基于深度学习的110kV电...信号语义解析及态势感知模型_王洪彬.pdf

第51 卷 第2 期 电力系统保护与控制 Vol.51 No.2 2023年1月16日 Power System Protection and Control Jan.16,2023 DOI:10.19783/ki.pspc.220743 基于深度学习的 110 kV 电网监控信号语义解析及 态势感知模型 王洪彬1,2，周念成1，黄睿灵2，范炳昕1，王强钢1 (1.输配电装备及系统安全与新技术国家重点实验室(重庆大学)，重庆 400044；2.国网重庆市电力公司电力科学研究院，重庆 401123)摘要：新型电力系统的大力建设对电网监控信号的高效准确识别技术提出了更高的要求。首先分析了 Soft-Masked BERT 语言模型的基本原理，建立了基于 Soft-Masked BERT 的信号文本纠错模型。根据国家电网典型事件表梳理了包含常规与故障情况下的“信号语义电网事件”规则字典。综合上述模型建立了基于 RNN 的电网态势感知模型，提出了基于深度学习的电网监控信号语义解析及态势感知求解流程。最后，以某地 110 kV 变电站实际监控信号为测试数据，利用所提 RNN 模型并结合 Pycorrector 工具包及 Pytorch 软件对该地区电网监控信号进行语义解析及态势感知仿真分析，验证了模型的有效性及正确性。关键词：深度学习；电网监控信号语义解析；态势感知；RNN 模型 110 kV signal semantic analysis and situation awareness model based on deep learning theory for a power system monitoring system WANG Hongbin1,2,ZHOU Niancheng1,HUANG Ruiling2,FAN Bingxin1,WANG Qianggang1(1.State Key Laboratory of Power Transmission Equipment&System Security and New Technology(Chongqing University),Chongqing 400044,China;2.State Grid Chongqing Electric Power Company Research Institute,Chongqing 401123,China)Abstract:The vigorous construction of new power systems entails higher requirements for the efficient and accurate identification technology for power grid monitoring signals.This paper first analyzes the basic principles of the Soft-Masked BERT language model,and establishes a signal text error correction model based on Soft-Masked BERT.According to the typical information table of the State Grid,the rule dictionary of signal semantics-grid events in normal and fault conditions is analysed.Based on the above models,a power grid situation awareness model based on RNN is established,and a semantic analysis of power grid monitoring signals and a situation awareness solution process based on deep learning are proposed.Finally,taking the actual monitoring signal of a 110 kV substation as the test data,the proposed RNN model is used to analyze the semantic analysis and situation awareness simulation analysis of the monitoring signal of the power grid in this area by combining the Pycorector toolkit and the Pytorch software.The validity and correctness of the model are verified.This work is supported by the National Natural Science Foundation of China(No.52077017).Key words:deep learning;semantic analysis of power grid monitoring signals;situation awareness;RNN model 0 引言 构建以新能源为主体的新型电力系统，对贯彻“四个革命、一个合作”能源安全新战略，深化能 基金项目：国家自然科学基金项目资助(52077017)源生产和消费革命，实现“碳中和、碳达峰”目标具有重要意义1-3。高效准确的电网监控信号识别技术是新型电力系统安全稳定运行的重要基础4。在 2012 年以前，国内电网企业的变电站输变电设备存在信号的间隔划分错误、信号名称含有错别字、信号语义不清晰王洪彬，等 基于深度学习的 110 kV 电网监控信号语义解析及态势感知模型 -161-等问题。随着智能电网建设的不断推进，国家电力调度控制中心在 2012 年着手对电网监控信息的标准进行梳理和规范，制定了 220 kV 变电站典型信息表并在 2013 年制定了 110 kV 变电站典型信息表。近年来，随着电网在线监测设备的不断增多，多电压等级变电站的不断投运，变电站二次精益化改造项目的不断实施，点表审核逐渐规范，在源头上完善和规范了电网监控信号。SCADA/EMS 系统中存储的海量标准化信号5，为开展数据驱动的电网监控信号语义解析提供了充足且有效的语料库。大中型城市的 220 kV/110 kV 电网负荷随经济快速发展而呈现多极化增长，在迎峰度夏期间电网长期保持在高负载状态运行6-8。为保证供区内重要用户的可靠供电，电网运行方式动态化调整将造成电网抗击风险能力不足。一旦 110 kV 或者 220 kV发生输变电设备故障，电网设备日均告警信号的数量将为无故障时的 23 倍。电网告警信号的频发总量过大，超出其承载能力，可能导致电网监控员无法兼顾告警信号，从而无法保证对电网设备的全面监视9，失去对电网运行态势的全方位感知。近年来随着自然语言处理(natural language processing,NLP)技术快速发展，使得机器能够理解人类语言并执行相应的应用程序，其应用场景包含语音识别、语音翻译、文本翻译、段落匹配、错别字纠错等7。经典语言模型包括 Word2Vec，卷积神经网络(convolutional neural network,CNN)10，递归神经网络(recurrent neural network,RNN)11，Transformer及 BERT(bidirectional encoder representations from transformers,BERT)模型等13-17。通过对海量故障信号语料库的学习，NLP 神经网络模型能够自动从信号数据中挖掘语义特征，实现电网监控信号文本错误纠正和电网的态势感知。现有文献大多数是从电网故障的物理特征出发，利用短路电流、电压突变、故障录波、PMU 等来感知电网发生故障的类型、位置及持续时间18-20。但在电网实际运行中，电网监控员均是从电网二次设备的异常信息，如保护动作信号、变电站站内二次设备异常信号，以及遥测和开关遥信信息等来研判电网故障。为辅助电网监控员进行故障研判，文献4对电网故障事件与关联信号的内在逻辑关系进行了详实的分析，提取出“信号语义故障事件”之间关联规则推理知识库。文献21提出了一种电网监控信号的分词方法，采用 Apriori 算法挖掘监控信号之间的潜在关系和主从规律，并结合 IC-means聚类算法实现电网异常事件的“翻译”。文献22对智能告警系统的主站端进行了优化设计，实现了告警信号的智能化处理，在一定程度上减轻了电网监控员的工作总量，并基于系统丰富的专家库和推理机制匹配知识库的规则，为监控员提供电网故障的辅助决策。上述研究从不同方面提高了电网监控的快速性与准确性，但针对故障发生后的电网侧监控信号内在逻辑数据挖掘还不够深入，且对于可能存在的非标准化异常信号，现有方法均无法实现信号的语义解析，无法实现更加细腻的电网态势感知。为充分适应新型电力系统的电网运行体系建设要求，提高电网侧信号监控运行效率，保障电网设备安全运行，本文首先分析了 Soft-Masked BERT 语言模型的基本原理，建立了基于 Soft-Masked BERT的信号文本纠错模型；根据国家电网相关管理规定梳理了包含常规与故障情况下的“信号语义电网事件”规则字典；综合上述模型建立了基于循环神经网络17的电网态势感知模型，提出了基于深度学习的电网监控信号语义解析及态势感知求解流程。最后，以某地区 110 kV 变电站实际监控信号为测试数据，利用 Pycorrector 工具包及 Pytorch 软件进行了该地区电网监控信号的语义解析及态势感知仿真分析，验证了本文所提方法的有效性及正确性。1 基于 Soft-Masked BERT 的信号文本纠错模型 电网监控信号具有以下特点：1)电网监控信号的信号本身文本非常短，文本字符之间存在显著逻辑关系；2)电网监控信号可能是连续发出的，且信号与信号之间存在显著的逻辑关系，需对发出信号的先后顺序进行辨别。如图 1 所示，Soft-Masked BERT(soft-masked bidirectional encoder representations from transformers)语言模型由基于双向门控循环单元(bidirectional gated recurrent unit,Bi-GRU)的检测网络和基于 BERT 的校正网络组成，检测网络预测误差的概率，修正网络预测误差修正的概率，而检测网络利用软掩蔽(soft-masking)模块将预测结果传递给修正网络，最后通过 Softmax 分类器输出正确字符17。该方法能够综合考虑文本语言的前后逻辑关系，且能够充分描述字符级、词级、句子级甚至句间关系的特征12，辨明段落内部逻辑字符之间的逻辑关系并且降低噪声词的影响，对音似、形似错字和前后逻辑语义纠正，输出其对应的标准信号。除此之外，该方法还能辨析信号与信号之间的逻辑关系，适用对电网监控信号语义进行解析。-162-电力系统保护与控制 图 1 Soft-Masked BERT 语言模型结构 Fig.1 Structure of Soft-Masked BERT language model 假设电网监控信号名称标记序列由 n 个字符组成，即12,inXx xx=，目标是转换成为含有()m mn个字符12,imYyyy=，其中iX内不准确的字符在iY中用正确的字符进行了替换。Soft-Masked BERT 语言模型中特有的检测网络是一个顺序的二进制标记模型，其中ie表示监控信号iX的嵌入，输出是一个标签序列12(