signals. This paper first analyzes the basic principles of the Soft-Masked BERT language model, and establishes a signal text error correction model based on Soft-Masked BERT. According to the typical information table of the State Grid, the rule dictionary of "signal semantics-grid events" in normal and fault conditions is analysed. Based on the above models, a power grid situation awareness model based on RNN is established, and a semantic analysis of power grid monitoring signals and a situation awareness solution process based on deep learning are proposed. Finally, taking the actual monitoring signal of a 110 kV substation as the test data, the proposed RNN model is used to analyze the semantic analysis and situation awareness simulation analysis of the monitoring signal of the power grid in this area by combining the Pycorector toolkit and the Pytorch software. The validity and correctness of the model are verified.

deep learning; semantic analysis of power grid monitoring signals; situation awareness; RNN model

10.19783/j.cnki.pspc.220743

國家自然科學基金項目資助(52077017)

This work is supported by the National Natural Science Foundation of China (No. 52077017).

2022-05-17；

2022-08-12

王洪彬(1984—)，男，博士研究生，主要研究方向為智能變電站、保護與控制；E-mail: whbleehomwhb@163.com

周念成(1969—)，男，博士生導師，研究方向為電力系統(tǒng)及其自動化和電能質量；

黃睿靈(1994—)，女，工程師，研究方向為電力系統(tǒng)及其自動化。E-mail: 547258532@qq.com

(編輯 姜新麗)