基于数据驱动的流域集控中心报警优化方法

黄海军

(华电云南发电有限公司，云南 昆明 650228)

0 引言

流域远程集控中心源源不断地收到大量的生产现场信息，值班员面临着巨大的信息甄别和处理困难。某大型水电集控中心(以下简称为“J集控中心”)管理装机容量6 560 MW，是金沙江多个大型水电站的异地运行值班单位，实施“全采、全监、全控”的流域管控模式，电厂不进行运行值班。由于J集控中心约有8.31万个测点，每小时最高报出3 000多条文本报警和400多条语音告警，3个值班员平均每2 s就必须对一条信息做出处理；加上受控电厂“无人值班”，漏监视、风险处理不及时是电网频率波动的最大隐患来源，网省两级调度对大型厂站的值班监视做了严格的要求[1]；而智能报警系统等新产品无法解决泛化力弱、稳定性差、不可解释、不能替代计算监控系统等难题，如何有效地开展运行值班工作成为了集控中心的重大难题[2-4]。J集控中心提出了优化报警、设置预警、组合报警的方法，建立基于数据驱动的专家模型[5]，解决频报、漏报、错报等问题，提升系统的易用性，取得了显著的流域生产效能提升效果，为集控中心的安全有序运行提供了保障。

1 报警特征数据的采集

1.1 生产数据的处理需求

流域集控中心的报警，主要指的是计算机监控系统中的系列事件。集控中心异地值班的主要目标就是识别信息中的异常信号，及时有效地做出处理。J集控中心通过遥信、遥测组态信息的采集，分析其必要性、紧急性、冗余度等特征，建立报警专家模型，减少无关报警、提高报警识别率、组合化简报警，设置多级风险预警，从而减少人工分析、辨别的工作量，实现提取生产信息与辅助决策的目的。

1.2 特征数据的快速采集

报警数据的优化建立在对大量特征数据的分析之上[6]。特征数据主要来源于组态数据库和历史事件的离线分析，必要时辅以实时事件的在线分析[7]。

组态数据库含有海量事件的各种属性数据，是主要的分析研究对象，通过采集整理大量的原始组态数据表获得，如图1所示。

图1 组态数据库的VBA采集示意

历史信息的采集来源于历史数据的导出，适用于疑难事件的专题分析和越复限限值的研究。

实时事件采集于系统报警窗口，适用于高频告警的分析和报警模型的效果评估。

2 报警特征属性的研究

2.1 高频告警的筛除

解决报警过多的首要方法是：降频、去重。采取词频分析技术，对汛期、枯期等典型时段以及开停机、检修等重要环节的报警日志进行pandas (python软件的一个数据分析包)数据清洗、jieba (python软件的一个中文分词库)分词并剔除停用词后，获得词频分析表；其中高频报警组成一个狭窄的头部，剩余的长尾部分须进一步分析研究，如图2所示。

图2 报警的“长尾效应”示意

优化的策略是头部的高频信息原则上不设置报警，采用画面、替代测点等方式来监控；而长长的尾部信息原则上应根据必要性设置报警。

2.2 报警名称的规范化

报警语句的规范、整齐，可有效提高报警信息的辨识度，确保同类报警设置的一致性。不同厂站、不同系统的命名千差万别，如，某厂站测点名为“5311动作”，可理解为“5311合闸动作”“5311保护动作”“5311三相不一致保护动作”“5311操作条件具备动作”等多种内涵，给故障辨识、沟通汇报等工作造成了极大的困难，应予以规范化处置。

2.2.1 解决表述多样化的问题

调管设备按《××电网双重化配置继电保护调度命名业务指导书》等电网规程修订，并对厂管设备统一表述，避免同一设备、同一系统出现多种表述的情况。2.2.2 解决语义不明的问题

为避免语义不明：

1) 增加LCU区域或系统名称作为前缀，以标识不同区域(系统)的同名信息。

2) 明确切换把手、设备状态等定义，避免状态不明。

3) 完善测点情景信息或定语、状语，避免表述不全；使用通俗易懂的名称。

2.3 报警属性的研究

基于测点的必要性、紧急性、冗余度等特征建立组合报警的组态数据库，以实现数据驱动值班信息减负的目的。

2.3.1 数据关系的梳理

南瑞(南自)的计算机监控系统中，组态数据库的报警属性都涉及到多个属性的链式配置，必须予以明确，避免遗漏。

1) 开关量报警涉及时标、文本、语音、窗口、历史、双节点等属性，如图3所示。

图3 开关量的报警属性关系

2) 模拟量的报警属性设置。模拟量报警涉及限值、文本、语音、死区等属性，如图4所示。

图4 模拟量的报警属性关系

2.3.2 报警权重的计算

信息过多，须根据权重来进行筛选简化，权重计算用贝叶斯估计公式，如式(1)所示。

由式(1)可知，起关键作用的是重要性因子P(πxi)。重要性因子取值主要来源于生产经验和设备原理，对集控中心而言，需要人工干预的事件设置报警，否则不建议报警。

2.4 越复限的边界设定

提前预警是生产值班的高阶需求，通过数据发展趋势分析来设置预警。

1) 基于定值单和历史数据的预警。结合各厂站的热工、直流等系统的定值单及历史数据分析和设备风险估计值，建立一套越复限预警值。

2) 基于专家经验的预警。对负荷设定、闸门远控、频率控制、电源供应等影响安全生产的非定值性关键数据，基于专家生产经验设置预警。

类似地，重要的开关量、发电曲线等应配置征兆性报警，提前播放预警信息。

3 报警数据模型的构造

3.1 数据模型的应用

3.1.1 报警属性的泛化处理

因同类LCU区域的测点顺序、命名存在差异且无法消除，在建立报警模型时，须对同类测点进行泛化处理，以便确保报警设置的一致性，具体步骤如下：

1) 基于LCU列出基准区和待处理区的信息。

2) 通过Excel的MID函数去除前缀、VBA去除数字等方法，实现命名配对，依次构建基准区、待处理区的映射关系表。

3) 通过INDEX+MATCH函数进行一览表、报警等相关属性的整体迁移设置。

4) 人工检查与纠正映射错误。

5) 生成完整的报警属性表。

3.1.2 报警组态的自动化处理

对大量的报警特征属性完成分析后，最终通过更新组态数据库来实现数据模型的落地。步骤如下：

1) 导出原始组态数据表，采取图1的方法获得可便捷编辑的数据表集合Sx。

2) 探索分析，建立高频报警、规范命名、开关量、越复限等拟处理信息的关键词表Ki。

3) 对上述关键词表进行分类，提出优化规则，并打上分类标识，形成关键词和规则值的映射关系表Ti。

4) 对拟处理的数据表集合Sx逐一应用映射关系表Ti中的规则；存在同类属性的，采取3.1.1中的方法进行批量映射处理。

5) 检查和测试设置是否得当。

6) 进行异动统计与标记。

7) 重复上述过程若干次，至模型收敛为不频报、不漏报、易识别。报警组态的自动化处理如图5所示。

图5 报警组态的自动化处理示意

3.2 数据模型的适应性改进

为确保数据模型的适应性，须加强试运行时的抽样测试，及时与原系统比较报警的完善率、漏报率和识别率，研判典型事件的处置效能，及时调整模型映射表。对必要性不强、频报刷屏的测点，取消报警、调整定值或改用其他方式监控；对漏报、易疏忽的隐患，增设报警、增设测点，完善文本、语音、画面、声光、曲线、脚本等立体化监控功能；对未能诊断、识别困难的事件，设置对象脚本来辅助处理。

在J集控中心的实践中，4轮大调整后，报警模型已明显趋于收敛，可在生产环境中正式使用。

3.3 报警名称规范化的评价

报警名称的规范化通过名称差异率来评价，一方面可以复核差异较大的测点，及时调整命名优化规则；另一方面则是将关键性的命名差异通报电厂，确保信息的一致性。命名差异率计算如式2所示。

其中，Count(S1x/S2)是字符串匹配计算的函数，将旧字符串S1的第x个字符与新字符串S2进行匹配，若配对成功则计数加1。Len(S2)是字符串S2长度计算函数。

4 报警数据模型的应用

4.1 效果分析

J集控中心基于数据分析形成了100多子项的专家策略(见表1)，5.16万测点实现分级、分层、分类调整，4.24万测点报警属性被大幅调整，6 250个测点设置了限值报警；18 071个名称被优化，8 361项语音被清理，80 %以上的频报事件被消除；678个错误被纠正，3 827项模拟量刷新死区不合理问题被解决。

表1 报警优化的专家策略

优化后，每分钟产生5～10条告警，人工干预量降至原来的1/3以下，关键故障定位时间从1 min级降低到10 s级，多次发现了传感器异常、调速器油压持续性下降等重大隐患或隐秘故障。

4.2 方法总结

基于数据构建报警模型，充分适应了调管关系、生产经验等的变化情况，有助于后期反复调整。数据驱动的报警优化方法，实现了全过程量化、可视化管理，提高了经验应用的自动化、规范化。

J集控中心采用Excel和VBA方法进行数据驱动报警模型的建立和优化，优点是准确度高、操作性强，缺点是专家经验要求高、优化过程漫长。后续拟用Shell脚本增强嵌入式报警功能[8]，拟用深度学习等方法开展典型工况的诊断与决策研究，以提高灵活性和泛化能力[9-10]。

5 结束语

J集控中心采用基于数据驱动的专家模型进行报警优化后，实现了报警信息的辅助诊断功能，报警监视率降低45.02 %，完备性提升14.78 %，辨识度提升21.51 %，满足了流域集控“全监、全控”和安全生产的需要，为同类集控中心的优化提升提供参考。