一種基于聚類的電網(wǎng)運行監(jiān)控信息辨識分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電網(wǎng)調(diào)度監(jiān)控的人工智能技術(shù)領(lǐng)域，更具體的說，涉及一種基于聚類 的電網(wǎng)運行監(jiān)控信息智能辨識分類方法。
【背景技術(shù)】
[0002] 隨著我國電力行業(yè)的發(fā)展，變電和輸電設(shè)備的自動化改造不斷深入，以往有人值 守的運維模式逐漸在向無人值守、集中監(jiān)控的模式進行轉(zhuǎn)化。目前全國絕大部分liokv及以 上電壓等級的變電站都采用集中監(jiān)控的模式進行管理，現(xiàn)場電力設(shè)備的異常和告警信號都 通過通信設(shè)施直接傳輸?shù)秸{(diào)控中心已文本的形式展示給電網(wǎng)監(jiān)控人員。
[0003] 目前，我國關(guān)于電網(wǎng)異常信號的監(jiān)視主要采用人工監(jiān)屏的方式，設(shè)正值一人、副職 兩人進行監(jiān)屏。然而人工監(jiān)屏受到外部影響因素較多，當電網(wǎng)正常操作和電網(wǎng)設(shè)備異常時 都會發(fā)出大量的電氣量信號、物理信號，這些異常信號的篩選和辨識會消耗監(jiān)控人員大量 時間，若不能及時判斷故障發(fā)生情況則會影響事故處理的及時性。而一旦發(fā)生信號漏看或 辨識錯誤的現(xiàn)象，則會對電網(wǎng)設(shè)備造成不可估量的損失。因此，研究一種適用于電網(wǎng)監(jiān)控的 文本自動辨識方法，獨立于人工辨識以外提供輔助功能，是當前亟需解決的熱點問題?？梢?有效減輕監(jiān)控人員的負擔、加快電網(wǎng)事故處理的流程、避免信號漏看導(dǎo)致的電網(wǎng)事故。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提出一種基于聚類的電網(wǎng)運行監(jiān)控信息智能辨識分類方法，以調(diào)度監(jiān)控收 到的告警信號為樣本，通過聚類分析的方法形成典型告警信號的特征向量，從而實現(xiàn)對告 警信號的自動核對和辨識。最終達到提高電網(wǎng)設(shè)備告警信號的辨識效率，防止信號的漏看 和錯誤辨識，保障電網(wǎng)安全穩(wěn)定運行的目的。
[0005] 為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案是:一種基于聚類的電網(wǎng)運行監(jiān)控信息辨 識分類方法，依次包括以下步驟：
[0006] 數(shù)據(jù)樣本的預(yù)處理；
[0007] 建立文本的空間特征向量；
[0008] 基于K-means算法的聚類分析；
[0009] 告警信號的智能辨識。
[0010] 所述數(shù)據(jù)樣本的預(yù)處理，包括以下步驟：
[0011] 步驟一:按告警信號發(fā)出時間劃分形成文本，將歷史告警信號輸入，按時段劃分告 警信號，每隔3秒統(tǒng)計一次最近3秒內(nèi)發(fā)出的監(jiān)控信息個數(shù);將電網(wǎng)監(jiān)控告警信息表征為下 式(1)形式：
[0012] S=[(ti，mi，ci)，（t2，m2，C2)."(tn，mn，cn)] (1)
[0013] 式中S為按時段劃分后得到的監(jiān)控信息文檔，t為時長為3秒的時段，m為對應(yīng)時段 中出現(xiàn)的告警信號個數(shù)，其中（tn，m n，cn)被稱為一個數(shù)據(jù)項，表示^時間段內(nèi)接收到的告警 信息條數(shù)mn，以及告警文本內(nèi)容c n;
[0014]步驟二:建立文本的信息熵模型，電網(wǎng)事故發(fā)生時，與事故相關(guān)的告警信號一般在 10秒以內(nèi)都會發(fā)出。為避免漏掉有效信號，本方法以30秒為時間跨度形成對應(yīng)的告警信號 文檔S;并計算警信息文檔S的信息熵。其計算公式如下式(2):
[0016]其中Φ為常數(shù)，η為預(yù)先劃分的狀態(tài)數(shù)，其數(shù)值大小為監(jiān)控系統(tǒng)在3秒內(nèi)接收到告 警信號條數(shù)的最大值，P(k)為該種狀態(tài)在文檔S中出現(xiàn)的概率，其大小為：
[0018] 式(3)中Xk為30秒內(nèi)的10個數(shù)據(jù)項中告警信號條數(shù)為nu = k的個數(shù)，
樣本個數(shù)，該集合的監(jiān)控信息熵越大，其無序程度越高;反之，監(jiān)控信息文檔S的無序程度越 低；
[0019] 步驟三:篩選掉信息熵值低于0.3的告警信息文檔，以30秒為時間跨度，每隔10秒 進行一次采樣，計算對應(yīng)的監(jiān)控信息文檔S的熵，將信息熵H(S)〈0.3的監(jiān)控信息文檔篩選 掉，即排除監(jiān)控告警信號發(fā)出特別規(guī)律的時段；
[0020] 步驟四：計算得出信息熵貢獻值最大的數(shù)據(jù)項，針對剩下的有效告警信息文本，逐 項刪除文檔S中的數(shù)據(jù)項，即（^^^(^八并計算刪除時間段后的信息熵礦以八確定對文本 文檔信息熵貢獻度最大的數(shù)據(jù)項，并將其作為文本文檔的中心；
[0021] 步驟五:刪除數(shù)據(jù)項，直至信息熵信息熵H(S)降低，以文本文檔信息熵貢獻度最大 的數(shù)據(jù)項作為中心，從文檔時間尺度的邊緣開始逐漸刪除數(shù)據(jù)項，直至H(S'）〈H(S)。
[0022] 所述建立文本的空間特征向量，包括以下步驟：
[0023] 步驟一:計算文本中漢字X、Y的互現(xiàn)系數(shù)，統(tǒng)計所有告警信息文檔中漢字的出現(xiàn)頻 率，并按照式(4)統(tǒng)計兩個漢字的互現(xiàn)信息系數(shù)Μ:
[0025] 其中Μ(Χ，Υ)為漢字X和Υ的互現(xiàn)信息系數(shù)，Ρ(Χ，Υ)為Χ，Υ相鄰出現(xiàn)在文本中的幾率， Ρ(Χ)、Ρ(Υ)分別為漢字Χ、Υ在文本中出現(xiàn)的幾率，相鄰的兩個字同時出現(xiàn)的次數(shù)越多，其可 信度越高，由漢字Χ、Υ組成的詞組也越有可能成為關(guān)鍵詞；
[0026]步驟二:提取互現(xiàn)系數(shù)Μ(Χ，Υ)>0的詞條作為文本的關(guān)鍵詞，形成關(guān)鍵詞集合；
[0027]步驟三:在關(guān)鍵詞中去除平凡詞，篩選得到文本的特征項，電網(wǎng)監(jiān)控告警信息中會 存在大量諸如"的"、"了"的平凡詞，該類漢字對于文本描述的內(nèi)容無貢獻，因此將這類詞排 除在外，最終形成文本的特征項集合:9 = 01，32,33 - 311}，其中3為篩選后得到的關(guān)鍵詞； [0028]步驟四：通過TF-IDF公式為文本的特征項賦予權(quán)重，其計算公式為：
[0030]其中，fO^d)為詞條δ:在文檔中出現(xiàn)頻率，Ν為所有文檔的個數(shù)，m為含有詞條 的文檔個數(shù)；由TF-IDF公式計算得到的權(quán)重系數(shù)表征了詞條的特異性，若wi越大則表明詞 條心的特異性越高，在不同文檔中出現(xiàn)的比率越低，但在單個文檔中出現(xiàn)的頻次越高，那么 詞條&用于表征文檔d的可信度越高；
[0031] 步驟五:建立文本的空間特征向量，通過上一步可以計算得到不同詞條在文檔中 的權(quán)重;但是這樣得到的權(quán)重沒有進行歸一化處理，歸一化處理后的權(quán)重為：
[0033] 因此任意文檔可以表征為一個二維向量，其形式如下式(7)所示：
[0034] (7)
[0035] 如果將不同的詞條看作一個坐標軸，那么該二維向量則可以看作是該空間中的一 個向量。
[0036] 所述基于K-means算法的聚類分析，包括以下步驟：
[0037] 步驟一:隨機抽取k個向量形成k個初始簇，即{Si…Si+k}，這k個對象均可以表示成 {^^^^，^^^^，…^^^^，一個二維的特征向量集合；
[0038] 步驟二:從文本集合中逐個抽取文本，采用夾角余弦公式，計算新文本和不同簇的 中心特征向量的相似度，夾角余弦公式為：
[0040]其中琴、為告警信息文檔SnSj在空間01，32，-4}中的特征向量，[1, 1，1,2··· Wi，n]和[WnWw.U。
[0041 ]步驟三:將新文本歸入相似度最高的簇，根據(jù)計算得到的相似度，將新文本歸類到 最為相似的簇中，并重新計算該簇的平均值，其計算公式為：
[0043]其中a為原簇中文本的個數(shù)，[^山^^…^為原簇的特征向量^^^^…^ 為新增文本的特征向量，通過式(9)計算將結(jié)果作為該簇新的空間特征向量；
[0044]步驟四：計算重新整合后的簇的評價函數(shù)，評價函數(shù)的計算公式為：
[0046]式（10)中，J為評價函數(shù)，其大小為任意對象，即文本S，與各個簇特征向量的均方 差之和;xn為文本文檔Sn對應(yīng)的特征向量，^為第k個簇的特征向量，為文檔Sn與 第k個簇的相似度。Zk為第k個簇中含有的元素個數(shù)，K為所有簇的個數(shù)；
[0047] 步驟五：重復(fù)上述步驟二、三、四，直至評價函數(shù)維持不變?yōu)橹?，此時得到的K個簇 則基本處于正交形態(tài)，其特征向量可以代表不同的典型告警信號模板；
[0048]步驟六:人工干預(yù)辨識，對分類完成的簇進行識別。通過查看不同簇中的文本文檔 人工識別該簇代表的告警信號的現(xiàn)實意義。
[0049]所述告警信號的智能辨識，包括以下步驟：
[0050]步驟一:每隔10秒統(tǒng)計一次最近30秒的告警信號，形成新增文本S;
[0051]步驟二:根據(jù)聚類分析得到的特征詞條{δ^δ^ - δη}為依據(jù)，采用TF-IDF公式計算 權(quán)重，形成空間特征向量：{[5i，Wi]，[δ2，％]，…[5n，Wn]};
[0052]步驟三:將新增文本分類至最相似的簇，將新增告警信息文本的特征向量與訓練 得到的簇的中心特征向量進行相似度計算;將新增告警信息文本歸入最相似的簇中，實現(xiàn) 告警信息文本的分類；
[0053]步驟四：根據(jù)該簇代表的現(xiàn)實意義，辨識新增告警信息文本代表的現(xiàn)實意義。
[0054]從上述方法可以發(fā)現(xiàn)，本發(fā)明提出的一種基于聚類的電網(wǎng)運行監(jiān)控信息智能辨識 分類方法。該方法將聚類分析引入到電網(wǎng)監(jiān)控的研究中，在對歷史