CN107340766B - 基于相似度的电力调度告警信号文本归类及故障诊断方法 - Google Patents
基于相似度的电力调度告警信号文本归类及故障诊断方法 Download PDFInfo
- Publication number
- CN107340766B CN107340766B CN201710556924.3A CN201710556924A CN107340766B CN 107340766 B CN107340766 B CN 107340766B CN 201710556924 A CN201710556924 A CN 201710556924A CN 107340766 B CN107340766 B CN 107340766B
- Authority
- CN
- China
- Prior art keywords
- alarm signal
- time
- accident
- real
- window
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 238000013507 mapping Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000009377 nuclear transmutation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于相似度的电力调度告警信号文本归类及故障诊断方法。电力调度***在电力***故障过程中将收到大量的告警信号，如何将告警信号归类，利用告警信号进行故障诊断，是本发明拟解决的问题。本方法将告警信号文本向量化，利用滑动时间窗提取实时告警信号，通过计算实时告警信号与各事故样本告警信号的向量空间的相似度，进行实时告警信号的文本归类，并利用文本归类结果实现故障诊断。本方法能够对电力***同时发生的多种不同故障进行故障诊断，可用于电力调度***告警信号文本归类及故障诊断领域。
Description
技术领域
本发明属于电力调度***的故障诊断、告警信号的自然语言处理与中文文本分类技术领域，尤其涉及一种基于相似度的电力调度告警信号文本归类及故障诊断方法。
背景技术
电力***安全是建设坚强智能电网的核心，虽然现代电力***的理论和技术不断发展，但危及电力***安全的故障仍然无法避免。电力***故障过程中会产生故障相关的告警信号，电力调度***需要通过这些告警信号快速、准确地进行故障诊断，判断故障地点、故障类型及故障设备，识别不正确动作的保护和断路器，辅助调度或运行人员处理故障。然而，随着电力***规模的不断扩大，故障过程中将产生大量的告警信号，考虑到电力***连锁故障和同时不同地发生的不同种故障，再加上其余电力***状态信号的干扰，电力调度***接收的信号数量更会成倍增加。面对繁多的信号，调度员很难在短时间内根据自己的经验进行故障诊断，事故处理效率较低，甚至使事故扩大，不利于***恢复。如何对故障后的告警信号进行快速分析与归类，利用归类的告警信号进行故障诊断，已经成为电力调度***故障诊断领域有待研究和解决的重要问题。电力调度***的告警信号为中文短文本，含有大量电力***专业词汇，并夹杂着数字与特殊符号，为了提取告警信号中有价值的信息，对告警信号的自然语言处理与文本信息挖掘成了关键的步骤。
针对上述问题，研究者们提出了多种方法，主要包括专家***、粗糙集理论、人工神经元网络等。其中专家***和粗糙集理论的基本思路类似，都是利用保护设备的动作规则建立知识库，识别告警信号并归入相应的规则，再通过推理进行故障诊断，但这两种方法要求非常完备的知识库，而知识库的维护比较困难；人工神经元网络的诊断性能取决于丰富完备的训练样本，神经元网络的更新训练十分耗时，无法满足快速故障诊断的要求。
对于电力***的中文文本信息处理，文献《基于语义框架的电网缺陷文本挖掘技术及其应用》以电网缺陷文本为研究对象，采用语义框架槽填充的方法实现文本挖掘；文献《文本信息挖掘技术及其在断路器全寿命状态评价中的应用》运用向量空间法探索了电网中文文本的挖掘方法，实现了相似缺陷的相关性学习和分类。但这些方法仅用于对电网文本信息的事后处理，统计设备缺陷信息，无法应用于实时在线故障诊断。文献《基于时间序列相似性匹配的输电***故障诊断方法》利用了电力***告警信号的时序特性，提出一种基于时间序列相似性匹配的故障诊断方法，满足在线诊断的要求。然而电力调度***告警信号的时标信息仅精确到秒，事故发生时告警信号以每秒数条的速度发出，因此事故阶段在每秒范围内的告警信号往往时序混乱，这将影响该方法的故障诊断正确性，而且该方法仅能进行单一故障的诊断，无法诊断出同时发生的几种不同故障。
发明内容
本发明提出了一种基于相似度的电力调度告警信号文本归类及故障诊断方法，采用隐马尔科夫模型(HMM)中的Viterbi算法对中文告警信号进行分词，提取其中的本体词，将告警信号文本向量化，利用滑动时间窗提取实时告警信号，建立事故样本库中的告警信号与调度***接收的实时告警信号的向量空间模型，计算实时告警信号与各事故样本告警信号的向量空间的相似度，进行实时告警信号的文本归类，得出正在接收的实时告警信号属于事故样本中的哪类事故，即认为目前正在发生事故样本中的该类事故，输出该类事故的事故描述文本，利用归类结果实现故障诊断。本发明能够显著减少调度员在电力***事故时接收到的告警信号数量，准确、高效地实现电力***故障诊断，并能对电力***同时发生的多种不同故障进行故障诊断。
一种基于相似度的电力调度告警信号文本归类及故障诊断方法包括如下步骤：
第一步：建立本体词典，标注本体词词性；
第二步：导入本体词典，构建本体词与空间向量的映射关系，空间向量的每一维与一个本体词构成映射，每一维的坐标值表示该空间向量描述的告警信号中该本体词出现的次数；
第三步：导入事故样本，首先导入各事故样本的事故描述文本，再导入各事故样本包括的告警信号，对每一个事故样本的告警信号进行分词，去除停用词，搜索告警信号中的本体词，每搜索得到一个本体词，其映射的空间向量坐标自增1，由此可得每一个事故样本中告警信号的空间向量；
第四步：处理调度***接收到的实时告警信号，建立一个时间为Δt的滑动时间窗，该滑动时间窗随实时告警信号的接收向前滑动，导入滑动时间窗中的所有实时告警信号，对这些实时告警信号进行分词，去除停用词，每条告警信号都有唯一的发送地点标志，识别每条实时告警信号中的发送地点标志，认为滑动时间窗中有相同地点标志的实时告警信号可能来自同一事故，对于每一个可能事故分别建立一个空间向量，搜索滑动时间窗中该可能事故地点发出的实时告警信号中的本体词，每搜索得到一个本体词，其映射的空间向量坐标自增1，由此可得滑动时间窗中的各个可能事故对应的实时告警信号的空间向量；
第五步：分别计算滑动时间窗中的各个可能事故对应的实时告警信号的空间向量与各事故样本告警信号的向量空间的相似度，对于滑动时间窗中的某个可能事故，取其与各事故样本告警信号的向量空间相似度的最大值，设为Smax，设定一个相似度阈值Sthr，若Smax≥Sthr，则此时电力***确实有事故发生，相似度最大值Smax对应的一类事故样本所描述的事故即为目前正在发生的事故，输出该事故样本的事故描述文本，完成故障诊断，滑动时间窗中的其它可能事故处理方法相同。
上述技术方案中各步骤可具体通过如下方式实现：
第一步中的本体指告警信号中有意义的实词，本体词性包括时间词(m)、地点词(ns)、名词(n)、带修饰的名词(mqn)、数量词(mq)和属性词(v)，本体词典也作为中文告警信号的分词依据，本体词典示例如表1所示。
表1本体词典示例
第二步中的本体词与空间向量的映射关系为，假设本体词典中有n个本体词，将它们按顺序编号为1～n,编号为k的本体词对应第k维空间向量wk，n维空间向量W表示为
W＝(w1,…,wk,…,wn)
其中，每一维的坐标值表示该空间向量描述的告警信号中该本体词出现的次数。
第三步中的事故样本为按事故类型分类的告警信号集合，事故样本库基于电力***已发生的事故和相应的告警信号得出，由电力调度***生成，并可以随着***的运行不断扩充，事故样本分为事故描述和告警信号两部分，示例如表2所示。
表2事故样本示例
第三步和第四步中的中文分词采用隐马尔科夫模型(HMM)中的Viterbi算法，分词结果在每个词语后加上本体词典中所示的词性标注，去除停用词指去除“.”、“/”等标点符号，分词和去停用词示例如表3所示。
表3分词和去停用词示例
第四步中的滑动时间窗截止时刻对应最后一条实时告警信号的时刻，设为t2，起始时刻设为t1，t1＝t2-Δt。考虑到电力***的故障发展很快，调度***的运行数据显示，同一故障的所有告警信号往往在数秒内就发送完毕，后续连锁故障的告警信号可能在数十秒之后发出，所以Δt的取值不应大于10s；考虑到滑动时间窗内包含一个故障的实时告警信号越多，基于相似度计算的故障诊断越准确，还考虑到计算机运行算法所需的时间，所以Δt的取值不应小于1s。
第四步中认为滑动时间窗中有相同地点标志的实时告警信号来自同一可能事故，每一个不同发送地点标志表示发生了一个不同的可能事故(即滑动时间窗中出现几个不同发送地点标志，该时间段就有几个不同的可能事故发生)是因为，电力***在一个较小时间段(数分钟)内同一地点的不同事故往往是由一个共同的初始故障引起的连锁故障，这些故障相继发生，故障间有数秒到数十秒的时间间隔，通过上述对滑动时间窗的时间间隔Δt的合理选择，可以认为滑动时间窗内同一地点发送的实时告警信号均来自同一可能故障，即在滑动时间窗的时间段内，同一地点只会发生一种可能故障；电力***的事故主要分为两大类，第一类为变电站内设备故障(如主变电容器故障跳闸、主变低抗故障跳闸、所用变低压开关故障跳闸等)，该类故障只涉及一个变电站，故障告警信号由一个变电站发出，第二类为变电站间设备故障(如输电线路故障跳闸)，根据数据采集与监视控制***(SCADA***)关于告警信号发送装置的配置原则，变电站间设备故障的告警信号仅由其中一个变电站发出，因此可以认为滑动时间窗的时间段内接收到几个不同地点发送的实时告警信号，就在不同地点发生了几个不同的可能故障。应用这一故障判定规则，可以实现电力***同时发生的多种不同故障的故障诊断。
第五步中的相似度计算方法是，假设向量空间的维度(即本体词数)为n，事故样本数为m,滑动时间窗Δt内实时告警信号产生的向量空间数(即可能事故数)为p，第i个实时告警信号向量空间与第j个事故样本的告警信号向量空间的相似度Sij表示为：
其中，wki和wkj分别表示第i个实时告警信号向量空间的第k维坐标和第j个事故样本的告警信号向量空间的第k维坐标。
第一步至第三步为一种基于相似度的电力调度告警信号文本归类及故障诊断方法初始化阶段，第四步至第五步为一种基于相似度的电力调度告警信号文本归类及故障诊断方法程序运行阶段。
本发明提出了一种基于相似度的电力调度告警信号文本归类及故障诊断方法，与已有的技术相比，本发明提出的方法主要有以下改进：
1、提出了基于相似度计算的电力调度***告警信号文本归类方法，可以准确、高效地对实时告警信号进行归类，将实时告警信号归为事故样本中的一类，输出该类事故样本中的事故描述文本，可以减少调度员接收到的告警信号数量，并做出故障诊断；
2、提出了基于纯文本分析的电力***故障诊断方法，该方法不涉及具体电气信息和电气量计算，只需要调度***的实时告警信号和事故样本，具有输入参数易获得、输出诊断结果准确可靠等优势；
3、提出了利用设置滑动时间窗来获取电力调度***实时告警信号，通过设置合适的滑动时间窗有助于提高本方法的故障诊断精度，也有利于计算资源的合理利用；
4、提出的故障判定规则可以实现电力***同时发生的多种不同故障的故障诊断。
附图说明
图1是一种基于相似度的电力调度告警信号文本归类及故障诊断方法初始化阶段流程图；
图2是一种基于相似度的电力调度告警信号文本归类及故障诊断方法程序运行阶段流程图；
具体实施方式
一种基于相似度的电力调度告警信号文本归类及故障诊断方法包括如下步骤：
第一步：建立本体词典，标注本体词词性；
本步骤中的本体指告警信号中有意义的实词，本体词性包括时间词(m)、地点词(ns)、名词(n)、带修饰的名词(mqn)、数量词(mq)和属性词(v)，本体词典也作为中文告警信号的分词依据。
第二步：导入本体词典，构建本体词与空间向量的映射关系，空间向量的每一维与一个本体词构成映射，每一维的坐标值表示该空间向量描述的告警信号中该本体词出现的次数；
本步骤中的本体词与空间向量的映射关系为，假设本体词典中有n个本体词，将它们按顺序编号为1～n,编号为k的本体词对应第k维空间向量wk，n维空间向量W表示为：
W＝(w1,…,wk,…,wn)
其中，每一维的坐标值表示该空间向量描述的告警信号中该本体词出现的次数。
第三步：导入事故样本，首先导入各事故样本的事故描述文本，再导入各事故样本包括的告警信号，对每一个事故样本的告警信号进行分词，去除停用词，搜索告警信号中的本体词，每搜索得到一个本体词，其映射的空间向量坐标自增1，由此可得每一个事故样本中告警信号的空间向量；
本步骤中的事故样本为按事故类型分类的告警信号集合，事故样本库基于电力***已发生的事故和相应的告警信号得出，由电力调度***生成，并可以随着***的运行不断扩充，事故样本分为事故描述和告警信号两部分。
第四步：处理调度***接收到的实时告警信号，建立一个时间为Δt的滑动时间窗，该滑动时间窗随实时告警信号的接收向前滑动，导入滑动时间窗中的所有实时告警信号，对这些实时告警信号进行分词，去除停用词，每条告警信号都有唯一的发送地点标志，识别每条实时告警信号中的发送地点标志，认为滑动时间窗中有相同地点标志的实时告警信号可能来自同一事故，对于每一个可能事故分别建立一个空间向量，搜索滑动时间窗中该可能事故地点发出的实时告警信号中的本体词，每搜索得到一个本体词，其映射的空间向量坐标自增1，由此可得滑动时间窗中的各个可能事故对应的实时告警信号的空间向量；
本步骤中的滑动时间窗截止时刻对应最后一条实时告警信号的时刻，设为t2，起始时刻设为t1，t1＝t2-Δt。考虑到电力***的故障发展很快，调度***的运行数据显示，同一故障的所有告警信号往往在数秒内就发送完毕，后续连锁故障的告警信号可能在数十秒之后发出，所以Δt的取值不应大于10s；考虑到滑动时间窗内包含一个故障的实时告警信号越多，基于相似度计算的故障诊断越准确，还考虑到计算机运行算法所需的时间，所以Δt的取值不应小于1s。
本步骤中认为滑动时间窗中有相同地点标志的实时告警信号来自同一可能事故，每一个不同发送地点标志表示发生了一个不同的可能事故(即滑动时间窗中出现几个不同发送地点标志，该时间段就有几个不同的可能事故发生)是因为，电力***在一个较小时间段(数分钟)内同一地点的不同事故往往是由一个共同的初始故障引起的连锁故障，这些故障相继发生，故障间有数秒到数十秒的时间间隔，通过上述对滑动时间窗的时间间隔Δt的合理选择，可以认为滑动时间窗内同一地点发送的实时告警信号均来自同一可能故障，即在滑动时间窗的时间段内，同一地点只会发生一种可能故障；电力***的事故主要分为两大类，第一类为变电站内设备故障(如主变电容器故障跳闸、主变低抗故障跳闸、所用变低压开关故障跳闸等)，该类故障只涉及一个变电站，故障告警信号由一个变电站发出，第二类为变电站间设备故障(如输电线路故障跳闸)，根据数据采集与监视控制***(SCADA***)关于告警信号发送装置的配置原则，变电站间设备故障的告警信号仅由其中一个变电站发出，因此可以认为滑动时间窗的时间段内接收到几个不同地点发送的实时告警信号，就在不同地点发生了几个不同的可能故障。应用这一规则，可以对同时发生的几种不同故障进行故障诊断。
第三步和第四步中的中文分词采用隐马尔科夫模型(HMM)中的Viterbi算法，分词结果在每个词语后加上本体词典中所示的词性标注，去除停用词指去除“.”、“/”等标点符号。
第五步：分别计算滑动时间窗中的各个可能事故对应的实时告警信号的空间向量与各事故样本告警信号的向量空间的相似度，对于滑动时间窗中的某个可能事故，取其与各事故样本告警信号的向量空间相似度的最大值，设为Smax，设定一个相似度阈值Sthr，若Smax≥Sthr，则此时电力***确实有事故发生，相似度最大值Smax对应的一类事故样本所描述的事故即为目前正在发生的事故，输出该事故样本的事故描述文本，完成故障诊断，滑动时间窗中的其它可能事故处理方法相同。
本步骤中的相似度计算方法是，假设向量空间的维度(即本体词数)为n，事故样本数为m,滑动时间窗Δt内实时告警信号产生的向量空间数(即可能事故数)为p，第i个实时告警信号向量空间与第j个事故样本的告警信号向量空间的相似度Sij表示为：
其中，wki和wkj分别表示第i个实时告警信号向量空间的第k维坐标和第j个事故样本的告警信号向量空间的第k维坐标。
上述的第一步至第三步为一种基于相似度的电力调度告警信号文本归类及故障诊断方法初始化阶段，第四步至第五步为一种基于相似度的电力调度告警信号文本归类及故障诊断方法程序运行阶段。
以下结合附图，对本发明的实施例作详细说明，该发明的流程图如图1和图2所示。
实施例：
为了验证本发明提出的一种基于相似度的电力调度告警信号文本归类及故障诊断方法，发明人使用C++编程语言开发实现了该故障诊断程序，并在下述环境配置的PC机上实现了本实施例的测试和验证。
Intel Core i5-4250U CPU 1.30GHz，4GB内存，Microsoft Windows 10x64，Visual Studio 2013.
本实施例所用的事故样本和实时告警信号都来自浙江省电力调度指挥中心的调度***数据库。事故样本取自数据库中存储的2014年3月至2017年4月期间的典型事故及其对应的告警信号，为了确保符合调度***的实际运行情况，实时告警信号采用数据库中存储的2014年3月至2017年4月期间调度***接收的所有信号，这些信号既包括各事故样本对应的告警信号，也包括遥测、遥信等电力***状态信号，这些状态信号可以看作“干扰噪声信号”，用于验证故障诊断的抗干扰能力。本体词典包含该时段所有信号中出现的本体词。
本实施例中，判定当前是否发生事故的相似度阈值Sthr设为0.85，滑动时间窗的时间Δt设为5s，为了验证本方法能够实现对电力***同时发生的多种不同故障的故障诊断，将滑动时间窗设在实际电力***曾经同时发生两个事故的时间段内。某时刻滑动时间窗位于2015年12月16日08:21:35至2015年12月16日08:21:39，该时间段同时发生了春晓变电站2号主变35kV开关跳闸和瓶窑变电站2号主变1号低抗保护动作，2号主变三侧开关跳闸这两个事故，滑动时间窗内实时告警信号如表4所示。
表4滑动时间窗内实时告警信号
运行本发明提出的故障诊断程序，当时间窗滑动到该时间段时，程序输出显示正在发生2个事故。事故1与事故样本中编号20的事故相似度最大，为0.895377，归类并输出滑动时间窗内属于本事故的所有实时告警信号，故障诊断结果为“春晓变电站2号主变3号低抗A相故障，2号主变35kV开关跳开”；事故2与事故样本中编号22的事故相似度最大，为0.928153，归类并输出滑动时间窗内属于本事故的所有实时告警信号，故障诊断结果为“瓶窑变电站2号主变1号低抗保护动作，2号主变三侧开关跳闸”；输出滑动时间窗内所有的单独信号；输出故障诊断用时0.325s。
综上所述，结合本实施例的测试结果，本发明提出的一种基于相似度计算的电力调度***告警信号文本归类及故障诊断方法利用告警信号文本信息进行文本归类，能够准确、高效地实现电力***故障诊断，并能对电力***同时发生的多种不同故障进行准确诊断。
Claims (6)
1.一种基于相似度的电力调度告警信号文本归类及故障诊断方法，其特征在于包括如下步骤：
第一步：建立本体词典，标注本体词词性；
第二步：导入本体词典，构建本体词与空间向量的映射关系，空间向量的每一维与一个本体词构成映射，每一维的坐标值表示该空间向量描述的告警信号中该本体词出现的次数；
第三步：首先导入各事故样本的事故描述文本，再导入各事故样本包括的告警信号，对每一个事故样本的告警信号进行分词，去除停用词，搜索告警信号中的本体词，每搜索得到一个本体词，其映射的空间向量坐标自增1，由此可得每一个事故样本中告警信号的空间向量；
第四步：处理调度***接收到的实时告警信号，建立一个时间为Δt的滑动时间窗，该滑动时间窗随实时告警信号的接收向前滑动，导入滑动时间窗中的所有实时告警信号，对这些实时告警信号进行分词，去除停用词，每条告警信号都有唯一的发送地点标志，识别每条实时告警信号中的发送地点标志，认为滑动时间窗中有相同地点标志的实时告警信号可能来自同一事故，对于每一个可能事故分别建立一个空间向量，搜索滑动时间窗中该可能事故地点发出的实时告警信号中的本体词，每搜索得到一个本体词，其映射的空间向量坐标自增1，由此可得滑动时间窗中的各个可能事故对应的实时告警信号的空间向量；
第五步：分别计算滑动时间窗中的各个可能事故对应的实时告警信号的空间向量与各事故样本告警信号的向量空间的相似度，对于滑动时间窗中的某个可能事故，取其与各事故样本告警信号的向量空间相似度的最大值，设为Smax，设定一个相似度阈值Sthr，若Smax≥Sthr，则此时电力***确实有事故发生，相似度最大值Smax对应的一类事故样本所描述的事故即为目前正在发生的事故，输出该事故样本的事故描述文本，完成故障诊断；以相同方法处理滑动时间窗中的其它可能事故；
所述的第一步中的本体指告警信号中有意义的实词，本体词性包括时间词、地点词、名词、带修饰的名词、数量词和属性词，本体词典也作为中文告警信号的分词依据。
2.根据权利要求1所述的一种基于相似度的电力调度告警信号文本归类及故障诊断方法，其特征在于：所述的第二步中的本体词与空间向量的映射关系为，假设本体词典中有n个本体词，将它们按顺序编号为1～n,编号为k的本体词对应第k维空间向量wk，n维空间向量W表示为：
W＝(w1,…,wk,…,wn)
其中，每一维的坐标值表示该空间向量描述的告警信号中该本体词出现的次数。
3.根据权利要求1所述的一种基于相似度的电力调度告警信号文本归类及故障诊断方法，其特征在于：所述的第三步中的事故样本为按事故类型分类的告警信号集合，事故样本库基于电力***已发生的事故和相应的告警信号得出，由电力调度***生成，并随着***的运行不断扩充，事故样本分为事故描述和告警信号两部分。
4.根据权利要求1所述的一种基于相似度的电力调度告警信号文本归类及故障诊断方法，其特征在于：所述第三步和第四步中的中文分词采用隐马尔科夫模型中的Viterbi算法，分词结果在每个词语后加上本体词典中所示的词性标注。
5.根据权利要求1所述的一种基于相似度的电力调度告警信号文本归类及故障诊断方法，其特征在于：所述第四步中的滑动时间窗截止时刻对应最后一条实时告警信号的时刻，设为t2，起始时刻设为t1，t1＝t2-Δt，Δt的取值为1～10s。
6.根据权利要求1所述的一种基于相似度的电力调度告警信号文本归类及故障诊断方法，其特征在于：所述第五步中的相似度计算方法是，假设向量空间的维度为n，事故样本数为m,滑动时间窗Δt内实时告警信号产生的向量空间数为p，第i个实时告警信号向量空间与第j个事故样本的告警信号向量空间的相似度Sij表示为：
其中，wki和wkj分别表示第i个实时告警信号向量空间的第k维坐标和第j个事故样本的告警信号向量空间的第k维坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710556924.3A CN107340766B (zh) | 2017-07-10 | 2017-07-10 | 基于相似度的电力调度告警信号文本归类及故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710556924.3A CN107340766B (zh) | 2017-07-10 | 2017-07-10 | 基于相似度的电力调度告警信号文本归类及故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107340766A CN107340766A (zh) | 2017-11-10 |
| CN107340766B true CN107340766B (zh) | 2019-04-12 |
Family
ID=60219058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710556924.3A Active CN107340766B (zh) | 2017-07-10 | 2017-07-10 | 基于相似度的电力调度告警信号文本归类及故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107340766B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665192A (zh) * | 2017-11-29 | 2018-02-06 | 国网上海市电力公司 | 一种调度运行告警信息自动分类装置及方法 |
| CN109902283B (zh) * | 2018-05-03 | 2023-06-06 | 华为技术有限公司 | 一种信息输出方法及装置 |
| CN108985465A (zh) * | 2018-05-21 | 2018-12-11 | 许继电气股份有限公司 | 一种换流站故障分类方法及*** |
| CN108809757B (zh) * | 2018-05-22 | 2021-06-15 | 平安科技（深圳）有限公司 | 一种***告警方法、存储介质和服务器 |
| CN109684447A (zh) * | 2018-12-13 | 2019-04-26 | 贵州电网有限责任公司 | 一种基于文本挖掘的电网调度运行日志故障信息分析方法 |
| CN109615266B (zh) * | 2018-12-26 | 2022-11-04 | 贵州电网有限责任公司 | 基于数据挖掘的电网异常信息的文本分析决策方法 |
| CN111126277A (zh) * | 2019-12-24 | 2020-05-08 | 广东电科院能源技术有限责任公司 | 一种电力故障告警信号识别方法、装置、终端及存储介质 |
| CN113225209B (zh) * | 2021-04-20 | 2022-03-18 | 河海大学 | 一种基于时间序列相似检索的网络监控实时预警方法 |
| CN113704458B (zh) * | 2021-10-29 | 2022-04-22 | 江铃汽车股份有限公司 | 一种车辆仪表文字显示方法、***、存储介质及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574165A (zh) * | 2015-12-17 | 2016-05-11 | 国家电网公司 | 一种基于聚类的电网运行监控信息辨识分类方法 |
| CN105677833A (zh) * | 2016-01-06 | 2016-06-15 | 云南电网有限责任公司电力科学研究院 | 一种基于文本挖掘技术提取断路器故障特征信息的方法 |
| CN105787809A (zh) * | 2016-03-10 | 2016-07-20 | 国家电网公司 | 一种基于数据挖掘的电网设备运行状态智能校验方法 |
| CN105894747A (zh) * | 2016-03-25 | 2016-08-24 | 国家电网公司 | 一种基于监控专家知识库的告警信号处置决策建议方法 |
-
2017
- 2017-07-10 CN CN201710556924.3A patent/CN107340766B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574165A (zh) * | 2015-12-17 | 2016-05-11 | 国家电网公司 | 一种基于聚类的电网运行监控信息辨识分类方法 |
| CN105677833A (zh) * | 2016-01-06 | 2016-06-15 | 云南电网有限责任公司电力科学研究院 | 一种基于文本挖掘技术提取断路器故障特征信息的方法 |
| CN105787809A (zh) * | 2016-03-10 | 2016-07-20 | 国家电网公司 | 一种基于数据挖掘的电网设备运行状态智能校验方法 |
| CN105894747A (zh) * | 2016-03-25 | 2016-08-24 | 国家电网公司 | 一种基于监控专家知识库的告警信号处置决策建议方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107340766A (zh) | 2017-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107340766B (zh) | 基于相似度的电力调度告警信号文本归类及故障诊断方法 | |
| CN106202886B (zh) | 基于模糊粗糙集与决策树的轨道电路红光带故障定位方法 | |
| CN111079430B (zh) | 一种组合深度学习和概念图谱的电力故障事件抽取方法 | |
| CN104200288B (zh) | 一种基于因素与事件间相关关系识别的设备故障预测方法 | |
| CN111582392B (zh) | 一种风电机组关键部件多工况健康状态在线监测方法 | |
| CN109543210A (zh) | 一种基于机器学***台的风电机组故障预测*** | |
| CN106707099A (zh) | 基于异常用电检测模型的监测定位方法 | |
| CN103699698A (zh) | 一种基于改进贝叶斯的轨道交通故障识别方法及*** | |
| CN104573740A (zh) | 一种基于svm分类模型的设备故障诊断方法 | |
| CN104462846A (zh) | 一种基于支持向量机的设备故障智能诊断方法 | |
| CN104091070A (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和*** | |
| CN103760901A (zh) | 一种基于关联规则分类器的轨道交通故障识别方法 | |
| CN105894177A (zh) | 一种基于决策树算法的电力设备运行风险分析评估方法 | |
| CN110175324B (zh) | 一种基于数据挖掘的电网运行操作指令校验方法及*** | |
| CN104134010A (zh) | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 | |
| Zhu et al. | Networked time series shapelet learning for power system transient stability assessment | |
| Chow et al. | Recognizing animal-caused faults in power distribution systems using artificial neural networks | |
| CN106845526A (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
| Wu et al. | Online detection of events with low-quality synchrophasor measurements based on $ i $ forest | |
| CN105574165A (zh) | 一种基于聚类的电网运行监控信息辨识分类方法 | |
| CN109389325A (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN111143835B (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
| Zhang et al. | Power Grid Fault Diagnosis Based on Deep Pyramid Convolutional Neural Network | |
| CN113848471A (zh) | 继电保护***的故障智能定位方法及*** | |
| Min et al. | Fault prediction for distribution network based on CNN and LightGBM algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |