基于人工神經網絡與有限狀態機的變電站告警處理系統

周博曦，秦 晉，王金亮，王竟飛，許敏敏

（山東電力高等?？茖W校，山東 濟南 250000）

0 引言

變電站智能告警是調度技術支持系統綜合智能告警功能的有機組成部分，開展監控告警信息廣域分布式處理的應用研究對實現調控運維智能化和一體化具有重要意義。然而，告警信息的優化和梳理并非簡單單一的任務，主要困難有：1）告警信號種類繁多，信號量龐大，梳理難度大，電力系統告警除事故信號序列外，通常伴隨著異常信號、操作伴生信號、狀態信號以及檢修運維信號，據統計，一個中型220 kV 變電站，規模估算實時數據信息量遙測約155 個，遙信約350 個；2）干擾信號摻雜其中，以假亂真難于判定，由于設備異常、通信信道受阻等多方面的因素，不可避免還會產生部分誤發、頻發和漏發的信號，對告警信息處理造成極大的干擾；3）信號相互關聯、錯綜復雜，難以透過表象看到本質，變電站尤其是廣域分布式電網發生的故障往往并非相互孤立，問題影響因素多樣，因素與因素之間相互聯系，告警分析是對調度運維人員的一個綜合性考驗。

為了有效地輔助告警信息處理，國內外已經提出了多種變電站告警處理方法，包括基于專家系統（Expert Systems，ES）的告警信息處理［1-2］、基于智能優化算法（Intelligent Optimization Algorithm，IOAS）的告警信息處理［3-5］、基于解析模型方法的告警信息處理［6-8］等。這些方法均各有其適用性和局限性，ES因擅長邏輯推理和符號信息處理而適合于電力系統故障診斷問題，但該方法的推理效率極大程度取決于問題的復雜程度，對于復雜程度較高的變電站系統，難以滿足實時運行的系統要求；基于IOAS 的故障具有執行速度快、魯棒性好和學習功能強等特點，但IOAS 不具備表達電網拓撲結構的能力，因而難以適用于接線方式多變的大規模電網拓撲；解析模型方法是通過構造一個反映實際警報信息與期望警報信息之間差異的目標函數，該種方法的缺陷是不擅長處理啟發性知識，缺乏解釋自身行為和輸出結果的能力。

電網靜態數據和實時數據均為告警分析的重要數據基礎。為了協同運用兩類數據，結合人工神經網絡（Artificial Neural Network，ANN）和有限狀態機（Finite State Machine，FSM）開展告警信號的分析和處理。首先，利用ANN 的快速執行和自學習能力，對歷史數據進行學習，獲得各種事故和異常的邏輯推理和知識表達的權連接矩陣。進一步地，構建FSM模型，通過實時匹配告警序列，識別告警序列中的操作伴生和誤發頻發信號，完成變電站告警的告警全過程記錄、分析和處理。最后，以實際220 kV 變電站的SCADA 信息序列為例，通過算法完成告警全過程分析。

1 ANN-FSM 告警系統的總體結構

電網告警信號是電力調度值班員開展電網故障、異常判斷及分析處理的依據，可分為靜態數據和動態實時數據。靜態數據庫包括電網拓撲、設備參數、保護配置及整定、告警歷史數據庫等，這些基礎數據對告警分析處理具有重要的參考意義，可作為ANN 算法訓練樣本集，最終生成告警信號權值函數表達的事件類型知識表達；動態數據庫即發生故障或異常時刻，由SCADA 系統接收到的實時告警序列，包括動作（事故）信號、告警（異常）信號、狀態信號，實時接收的數據是開展告警分析的直接依據，動態數據通過ANN-FSM 的綜合判斷，形成告警全過程記錄、分析和處理的綜合結果。

ANN-FSM 的變電站告警處理系統的總體結構如圖1 所示。系統由7 大部分組成：1）靜態數據庫管理系統；2）靜態數據庫；3）ANN 運算器和連接權矩陣；4）推理機；5）動態數據庫；6）有限狀態機模型；7）解釋系統和人機界面系統。靜態數據庫和靜態數據庫管理系統為上層應用提供底層基礎數據，其涵蓋電網拓撲、保護及告警歷史數據，數據建模方法遵循IEC61850 標準數據模型，提供兼容的邏輯節點類及數據類（IEC61850-7-4）和共用數據類（IEC61850-7-3），同時也允許按規則擴展邏輯節點、數據和共用數據類，以支持廠站自動化相關設備的互操作性；ANN 學習系統建立于靜態數據庫上層，作為故障診斷模塊，通過訓練ANN 修改其權矩陣完成知識獲取，該層設置線路、母線及變壓器模塊化診斷單元，其知識庫表達為ANN 的權矩陣；推理機為基于ANN 獲得的告警事件知識表達，對實時接收告警信號進行診斷，并將診斷結果發送至FSM 模型，完成告警全過程記錄、分析和處理；最后通過解釋系統和人機界面對系統故障的行為和輸出結果進行解釋。

圖1 ANN-FSM 告警處理系統總體結構

ANN-FSM 的變電站告警處理系統采用ANN 模塊化診斷單元，具有快速、容錯和學習能力強等特點；同時FSM 模型將進一步對告警序列展開分析，實現告警全過程記錄、分析和處理，其結果將對調控中心和運維處置意見提供關鍵依據。

2 綜合告警處理的關鍵技術

2.1 ANN 輸入量的獲取

表1—表4 分別劃分出設備（以斷路器為例）、線路、母線和變壓器的常見信號特征量。

表1 斷路器故障診斷的ANN 特征輸入量

其中，斷路器故障診斷輸出層ys=｛ys0，ys1，ys2，…，ys6｝；ys0為開關是否非全相動作判斷量，ys1為開關分合閘是否總閉鎖判斷量，ys2為開關合閘是否總閉鎖判斷量，ys3為開關SF6壓力是否低報警判斷量，ys4為開關N2是否泄露及各種閉鎖判斷量，ys5為開關電機是否打壓超時判斷量，ys6為開關機構箱加熱器是否空開斷開判斷量。上述斷路器故障診斷輸出層各符號取值為1 表示是，取值為0 表示否。

表2 線路故障診斷的ANN 特征輸入量

其中，線路故障診斷輸出層y1=｛y10，y11，y12，…，y15｝，y10—y15分別代表A 相接地、B 相接地、C 相接地、相間接地、三相接地瞬時故障和三相接地永久性故障。

表3 母線故障診斷的ANN 特征輸入量

母線故障診斷輸出層yb=｛yb0，yb1，yb2｝；yb0為母線故障，母線所連開關分閘；yb1為母線故障，母線所連開關拒動，斷開聯絡母線及上一級變壓器開關；yb2母線故障，母聯開關拒動，斷開聯絡母線所有開關。

表4 變壓器故障診斷的ANN 特征輸入量

變壓器故障診斷輸出層yt=｛yt0，yt1，yt2｝，yt1為主變壓器內部故障；yt2為主變壓器外部故障；yt3為線路故障，線路斷路器拒動；yt3為母線故障，母線斷路器拒動。

2.2 ANN 故障診斷模型

人工神經網絡（ANN）是模仿腦細胞結構和思維處理問題的功能，它從模仿人腦智能的角度出發，探尋新的信息表示、存儲和處理方式。這種神經網絡依靠系統的復雜程度，通過調整內部大量節點之間連接的關系，從而達到處理信息的目的［9-12］?；诟婢蛄械淖冸娬竟收显\斷由于告警信號種類繁多、信號量龐大、模式識別要求精度高，可利用神經網絡的學習能力和快速并行實現來解決這一問題，圖2 表示ANN 反向傳播算法（BP）的神經元模型。

圖2 BP 模塊的神經網絡

基于ANN 的神經元反向傳播算法步驟包括：

1）初始化任務包括選定一結構合理的變電站模塊網絡，置所有信號特征量的權和閥值為均勻分布的較小數值。

2）對輸入樣本進行前向計算。

令單元j 的激活函數為sigmoid 函數，則有：

令L 為神經網絡的總層數，l≤L，當l=1 時，則

式中：xj（n）為神經單元j 的實際輸入值。當l=L 時，則有

3）對輸入樣本進行反向計算δ，輸入樣本修正權值。

則，當函數進行下一次迭代（n=n+1）時，權值的修正方法為

5）算法收斂判據。

令為輸出端總的平方誤差的均值，則有

定義一個學習目標EAV，輸入新的樣本（或新一周期樣本），直至E≤EAV，則迭代達到預定要求，算法收斂。

遵循BP 算法，基于ANN 的告警診斷流程如圖3 所示。

圖3 ANN 告警診斷流程

3 基于FSM 的變電站告警形式化描述

在變電站告警過程中，不可避免地存在告警信息缺失、告警信息時標出錯以及告警重發等情況，為了進一步發現告警信息中的操作伴生信號和誤發頻發信號，構建FSM 模型，通過實時匹配告警序列，形成告警全過程記錄和分析的綜合結果。

有限狀態機在軟件工程中本質是對具有邏輯順序或時序順序事件的一種數學描述模型［12-14］。系統以事件驅動的方式工作，有限狀態機做出響應，產生一個輸出，并伴有狀態遷移。以某220 kV 輸電線路M（見圖4）發生接地故障對FSM 進行形式化描述，其中CB1、CB2分別為線路M 兩側斷路器，其有限狀態機的表示形式化表示為

式中：a、b、c、d、t 為系統輸入信號，分別為保護動作、斷路器分閘、重合閘動作、斷路器合閘、超時檢測；S0—S8為定義該有限狀態機的9 種狀態，其中狀態S0表示當前無異?；蚬收闲盘柊l生，系統處于正常狀態；如圖5 所示，狀態S1、S2、S3、S4、S5、S6為分別接收到輸入信號a、b、c、d、a、b 后觸發的狀態轉變標記，其中，S1—S5為本次故障診斷過程中的中間狀態標記，最終狀態S6表示經FSM 判斷后形成事故全過程判斷結果，即線路發生永久性單相接地故障，斷路器跳閘后，經重合閘動作合閘，繼而再斷開線路。各個狀態觸發和轉化見圖5。t 為系統故障超時標志，狀態S1為系統超時時，確定為線路永久性故障；狀態S8為線路發生瞬時單相接地故障，跳閘后，經重合閘動作線路合閘成功。O 為輸出信號集合；g 為一個從系統輸入信號｛a，b，c，d，t｝到｛S1，S2，…，S8｝中不同狀態量的輸出函數，如圖5 中的S0→S1；f 為轉移函數，其狀態轉換如圖5 所示。

圖4 220 kV 線路接地故障示意

圖5 220 kV 輸電線路接地故障FSM 狀態轉換

4 基于ANN-FSM 的電力系統故障診斷告警處理系統

4.1 ANN 推理模型及模型的訓練和檢驗

以某220 kV 變電站母線跳閘事故告警分析為例，說明本算法的有效性和實用性。

事故經過為：2015 年5 月，沙角A 廠因220 kV 2212 斷路器的C 相絕緣子被擊穿，導致母線差動保護動作，斷開與220 kV Ⅱ母線相連的所有斷路器。事故前，沙角A 廠、長安變電站、北珊變電站通過220 kV 朱北線、沙角A 廠、B 廠之間的500 kV 1 號、2 號聯絡變壓器中壓側與廣東電網相連，長安變電站、北珊變電站為受電變電站，如圖6 所示。其中沙角A 廠為220 kV 雙母線運行，其中220 kV Ⅰ母線上接有沙角A 廠與沙角B 廠之間的500 kV 2 號聯絡變壓器中2212 斷路器、沙長乙線2293 斷路器、沙北乙線2264 斷路器、母聯2012 斷路器、2 號聯絡變壓器2202 斷路器，2 號起備變壓器2210 斷路器，其余設備接入220 kV Ⅱ母線，沙角A 廠接線如圖7所示。

圖6 事故發生地區電網接線

該事故發生時間為2015-06-21T13∶47∶51，歷時11 min，所接受事故告警信息共計523 條。診斷模塊化劃分故障子集告警序列被劃分為母線、變壓器、和線路3 個子模塊歷時47 ms；對各個子模塊中的告警信號融合及特征量提取，時長527 ms；ANN-BP 算法訓練樣本，從而產生神經網絡的權矩陣在診斷方面系統故障試驗數據，歷時7.84 min 收斂。將故障特征量代入神經網絡模型，表5—表7 為神經元法對故障診斷結果與其實際驗證結果之間的比較。

圖7 沙角A 廠升壓站主接線

表5 神經網絡對母線故障診斷結果

當訓練誤差指標最低（E=Emin）時，對ANN 告警診斷算法可整合為：由于220 kV 線路故障，母線差動保護動作，斷開220 kV Ⅱ母線所有斷路器；同時，500 kV 變壓器差動保護動作，斷開三側斷路器；線路高頻主保護動作，斷路器三相跳閘；線路距離I 段保護動作，斷路器C 相跳閘，后重合成功。

進一步地，為了更詳盡分析告警過程及原因，將告警信息與FSM 模型進行比對，并忽略正常設備操作產生的伴生信號。

4.2 FSM 模型及告警處理結果分析

本次啟用FSM 對告警信號進行處理，共處理伴生信號達300 余條，頻發信號76 條。忽略未發生告警信號，首先定義S0～S9為本案例有限狀態機模型的10 種狀態值，S10表示經FSM 判斷形成可表述事故全過程的狀態。表8 為事故對應的狀態轉換表，根據每一類信號動作的時序信息，構建觸發事件的最大動作時間t 值，形成圖8 的事故對應的狀態轉換圖，狀態轉換表和轉換圖從時序上描述了一個完整的越級跳閘事故過程，其中t1～t4為經神經網絡診斷所得的4 個組合故障對應的最大時間值，結果顯示，通過FSM 篩選有用的事故信號，對事故的全過程分析和原因分析，詳細結果為：由于沙角A 廠220kV Ⅱ母線差動保護和沙角B 廠500 kV 2 號聯絡變壓器差動保護動作時間在同一區段，且跳閘時限與外部故障時限一致；另沙角A 廠2212 斷路器C 相分段后重合，該有限狀態機可敏銳地判斷出2212 斷路器同時位于沙角A 廠220 kV Ⅱ母線差動保護和沙角B 廠500 kV 2 號聯絡變壓器差動保護的范圍內，且事故故障點位于沙角A 廠2212 斷路器，故障為C 相短路；同時導致長安站220 kV 沙廠乙線過負荷跳閘。

表6 神經網絡對變壓器故障診斷結果

表7 神經網絡對線路故障診斷結果

表8 事故對應的狀態轉換表

圖8 事故對應的狀態轉換

本次事故經現場查實，故障點位于沙角A 廠2212 斷路器，故障為C 相盤式絕緣子被擊穿，與本文提出方法所推理結果基本吻合，為事故的正確處理打下了堅實的基礎。

5 結語

提出一種結合人工神經網絡（ANN）和有限狀態機（FSM），對電力系統告警信息進行處理的方法，具有較強的應用價值。在電網拓撲和運行方式一致的情況下，故障診斷的ANN 的連接權矩陣訓練僅需進行一次，為告警的快速判斷和處理打下良好的基礎；FSM 可實現信號的排查和告警過程記錄，并通過綜合分析形成告警的原因分析和結果處理。通過實際電網案例對本算法的驗證，結果證明該方法對于電力系統通用故障告警判斷具有快速、容錯和學習能力強等特點，對應用于大規模電力系統的在線故障診斷問題的解決具有重要意義。