赵小玲

（国电南瑞南京控制系统有限公司，江苏南京，211000）

0 引言

电网的建设发展使得电网系统向着智能化方向发展成为了必然趋势，经过了十余年的建设，当前电网的信息化和自动化水平均已经得到了显著的提升，并且逐步向着智能化的方向迈进[1]。电网的实时监控以及数据的管理已经经过了迭代和优化，并且引入了大量的数据可视化技术[2]。根据相关资料显示，某省份电力运维中心的运维工作人员平均每天需要处理大约30万条的运维信息，工作人员很难在短时间内根据自身经验发现异常信号，处理效率极低，可能造成故障严重化，对电力系统的安全稳定运行带来威胁。为了保障电网的稳定运行，需要对其电力运维情况进行实时监测，并针对其存在的异常现象进行及时的告警，从而将电力运维异常对电网运行质量的威胁程度降低到最低。

在电力运维系统中包含大量的非结构化中文短文本，包括专业词汇、数字和特殊符号等，在告警信息处理时，容易出现运维趋势判定模糊的问题。国内外对电力运维进行了研究。如文献[3]中，研究了人工智能在电力企业网络安全运维中的应用，充分利用人工智能技术进行数据采集，构建自动化事件处置机制。文献[4]中，利用大数据技术，建立数据挖掘知识库，以面向对象的方式构建运维故障自动告警系统。但上述方法在应用中发现，对数据的区分不足，导致计算冗余度过大，告警效率低下。因此，研究一种快速电力运维异常自动告警系统是研究重点。

马尔可夫模型是一种常见的统计学模型，当前这种模型常被应用于语音识别、概率文法等各类自然语言的处理领域当中[5]。在实际应用中，该模型结构的引入能够进一步提高预测结果的准确性，为预测和统计提供更高的精度条件。因此，基于马尔可夫模型的应用优势，本文开展对电力运维异常自动告警方法的设计研究。

1 基于马尔可夫模型的电力运维异常自动告警方法设计

1.1 基于马尔可夫模型的电力运维趋势预测

为实现对电力运维异常现象的及时告警，引入马尔可夫模型，针对电力运维过程中的变化趋势进行实时预测。根据对电力系统运维异常机制进行分析，针对其薄弱环节对其可靠性参数进行设置，并将其带入到马尔可夫模型当中，构建电力运维可靠性模型χ：

公式（1）中，a1、a2和a3表示为电力系统中不同子系统故障率；b1、b2、b3表示为电力系统中不同子系统的修复率。根据上述公式，计算得出电力运维的可靠性，并设置其稳定运维的阈值[3]。当模型输出的结果χ数值不在设定的阈值范围内，则说明电力运维存在异常变化的趋势；当模型输出的结果χ数值在设定的阈值范围内，则说明电力运维仍然会保持稳定的运行状态。

将上述马尔可夫模型引入到基于TDengine开源版本的电力运维平台当中，结合该平台线上线下联合运维功能，针对海量设备接入数据进行采集、存储、存储和分析，从而完成对电力运维趋势的预测。

1.2 电力运维异常告警指令序列事件化及自动发出

完成对电力运维趋势的预测后，在出现电力运维异常现象时，运维人员能够通过告警指令直接对告警事件进行了解，需要对其指令序列进行事件化处理，通过告警指令序列对告警事件进行具体描述。在告警指令序列当中引入事件具体发生时间、变电站名称、关键电力设备名称等定位信息，这些信息内容为非结构化中文短文本。同时，将序列划分为两部分，一部分为实体类型，另一部分为告警，选择具有描述性的信息对两种类型告警指令进行描述。

由于各类电力设备存在物理联系，因此在告警指令序列当中每个告警信号的定位信息、运行信息等都十分相似[6]。因此，针对这一问题，为了提高告警的精度，需要通过提取关键词的方式，进一步提高告警指令的描述详细程度。引入自然语言处理技术，结合马尔可夫模型，针对告警指令序列事件化后的内容进行词性标注、关键词提取、摘要生成等，并从多个角度对自然语言进行分析和处理。主要分为以下步骤：

(1)建立本体词典。通过统计本体，标注词性。

(2)对故障样本进行向量化处理，通过导入故障样本，对词语进行区分，去除停用词，建立故障样本向量。

部分告警指令的摘要及对应部分告警指令序列如表1所示。

表1 部分告警指令的摘要及对应部分告警指令序列

按照上述操作实现对告警指令的序列事件化处理后，将其处理流程同样引入到基于TDengine开源版本的电力运维平台当中，由平台自动将告警指令发出，实现对其自动告警。

2 对比实验

按照本文上述逻辑，实现对电力运维异常自动告警方法的理论设计后，为了进一步验证该方法在实际应用中的效果，选择将基于人工智能技术的告警方法作为对照组，通过设置对照组和对照条件的方式，完成下述实验，并通过得出的实验结果对比证明本文告警方法的应用优势。选择将某电力企业当中正在运行使用的两台配置三层运行的电力系统作为研究对象，分别利用本文提出的告警方法和基于人工智能技术的告警方法对该电力系统在运维过程中的异常情况进行预测，并对其异常行为发出相应的告警结果。在确保其他实验因素不发生改变的前提条件下，通过引入控制变量法，对实验过程中各项数据的具体走向及变化趋势进行记录并分析。实验过程中的主要参数包括，PMI（电力运维指标）：0.67；SLP（运维平台稳定性极限）：89.56%；IAS（指令告警标量）：0.48；SIE（标准指令运行效率）6.58×109T/min。本文选择将两种告警方法的告警指令运行效率作为对比指标，其计算公式为：

公式（2）中，γ表示为两种告警方法的告警指令运行效率；m表示为告警指令数据信息量；t表示为告警结束时间；′t表示为发现电力运维异常时间。根据上述公式，计算得出两种告警方法的干净指令运行效率，并绘制成表2。

表2 两种告警方法告警指令运行效率记录表

从表2记录的数据可以得出，本文方法的告警指令运行效率与基于人工智能技术的方法相比在电力系统运行的过程中数值始终更高，同时本文方法运行效率表现出随着电力系统运行时间增加而增加的趋势，而另一种方法恰恰相反，随着电力系统运行增加而出现了递减的趋势。因此，结合实验及数据可知，本文提出的基于马尔科夫模型的告警方法在实际应用中具有更高的运行效率，能够在第一时间发出电力运维异常指令。

为进一步验证本文设计方法的性能，在上述实验的基础上，设计四类故障，利用本文方法进行异常告警，统计该方法的漏报次数和误报次数，结果如下表3所示。

表3 异常告警结果对比

主变压器故障 31 31 0 0所用变压器故障 10 10 0 0直流换流站故障 24 24 0 0

由表3可知，本文设计方法在对电力运维系统异常告警中，无漏报和误报的情况发生，表明本文设计方法的异常自动告警结果具有有效性和准确性。