基于日志信息的电网离散事件动态模型学习和分析

doi:10.16182/j.issn1004731x.joss.23-FZ0800

系统仿真学报 ›› 2023, Vol. 35 ›› Issue (10): 2193-2201.doi: 10.16182/j.issn1004731x.joss.23-FZ0800

基于日志信息的电网离散事件动态模型学习和分析

朱丹龙¹(), 闫云琦², 陈颖²(), 张家琦², 晋龙兴¹, 付威¹

^1.深圳供电局有限公司，广东深圳 518048
^2.清华大学电机系，北京 100084

收稿日期:2023-07-02 修回日期:2023-09-12 出版日期:2023-10-30 发布日期:2023-10-26
通讯作者: 陈颖 E-mail:zhudanlong@sz.csg.cn;chen_ying@tsinghua.edu.cn
第一作者简介:朱丹龙(1988-)，男，工程师，本科，研究方向为电力系统自动化。E-mail：zhudanlong@sz.csg.cn
基金资助:
国家自然科学基金企业创新发展联合基金重点资助项目(U22B2096)

Learning and Analysis of Dynamic Models for Grid Discrete Events Based on Log Information

Zhu Danlong¹(), Yan Yunqi², Chen Ying²(), Zhang Jiaqi², Jin Longxing¹, Fu Wei¹

^1.Shenzhen Power Grid Utility Co. LTD, Shenzhen 518048, China
^2.Department of Electrical Engineering, Tsinghua University, Beijing 100084, China

Received:2023-07-02 Revised:2023-09-12 Online:2023-10-30 Published:2023-10-26
Contact: Chen Ying E-mail:zhudanlong@sz.csg.cn;chen_ying@tsinghua.edu.cn

摘要/Abstract

摘要：

随着电网规模的增加，电网设备产生的海量日志信息为人工分析电网异常状态带来了挑战。电网运行中的日志信息具有典型的离散序列特征，通过分析电网告警信息日志，提出了厂站事件转移概率模型和事件序列风险计算 方法，可以有效建模和分析厂站一二次系统运行异常水平。该方法不仅可以成功地识别出已被调度员人工标记的电网故障对应事件序列，还能识别出未曾被调度员记录的异常告警信息序列，有助于分析研判电网设备运行态势，发现潜在风险，提升变电站运维效率。

关键词: 电力系统, 告警信息, 动态特征学习, 异常识别, 风险评估

Abstract:

With the increasing scale of power grid, the massive amount of log information generated by devices in the power grid poses a challenge to the manual analysis of abnormal grid conditions. The log information generated during the operation of the power grid has the typical discrete sequential characteristics. By analyzing the log information of grid alarm messages, a station event transition probability model and an event sequence risk calculation method are proposed to effectively model and analyze the abnormal operation level of primary and secondary systems in substations. The proposed method not only successfully identifies the event sequences corresponding to grid failures that have been manually recarded by dispatchers but also identifies the abnormal alarm information sequences that have not been recorded by dispatchers. This helps analyze and assess the operational situation of power grid equipment, discover potential risks, and improve the efficiency of substation maintenance.

Key words: power system, alarm information, dynamic feature learning, anomaly detection, risk assessment

中图分类号:

TM769

朱丹龙,闫云琦,陈颖等 . 基于日志信息的电网离散事件动态模型学习和分析[J]. 系统仿真学报, 2023, 35(10): 2193-2201.

Zhu Danlong,Yan Yunqi,Chen Ying,et al . Learning and Analysis of Dynamic Models for Grid Discrete Events Based on Log Information[J]. Journal of System Simulation, 2023, 35(10): 2193-2201.

图/表 9

表1

图1

表2

表3

图2

图3

图4

表4

图5

参考文献 15

1	魏利胜, 张倩. 基于改进的UKF智能电网虚假数据攻击检测[J]. 系统仿真学报, 2023, 35(7): 1508-1516.
	Wei Lisheng, Zhang Qian. Detection of False Data Injection Attack in Smart Grid Based on Improved UKF[J]. Journal of System Simulation, 2023, 35(7): 1508-1516.
2	刘兴华, 董思文, 田佳强. 基于卡尔曼滤波分解的配电网安全状态估计[J]. 系统仿真学报, 2023, 35(6): 1191-1202.
	Liu Xinghua, Dong Siwen, Tian Jiaqiang. Secure State Estimation of Distribution Network Based on Kalman Filter Decomposition[J]. Journal of System Simulation, 2023, 35(6): 1191-1202.
3	汪崔洋. 基于告警信号文本挖掘的电力调控智能分析与故障诊断[D]. 杭州: 浙江大学, 2019.
	Wang Cuiyang. Intelligent Analysis and Fault Diagnosis of Power Disnatching Based on Alarm Signal Text Mining[D]. Hangzhou: Zhejiang University, 2019.
4	Zhu Yongli, Huo Limin, Lu Jinling. Bayesian Networks-based Approach for Power Systems Fault Diagnosis[J]. IEEE Transactions on Power Delivery, 2006, 21(2): 634-639.
5	Lo K L, Ng H S, Trecat J. Extended Petri Net Models for Fault Diagnosis for Substation Automation[J]. IEE Proceedings-generation, Transmission and Distribution, 1999, 146(3): 229-234.
6	Fukui C, Kawakami J. An Expert System for Fault Section Estimation Using Information From Protective Relays and Circuit Breakers[J]. IEEE Power Engineering Review, 1986, PER-6(10): 29-30.
7	邓甜甜, 熊荫乔, 何贤浩. 一种基于时序性告警的新型聚类算法[J]. 计算机科学, 2020, 47(增1): 440-443, 473.
	Deng Tiantian, Xiong Yinqiao, He Xianhao. Novel Clustering Algorithm Based on Timing-featured Alarms[J]. Computer Science, 2020, 47(S1): 440-443, 473.
8	林斌, 曾瑛, 李星南, 等. 基于近邻传播聚类的电力通信告警分析方法[J]. 电子设计工程, 2016, 24(16): 142-145.
	Lin Bin, Zeng Ying, Li Xingnan, et al. An Analysis Method of Power Communication Alarm Information Based on Affinity Propagation Clustering[J]. Electronic Design Engineering, 2016, 24(16): 142-145.
9	郭云. 基于深度学习的电网故障诊断[D]. 北京: 华北电力大学(北京), 2020.
	Guo Yun. Power System Fault Diagnosis Based on Deep Learning[D]. Beijing: North China Electric Power University(Beijing), 2020.
10	Andrade J R, Rocha C, Silva R, et al. Data-driven Anomaly Detection and Event Log Profiling of SCADA Alarms[J]. IEEE Access, 2022, 10: 73758-73773.
11	刘家瑞, 杨国田, 王孝伟. 基于孪生深度神经网络的风电机组故障诊断方法[J]. 系统仿真学报, 2022, 34(11): 2348-2358.
	Liu Jiarui, Yang Guotian, Wang Xiaowei. A Wind Turbine Fault Diagnosis Method Based on Siamese Deep Neural Network[J]. Journal of System Simulation, 2022, 34(11): 2348-2358.
12	杜修明, 秦佳峰, 郭诗瑶, 等. 电力设备典型故障案例的文本挖掘[J]. 高电压技术, 2018, 44(4): 1078-1084.
	Du Xiuming, Qin Jiafeng, Guo Shiyao, et al. Text Mining of Typical Defects in Power Equipment[J]. High Voltage Engineering, 2018, 44(4): 1078-1084.
13	王哲. 基于文本挖掘的电网告警信息智能识别及应用研究[D]. 济南: 山东大学, 2021.
	Wang Zhe. Research on Intelligent Recognition and Application of Alarm Information in Power Grid Based on Text Mining[D]. ji'nan: Shandong University, 2021.
14	周志华. 机器学习[M]. 北京: 清华大学出版社, 2016.
	Zhou Zhihua. Machine Learning[M]. Beijing: Tsinghua University Press, 2016.
15	深圳供电局有限公司. 深圳电网调度及厂站监控系统信息采集技术管理细则[R]. [出版地不详]: 深圳供电局有限公司, 2019.

设备名称	规范信息描述
220 kV 母线保护	220 kV×M-×M母线保护I动作跳220 kV×M
	220 kV×M-×M母线保护I动作跳220 kV母联(分段)20××
	220 kV×M-×M失灵保护I动作跳220 kV×M
	220 kV×M-×M母线保护I动作线路跟跳
	……
220 kV 线路间隔	220 kV××线××主一保护动作
	220 kV××线××主一保护重合闸动作
	220 kV××线××保护第一组出口跳闸
	220 kV××线××保护第二组出口跳闸
	……

告警信息
处理前	2018-09-15 14:17:25，秀丽站＃1、＃2主变故障录波屏启动录波复归
	2018-09-26 17:00:00，塘朗站 220 kV 翡朗甲线9517保护第二组出口跳闸动作
	2018-09-28 15:52:00，玉翠站 110 kV 民翠线1679保护通信中断动作
处理后	2018-09-15 14:17:25/TIME 秀丽站/SUB #1/EQP #2主变/EQP 故障录波屏/CM 启动录波/BEH 复归/ACT
	2018-09-26 17:00:00/TIME 塘朗站/SUB 220 kV/ VOLT 翡朗甲线9517/EQP 保护/CM 第二组/OTH 出口跳闸/BEH 动作/ACT
	2018-09-28 15:52:00/TIME 玉翠站/SUB 110 kV/ VOLT 民翠线1679/EQP 保护/CM 通信中断/BEH 动作/ACT

风险阈值	召回率	假正例率
1	0.99	0.43
2	0.95	0.15
4	0.90	0.06
5	0.89	0.04
10	0.74	0.02
20	0.53	0.01

[1]	李东晟, 刘晔, 宋炎侃, 沈沉. 针对预想故障的风电集群电磁暂态等值建模方法[J]. 系统仿真学报, 2023, 35(10): 2101-2112.
[2]	黄光球, 王熇. 基于Petri网的VOCs跨区域流动动态风险评估方法[J]. 系统仿真学报, 2023, 35(1): 57-68.
[3]	唐翰文, 张涛, 李玉梅, 李雷, 张京华, 胡冬良. 基于优化XGBoost的近钻头粘滑振动等级评估方法[J]. 系统仿真学报, 2021, 33(11): 2704-2710.
[4]	董伟杰, 黄民, 何国庆, 鲍威, 王义龙, 刘泉. 交直流混合电力系统机电电磁暂态稳定仿真系统[J]. 系统仿真学报, 2021, 33(11): 2711-2719.
[5]	李海滨, 王佳亮, 李海燕. 新冠后疫情时代复学风险评估的不确定性量化分析[J]. 系统仿真学报, 2021, 33(1): 13-23.
[6]	李海英, 薛琢成. 基于相关向量机的故障后功角稳定分析[J]. 系统仿真学报, 2018, 30(8): 3098-3104.
[7]	王唯一, 肖磊, 林德俊. 海洋钻井平台发电机组的仿真研究[J]. 系统仿真学报, 2018, 30(2): 664-671.
[8]	黄松, 王艳, 纪志成. 多信息特征粒子群优化算法的动态经济负荷分配[J]. 系统仿真学报, 2017, 29(9): 2159-2167.
[9]	于淼, 尚伟鹏, 卢宁. 基于直接神经动态规划的电力系统协调控制[J]. 系统仿真学报, 2017, 29(4): 699-707.
[10]	贺智, 聂志成, 秦怡宁, 樊友平. 基于拉格朗日乘子和测量残差的参数辨识[J]. 系统仿真学报, 2017, 29(12): 2964-2971.
[11]	闫茹, 费敏锐, 杜大军. 针对电力系统蓄意攻击的简要技术分析[J]. 系统仿真学报, 2017, 29(10): 2507-2517.
[12]	牛玉广, 杨巍, 李晓明, 王世林, 林忠伟. 双馈风机神经电力系统稳定器设计与仿真研究[J]. 系统仿真学报, 2017, 29(1): 162-169.
[13]	解翠, 寻锦锦, 周小伟, 董军宇. 海啸可视化仿真及灾害风险评估[J]. 系统仿真学报, 2016, 28(10): 2567-2573.
[14]	牛玉广, 李晓明, 王世林, 林忠伟. 分散协调控制在风火混合电力系统中仿真研究[J]. 系统仿真学报, 2015, 27(3): 609-619.

基于日志信息的电网离散事件动态模型学习和分析

Learning and Analysis of Dynamic Models for Grid Discrete Events Based on Log Information

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 15

相关文章 14

编辑推荐

Metrics

本文评价